Di çarçoweya fêrbûna makîneyê de dabeşkerek modelek e ku ji bo pêşbînkirina kategorî an pola xalek daneya têketinê tête perwerde kirin. Ew di fêrbûna çavdêrîkirî de têgehek bingehîn e, ku algorîtma ji daneyên perwerdehiya binavkirî fêr dibe da ku pêşbîniyên li ser daneyên nedîtî bike. Dabeşker bi berfirehî di serîlêdanên cihêreng ên wekî tespîtkirina spam, analîzkirina hestê, naskirina wêneyê, û hêj bêtir têne bikar anîn.
Çend cureyên dabeşker hene, ku her yek ji wan taybetmendî û guncanbûna xwe ji bo celebên dane û peywiran heye. Hin cûreyên gelemperî yên dabeşker regresyona lojîstîkî, makîneyên vektorê piştgirî, darên biryarê, daristanên rasthatî, û torên neuralî hene. Her dabeşker hêz û qelsiyên xwe hene, ku wan ji bo senaryoyên taybetî guncan dike.
Regresyona lojîstîk dabeşkerek xêzik e ku îhtîmala encamek binar pêşbînî dike. Ew bi berfirehî ji bo karên dabeşkirina binary wekî pêşbînkirina ka e-nameyek spam e an na tê bikar anîn. Makîneyên vektora piştgirî (SVM) bi dîtina hîperplana ku çêtirîn çînên di cîhê taybetmendiyê de ji hev vediqetîne hem ji bo peywirên dabeşkirina xêz û hem jî nehêl bi bandor in.
Darên biryarê strukturên mîna darê ne ku her girêkek hundurîn taybetmendiyekê temsîl dike, her şax biryarek li ser bingeha wê taybetmendiyê temsîl dike, û her girêk pelek etîketek polê temsîl dike. Daristanên rasthatî komikên darên biryarê ne ku bi berhevkirina encamên pir daran rastbûna pêşbîniyê baştir dikin. Tora neuralî, nemaze modelên fêrbûna kûr, dabeşkerên pir maqûl in ku dikarin nimûneyên tevlihev ji daneyan fêr bibin, û wan ji bo karên mîna naskirina wêne û axaftinê guncan dikin.
Pêvajoya perwerdehiya dabeşkerek daneyên etîketkirî di nav modelê de vedihewîne, ku dihêle ku ew şêwaz û têkiliyên di navbera taybetmendiyên têketinê û çînên armanc de fêr bibe. Dûv re model li ser komek daneya cihê ku jê re koma testê tê gotin tê nirxandin da ku performansa wê di çêkirina pêşbîniyên rast de binirxîne. Metrîkên wekî rastbûn, rastbûn, bibîranîn, û xala F1 bi gelemperî ji bo nirxandina performansa dabeşker têne bikar anîn.
Di çarçoveya Fêrbûna Makîneya Google Cloud de, dabeşker dikarin bi karanîna Platforma AI-ê ya Google Cloud werin perwerdekirin û bicîh kirin. Ev platform amûr û binesaziyê ji bo avakirin, perwerdekirin, û bicîhkirina modelên fêrbûna makîneyê bi pîvan peyda dike. Bi pêşbîniyên bê server, bikarhêner dikarin bi hêsanî pêşbîniyan li ser daneyên nû bikin, bêyî ku hewcedariya birêvebirina servers an binesaziyê bikin, rê dide ku modelên fêrbûna makîneyê di pergalên hilberînê de bêkêmasî tevbigerin.
Dabeşker hêmanên bingehîn ên pergalên fêrbûna makîneyê ne ku karên kategorîzekirin û pêşbîniyê yên otomatîkî dikin. Fêmkirina cûreyên cûda yên dabeşker û serîlêdanên wan ji bo avakirina çareseriyên fêrbûna makîneya bandorker girîng e.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/AI/GCML Fêrbûna Makîna Ewr a Google:
- 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?
- TensorBoard çi ye?
Pirs û bersivan bêtir li EITC/AI/GCML Fêrbûna Makîneya Cloud Google-ê bibînin