Daneyên bi etîketkirî, di çarçoweya Îstixbarata Hunerî (AI) de û bi taybetî di qada Fêrbûna Makîneya Ewr a Google de, ji danegehek ku bi etîket an kategoriyên taybetî hatine destnîşan kirin an nîşankirin vedibêje. Van etîketan ji bo perwerdekirina algorîtmayên fêrbûna makîneyê wekî rastiya zemîn an referansê xizmet dikin. Bi girêdana xalên daneyê bi etîketên wan ên têkildar re, modela fêrbûna makîneyê dikare fêr bibe ku qalibên nas bike û li ser bingeha daneyên nû, nedîtî pêşbîniyan bike.
Daneyên nîşankirî di fêrbûna çavdêriyê de, ku di fêrbûna makîneyê de nêzîkatiyek hevpar e, rolek girîng dilîze. Di fêrbûna çavdêrîkirî de, model li ser danûstendinek nîşankirî tê perwerde kirin da ku têkiliya di navbera taybetmendiyên têketinê û etîketên derketinê yên têkildar de fêr bibe. Ev pêvajoya perwerdehiyê dihêle ku modela zanîna xwe giştî bike û li ser daneyên nû, nedîtî pêşbîniyên rast bike.
Ji bo ronîkirina vê têgehê, em mînakek peywirek fêrbûna makîneyê di warê naskirina wêneyê de binirxînin. Bifikirin ku em dixwazin modelek ava bikin ku bikaribe wêneyên heywanan di kategoriyên cihêreng ên mîna pisîk, kûçik û çûkan de dabeş bike. Em ê hewceyê danûstendinek nîşankirî hewce bikin ku her wêne bi etîketa xweya rast ve girêdayî ye. Mînakî, wêneyek pisîkê dê wekî "pisîk", wêneyek kûçik wekî "kûçik" û hwd.
Danûstendina nîşankirî dê ji berhevokek wêneyan û etîketên wan ên têkildar pêk were. Her wêne dê ji hêla komek taybetmendiyan ve were temsîl kirin, wekî nirxên pixel an nûnerên asta bilind ên ku ji wêneyê têne derxistin. Etîket dê kategoriya rast an çîna ku her wêne tê de ye destnîşan bikin.
Di qonaxa perwerdehiyê de, modela fêrbûna makîneyê dê bi daneya binavkirî re were pêşkêş kirin. Ew ê fêr bibe ku qalib û têkiliyên di navbera taybetmendiyên têketinê û etîketên têkildar de nas bike. Model dê parametreyên xwe yên hundurîn nûve bike da ku cûdahiya di navbera pêşbîniyên xwe û etîketên rastîn ên di daneyên perwerdehiyê de kêm bike.
Dema ku model were perwerde kirin, ew dikare were bikar anîn da ku li ser wêneyên nû, nedîtî pêşbîniyan bike. Ji ber ku wêneyek bê etîket were dayîn, model dê taybetmendiyên xwe analîz bike û li ser bingeha zanîna xweya fêrbûyî ya ji databasa nîşankirî nîşana herî muhtemel pêşbîn bike. Mînakî, heke model pêşbînî dike ku wêneyek pisîkek heye, ev tê vê wateyê ku wê di wêneyê de qalibên ku nîşana pisîkê ne nas kiriye.
Daneyên binavkirî di perwerdekirina modelên fêrbûna makîneyê de hêmanek bingehîn e. Ew agahdariya pêwîst peyda dike ku model jê fêr bibe û pêşbîniyên rast bike. Bi girêdana nuqteyên daneyê bi etîketên wan ên têkildar re, model dikare fêr bibe ku qalibên nas bike û zanîna xwe bi daneyên nedîtî re giştî bike.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/AI/GCML Fêrbûna Makîna Ewr a Google:
- Nivîsar bi axaftinê (TTS) çi ye û ew çawa bi AI-ê re dixebite?
- Di fêrbûna makîneyê de di xebata bi daneyên mezin de çi sînor hene?
- Ma fêrbûna makîneyê dikare hin arîkariya diyalogê bike?
- Qada lîstikê ya TensorFlow çi ye?
- Di rastiyê de danûstendinek mezintir tê çi wateyê?
- Hin mînakên hîperparametreyên algorîtmê çi ne?
- Fêrbûna ensambleyê çi ye?
- Ger algorîtmayek fêrbûna makîneya bijartî ne guncan be û meriv çawa dikare piştrast bike ku ya rast hilbijêrin?
- Ma modelek fêrbûna makîneyê di dema perwerdehiya xwe de hewceyê çavdêriyê ye?
- Parametreyên sereke yên ku di algorîtmayên bingeha tora neuralî de têne bikar anîn çi ne?
Pirs û bersivan bêtir li EITC/AI/GCML Fêrbûna Makîneya Cloud Google-ê bibînin