Q:
لماذا تعتبر تصورات البيانات مفيدة لخوارزميات التعلم الآلي؟
أ:يعطينا الانضباط الخاص بتصور البيانات طرقًا غير محدودة من الناحية العملية لاظهار ما يحدث مع خوارزميات التعلم الآلي. يجدر التفكير في السبب الدقيق وراء أهمية عرض البيانات ، ولماذا تحرر الكثير من القوة الإبداعية للعديد من الأشخاص الذين يشاركون في عمليات التعلم الآلي.
لفهم قيمة تخيل البيانات للتعلم الآلي ، ما عليك سوى إلقاء نظرة على أي من الخوارزميات المستخدمة لإنشاء هذه البرامج الرائدة والمبتكرة.
واحدة من أبسط هي شجرة القرار. دون الدخول في وظائف التنشيط أو الطبقات المخفية أو أي شيء من هذا القبيل ، فإن شجرة القرارات هي ببساطة مجموعات من العقد الثنائية. لكن حتى شجرة القرارات البسيطة يصعب على الأشخاص وصفها أو الكتابة عنها. يكون الأمر أسهل عندما يتم عرضه على الشاشة أو على الصفحة. عندما ترى كل عقدة وعلاقاتها بالعقد الأخرى ، يصبح الأمر برمته واضحًا بسهولة.
دعونا الآن نأخذ واحدة من أكثر أنواع خوارزمية التعلم الآلي البيزنطي تفصيلاً - الشبكة العصبية.
في بعض النواحي ، تعتبر الشبكات العصبية بالفعل مجموعات من خوارزميات التعلم الآلي. يتكون الإعداد الأساسي من طبقة إدخال وطبقات مخفية وطبقة مخرجات. تساعد وظائف التنشيط الخلايا العصبية الرقمية الفردية على معالجة المدخلات الموزونة.
يتم شرح كل هذه العناصر وكل هذه العمليات بسهولة أكبر من خلال تصوُّر البيانات مقارنةً بالأوصاف اللفظية أو المكتوبة. يمكنك القول أن الشبكة العصبية لها مدخلات مرجحة تتدفق إلى طبقة إدخال ، وأنها تتجمع في بعض الطبقات المخفية وتندمج في ناتج معين ، ولكن عندما تستخدم شخصية بصرية لإظهار كيف يعمل هذا ، فإن العين البشرية والإنسان يتمسك الدماغ بذلك بطريقة أكثر مباشرة ومفيدة.
بمعنى ما ، يمكنك رؤية قوة عرض البيانات حتى بدون أخذ التعلم الآلي في الاعتبار. بالعودة إلى أيام البرمجة الخطية ، فإن المترجمين واستوديوهات لغة الكمبيوتر ستمنح المبرمجين خيار تعيين برنامج اختبار خطوة بخطوة حيث يمكنهم فحص قيم المتغيرات في مربعات بصرية صغيرة. مرة أخرى ، ساعد هذا في إظهار ما يحدث في تنفيذ أفضل بكثير من مجرد قراءة قاعدة الشفرة.
التعلم الآلي عبارة عن برمجة شديدة الكثافة - إنها برمجة احتمالية ولهذا السبب يساعدنا تصور البيانات في التعرف على ما يحدث مع أي خوارزمية أو عملية معينة.
