Pêvajoya afirandina algorîtmayên fêrbûnê li ser bingeha daneyên nedîtbar çend gav û ramanan vedihewîne. Ji bo ku ji bo vê armancê algorîtmayek were pêşve xistin, pêdivî ye ku meriv xwezaya daneya nedîtbar fam bike û meriv çawa dikare di karên fêrbûna makîneyê de were bikar anîn. Ka em nêzîkatiya algorîtmîkî ya afirandina algorîtmayên fêrbûnê li ser bingeha daneyên nedîtbar, bi baldarî li ser karên dabeşkirinê rave bikin.
Berî her tiştî, girîng e ku em pênase bikin ka mebesta me bi "daneyên nedîtbar" çi ye. Di çarçoweya fêrbûna makîneyê de, daneyên nedîtbar daneyên ku rasterast nayên dîtin an ji bo analîzê peyda nabin vedibêje. Ev dikare daneyên ku winda ne, ne temam, an bi rengek veşartî hene. Zehf pêşvebirina algorîtmayên ku dikarin bi bandor ji vî celebê daneyê fêr bibin û pêşbîniyên an dabeşkirina rast bikin.
Nêzîkatiyek hevpar a ji bo mijûlbûna bi daneya nedîtbar ev e ku meriv teknîkên wekî binavkirin an zêdekirina daneyan bikar bîne. Binpêkirin bi dagirtina nirxên winda yên di berhevoka daneyê de li ser bingeha şêwaz an têkiliyên ku di daneyên berdest de têne dîtin pêk tê. Ev dikare bi karanîna awayên cûrbecûr yên statîstîkî ve were kirin, wekî navgîniya navgîniyê an binavkirina paşverû. Zêdekirina daneyê, ji hêla din ve, li ser bingeha daneyên heyî çêkirina xalên daneya sentetîk ên din pêk tîne. Ev dikare bi sepandina veguheztin an tevliheviyan li daneyên berdest, bi bandor berfirehkirina koma perwerdehiyê û peydakirina bêtir agahdarî ji bo algorîtmaya fêrbûnê were kirin.
Dema ku hûn bi daneyên nedîtbar re dixebitin, girîngiyek din jî endezyariya taybetmendiyê ye. Endezyariya taybetmendiyê ji daneyên berdest bijartin an afirandina taybetmendiyên herî têkildar vedihewîne ku dikare alîkariya algorîtmaya fêrbûnê bike ku pêşbîniyên rast bike. Di rewşa daneyên nexuyan de, dibe ku ev yek bi destnîşankirin û derxistina taybetmendiyên veşartî an veşartî yên ku rasterast nayên dîtin pêk were. Mînakî, di peywirek dabeşkirina nivîsê de, hebûna hin peyvan an biwêjan dibe ku nîşana etîketa polê be, her çend di metnê de bi eşkere nehatibe gotin jî. Bi baldarî sêwirandin û hilbijartina taybetmendiyan, algorîtmaya fêrbûnê dikare bi agahdariya pêwîst were peyda kirin da ku pêşbîniyên rast bike.
Gava ku dane pêş-pêvajo kirin û taybetmendî hatin çêkirin, ew dem e ku meriv algorîtmayek fêrbûnê ya guncan hilbijêrin. Algorîtmayên cihêreng hene ku dikarin ji bo karên dabeşkirinê werin bikar anîn, wek darên biryarê, makîneyên vektorê piştgirî, an torên neuralî. Hilbijartina algorîtmayê bi taybetmendiyên taybetî yên daneyê û pirsgirêka di dest de ve girêdayî ye. Girîng e ku hûn bi algorîtmayên cihêreng ceribandin bikin û performansa wan bi karanîna metrîkên guncaw, wek rastbûn an xala F1 binirxînin, da ku algorîtmaya herî maqûl a ji bo peywirê diyar bikin.
Ji bilî hilbijartina algorîtmaya fêrbûnê, girîng e ku meriv pêvajoya perwerdehiyê jî binirxîne. Ev tê de dabeşkirina daneyan li komên perwerdehî û erêkirinê, û karanîna koma perwerdehiyê ji bo perwerdekirina algorîtmê û berhevoka pejirandinê ji bo nirxandina performansa wê. Girîng e ku meriv performansa algorîtmê di dema perwerdehiyê de bişopîne û li gorî hewcedariyê verastkirinan bike, wek guheztina hîperparametreyan an karanîna teknîkên rêkûpêkkirinê, da ku pêşî li zêdebûn an kêmbûn were girtin.
Gava ku algorîtmaya fêrbûnê hat perwerdekirin û pejirandin, ew dikare were bikar anîn da ku li ser daneyên nû, nedîtî pêşbîniyan bike. Ev bi gelemperî wekî qonaxa ceribandin an encamnameyê tê binav kirin. Algorîtm taybetmendiyên daneyên nedîtî wekî têketinê digire û wekî encam pêşbîniyek an dabeşkirinek çêdike. Rastiya algorîtmê dikare bi berhevkirina pêşbîniyên wê bi etîketên rastîn ên daneyên nedîtî re were nirxandin.
Afirandina algorîtmayên fêrbûnê li ser bingeha daneyên nedîtbar çend gav û ramanan vedihewîne, di nav de pêşdibistanên daneyê, endezyariya taybetmendiyê, hilbijartina algorîtmayê, û perwerdehî û pejirandin. Bi baldarî sêwirandin û bicihanîna van gavan, gengaz e ku algorîtmayên ku bi bandor ji daneyên nedîtbar fêr bibin û pêşbîniyên rast an dabeşkirinên rast bikin pêşve bibin.
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