Di fêrbûna makîneyê de modelek neçavdêrîkirî ji bo perwerdehiyê pêdivî bi daneya binavkirî nake ji ber ku ew armanc dike ku di nav daneyan de nimûne û têkiliyan bêyî etîketên pêşwext bibîne. Her çend fêrbûna neçaverêkirî karanîna daneya binavkirî nagire jî, model hîn jî pêdivî ye ku pêvajoyek perwerdehiyê derbas bike da ku avahiya bingehîn a daneyan fêr bibe û têgihîştinên watedar derxe. Pêvajoya perwerdehiyê ya di fêrbûna bêserûber de teknolojiyên wekî komkirin, kêmkirina mezinbûnê, û tespîtkirina anomalî vedihewîne.
Algorîtmayên komkirinê, wek K-wateya komkirinê an komkirina hiyerarşîk, bi gelemperî di fêrbûna bêserûber de têne bikar anîn da ku xalên daneyên wekhev li ser bingeha taybetmendiyên wan bi hev re kom bikin. Van algorîtmayan ji modelê re dibe alîkar ku bi dabeşkirina daneyan di koman de qalib û strukturên di nav daneyan de nas bike. Mînakî, di dabeşkirina xerîdar de, algorîtmayên komkirinê dikarin xerîdar li ser bingeha tevgera kirîna wan an agahdariya demografîk kom bikin, û rê dide karsaziyan ku bi stratejiyên kirrûbirra xwerû re beşên xerîdar ên taybetî armanc bikin.
Teknîkên kêmkirina dimensiyoneliyê, wekî Analîza Pêkhateya Sereke (PCA) an t-SNE, di fêrbûna bêserûber de jî pêdivî ye ku hejmara taybetmendiyên di daneyê de kêm bike dema ku avahiya wê ya bingehîn biparêze. Bi kêmkirina pîvana daneyê, van teknîkan ji modelê re dibe alîkar ku têkiliyên tevlihev di nav daneyan de xuya bike û şîrove bike. Mînakî, di hilberandina wêneyê de, kêmkirina dimensîyonê dikare were bikar anîn da ku wêneyan berhev bike dema ku agahdariya dîtbarî ya girîng diparêze, analîzkirin û pêvajoyên daneyên mezin hêsantir dike.
Tespîtkirina anomalî serîlêdanek din a girîng a fêrbûna neçavdêrî ye, ku model di daneyan de xêzan an qalibên neasayî yên ku ji tevgera normal vediqetin nas dike. Algorîtmayên tespîtkirina anomalî, wek Daristana Îzolasyon an SVM-ya Yek-Class, ji bo tespîtkirina çalakiyên xapînok di danûstendinên darayî, destwerdanên torê yên di ewlehiya sîberê de, an têkçûna alavên di lênihêrîna pêşdîtinê de têne bikar anîn. Van algorîtmayan di dema perwerdehiyê de qalibên normal ên di daneyan de fêr dibin û mînakên ala ku bi van şêweyan re wekî anomalî ne li hev in.
Her çend modelên fêrbûna neçavdêrî ji bo perwerdehiyê hewceyê daneya binavkirî ne jî, ew hîn jî di pêvajoyek perwerdehiyê de derbas dibin da ku strukturên bingehîn ên daneyê fêr bibin û bi teknîkên wekî komkirin, kêmkirina dimensîyonê, û tespîtkirina anormaliyê nihêrînên hêja derxînin. Bi karanîna algorîtmayên fêrbûna neçapkirî, karsaz û rêxistin dikarin di daneyên xwe de qalibên veşartî derxînin holê, biryarên agahdar bidin û di cîhana dane-rêveber a îroyîn de pêşbaziyek bidest bixin.
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