Modelên perwerdehiyê di warê îstîxbarata hunerî de, nemaze di çarçoveya Fêrbûna Makîneya Google Cloud de, karanîna algorîtmayên cihêreng vedihewîne da ku pêvajoya fêrbûnê xweşbîn bike û rastbûna pêşbîniyan baştir bike. Yek ji van algorîtmayan algorîtmaya Zêdekirina Gradient e.
Gradient Boosting rêbazek fêrbûna ensembleyê ya hêzdar e ku gelek şagirtên qels, wek darên biryarê, berhev dike da ku modelek pêşbîniya bihêz biafirîne. Ew bi dubarekirina modelên nû yên ku balê dikişînin ser xeletiyên ku ji hêla modelên berê ve hatine çêkirin, hêdî hêdî xeletiya giştî kêm dike dixebite. Ev pêvajo tê dubare kirin heya ku astek têrker a rastbûnê were bidestxistin.
Ji bo perwerdekirina modelek bi karanîna algorîtmaya Boosting Gradient, pêdivî ye ku çend gav werin şopandin. Pêşîn, pêdivî ye ku databas bi dabeşkirina wê li komek perwerdehiyê û komek pejirandinê were amadekirin. Koma perwerdehiyê ji bo perwerdekirina modelê tê bikar anîn, dema ku seta pejirandinê ji bo nirxandina performansê û çêkirina sererastkirinên pêwîst tê bikar anîn.
Dûv re, algorîtmaya Boosting Gradient li ser koma perwerdehiyê tê sepandin. Algorîtm bi danîna modelek destpêkê ya daneyê dest pê dike. Dûv re, ew xeletiyên ku ji hêla vê modelê ve hatine çêkirin hesab dike û wan bikar tîne da ku modelek nû perwerde bike ku li ser kêmkirina van xeletiyan hûr dibe. Ev pêvajo ji bo hejmarek diyarkirî ya dubareyan tê dubare kirin, digel ku her modela nû xeletiyên modelên berê kêmtir dike.
Di dema pêvajoya perwerdehiyê de, girîng e ku meriv hîperparametreyan biguhezîne da ku performansa modelê xweşbîn bike. Hîperparametre aliyên cihêreng ên algorîtmê kontrol dikin, wek rêjeya fêrbûnê, hejmara dubareyan, û tevliheviya xwendekarên qels. Rêzkirina van hîperparametran ji bo dîtina hevsengiya çêtirîn di navbera tevliheviya modelê û gelemperîbûnê de dibe alîkar.
Dema ku pêvajoya perwerdehiyê qediya, modela perwerdekirî dikare were bikar anîn da ku li ser daneyên nû, nedîtî pêşbîniyan bike. Model ji koma perwerdehiyê fêr bûye û pêdivî ye ku bikaribe pêşbîniyên xwe ji mînakên nû re giştî bike.
Modelên perwerdehiyê di warê îstîxbarata hunerî de, nemaze di çarçoweya Fêrbûna Makîneya Ewrê ya Google de, karanîna algorîtmayên wekî Gradient Boosting vedihewîne da ku bi dubarekirina modelên ku xeletiyan kêm bikin û rastbûna pêşbîniyê baştir bikin. Tunekirina hîperparametran ji bo xweşbînkirina performansa modelê girîng e. Dûv re modela perwerdekirî dikare were bikar anîn da ku li ser daneyên nû pêşbîniyan bike.
Pirs û bersivên din ên vê dawiyê di derbarê Di Fêrbûna Makîneyê de pêşve diçin:
- 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?
- Ma moda dilşewat rê li ber fonksiyona hesabkirina belavkirî ya TensorFlow digire?
- Ma dikare çareseriyên ewr ên Google-ê were bikar anîn da ku hesabkirinê ji hilanînê veqetîne ji bo perwerdehiyek bikêrtir a modela ML bi daneyên mezin re?
- Ma motora Fêrbûna Makîneya Ewrê ya Google (CMLE) wergirtina çavkaniyê û veavakirina otomatîkî pêşkêşî dike û piştî ku perwerdehiya modelê qediya girtina çavkaniyê bi rê ve dibe?
- Ma gengaz e ku meriv modelên fêrbûna makîneyê li ser komikên daneya kêfî yên mezin û bê hicup perwerde bike?
- Dema ku CMLE bikar bînin, çêkirina guhertoyek hewce dike ku çavkaniyek modelek derhanîn diyar bike?
- Ma CMLE dikare ji daneyên hilanînê yên Google Cloud bixwîne û ji bo encamnameyê modelek perwerdekirî ya diyarkirî bikar bîne?
- Ma Tensorflow dikare ji bo perwerdekirin û destnîşankirina torên neuralî yên kûr (DNN) were bikar anîn?
Pir pirs û bersivan di Pêşveçûna Fêrbûna Makîneyê de bibînin