P:
Com poden els enginyers utilitzar els nivells de graduació per millorar els sistemes d’aprenentatge de màquines?
R:Igual que altres tipus d’impuls, l’augment del gradient pretén convertir diversos aprenentatges febles en un sol aprenent fort, en una mena de “desenvolupament multitudinari” digital de potencial d’aprenentatge. Una altra manera que alguns expliquen l’augment del gradient és que els enginyers afegeixen variables per afinar una equació vaga per tal de produir resultats més precisos.
L’augment del gradient també es descriu com un enfocament “iteratiu”, amb les iteracions possiblement caracteritzades per l’addició d’aprenentatges febles individuals a un únic model d’aprenentatge fort.
| Descàrrega gratuïta: Aprenentatge automàtic i per què és important |
A continuació, es fa una descripció convincent de com veure un tipus d’implementació de graduació que millorarà els resultats d’aprenentatge automàtic:
Els administradors del sistema van establir primer un conjunt d'aprenentatges febles. Penseu en ells, per exemple, com una matriu d'entitats AF, cadascuna s'asseia al voltant d'una taula virtual i treballava en un problema, per exemple, la classificació d'imatges binàries.
A l’exemple anterior, els enginyers primer ponderaran a cada aprenent feble, possiblement arbitràriament, assignant un nivell d’influència a A, B, C, etc.
A continuació, el programa publicarà un conjunt d’imatges d’entrenament. Després, donats els resultats, ponderarà de nou la matèria d’aprenentatges febles. Si A va endevinar molt millor que B i C, la influència de A augmentarà en conseqüència.
En aquesta descripció simplista d'una millora de l'algorisme impulsant, és relativament fàcil veure com l'enfocament més complex obtindrà resultats millorats. Els estudiants dèbils estan "pensant junts" i al seu torn optimitzen un problema de ML.
Com a resultat, els enginyers poden utilitzar l'enfocament "conjunt" de la potenciació del gradient en gairebé qualsevol tipus de projecte ML, des del reconeixement d'imatges fins a la classificació de les recomanacions dels usuaris o l'anàlisi del llenguatge natural. Es tracta, bàsicament, d’un enfocament amb “esperit d’equip” a ML i un que rep molta atenció d’alguns jugadors potents.
L’augment del gradient en particular funciona sovint amb una funció de pèrdua diferenciable.
En un altre model que s’utilitza per augmentar el gradient, una altra funció d’aquest tipus de potenciació és poder aïllar classificacions o variables que, en una imatge més gran, són només sorolls. En separar l'arbre de regressió de cada variable o l'estructura de dades del domini d'un aprenent feble, els enginyers poden crear models que "soninin" amb més precisió els significatius del soroll. Dit d'una altra manera, el significat cobert per l'afortunat aprenent feble quedarà marginat, ja que aquest aprenentatge feble es torna a ponderar cap avall i té menys influència.
