Машин сургалтын хүрээнд ангилагч нь тухайн оролтын өгөгдлийн цэгийн ангилал эсвэл ангиллыг урьдчилан таамаглахад сургагдсан загвар юм. Энэ нь алгоритм нь хаяглагдсан сургалтын өгөгдлөөс суралцаж, үл үзэгдэх өгөгдөл дээр таамаглал дэвшүүлдэг хяналттай сургалтын үндсэн ойлголт юм. Ангилагчийг спам илрүүлэх, сэтгэл хөдлөлийн шинжилгээ, зураг таних гэх мэт төрөл бүрийн хэрэглээнд өргөн ашигладаг.
Хэд хэдэн төрлийн ангилагч байдаг бөгөөд тус бүр нь өөр өөрийн онцлог шинж чанартай бөгөөд өөр өөр төрлийн өгөгдөл, даалгаварт тохиромжтой байдаг. Ангилагчийн зарим нийтлэг төрөлд логистик регресс, дэмжлэгийн вектор машин, шийдвэрийн мод, санамсаргүй ой, мэдрэлийн сүлжээ орно. Ангилагч бүр өөрийн гэсэн давуу болон сул талуудтай тул тэдгээрийг тодорхой хувилбаруудад тохиромжтой болгодог.
Логистик регресс нь хоёртын үр дүнгийн магадлалыг урьдчилан таамаглах шугаман ангилагч юм. Энэ нь имэйлийг спам эсэхийг урьдчилан таамаглах зэрэг хоёртын ангиллын ажилд өргөн хэрэглэгддэг. Дэмжлэгийн вектор машинууд (SVM) нь онцлог орон зайд ангиудыг хамгийн сайн тусгаарлах гипер хавтгайг олох замаар шугаман болон шугаман бус ангиллын ажлуудад үр дүнтэй байдаг.
Шийдвэрийн мод нь дотоод зангилаа бүр нь онцлог шинж чанарыг, салбар бүр нь тухайн шинж чанарт суурилсан шийдвэрийг, навчны зангилаа бүр нь ангийн шошгыг илэрхийлдэг мод шиг бүтэц юм. Санамсаргүй ой нь олон модны үр дүнг нэгтгэн таамаглах нарийвчлалыг сайжруулдаг шийдвэрийн модны нэгдэл юм. Мэдрэлийн сүлжээ, ялангуяа гүнзгий суралцах загварууд нь өгөгдлөөс нарийн төвөгтэй хэв маягийг сурч чаддаг маш уян хатан ангилагч бөгөөд дүрс, яриа таних зэрэг ажлуудад тохиромжтой болгодог.
Ангилагчийг сургах үйл явц нь загварт шошготой өгөгдлийг оруулах бөгөөд оролтын шинж чанарууд болон зорилтот ангиудын хоорондын хамаарлыг судлах боломжийг олгодог. Дараа нь загварыг үнэн зөв таамаглал гаргахад түүний гүйцэтгэлийг үнэлэхийн тулд тестийн багц гэж нэрлэгддэг тусдаа багц өгөгдөл дээр үнэлдэг. Ангилагчийн гүйцэтгэлийг үнэлэхийн тулд нарийвчлал, нарийвчлал, санах ой, F1 оноо зэрэг хэмжүүрүүдийг ихэвчлэн ашигладаг.
Google Cloud Machine Learning-ийн хүрээнд ангилагчдыг Google Cloud-ийн AI платформыг ашиглан сургаж, байрлуулж болно. Энэхүү платформ нь машин сургалтын загваруудыг өргөн цар хүрээтэй бүтээх, сургах, ашиглахад зориулсан багаж хэрэгсэл, дэд бүтцийг бий болгодог. Сервергүй таамаглалын тусламжтайгаар хэрэглэгчид сервер эсвэл дэд бүтцийг удирдах шаардлагагүйгээр шинэ өгөгдөл дээр хялбархан таамаглал дэвшүүлж, машин сургалтын загваруудыг үйлдвэрлэлийн системд саадгүй нэгтгэх боломжийг олгодог.
Ангилагч нь автоматаар ангилах, урьдчилан таамаглах ажлыг идэвхжүүлдэг машин сургалтын системийн чухал бүрэлдэхүүн хэсэг юм. Төрөл бүрийн ангилагч, тэдгээрийн хэрэглээг ойлгох нь машин сургалтын үр дүнтэй шийдлүүдийг бий болгоход маш чухал юм.
Сүүлийн үеийн бусад асуулт, хариулт EITC/AI/GCML Google Cloud Machine Learning:
- Машин сургалтын явцад том өгөгдлийн багцтай ажиллахад ямар хязгаарлалт байдаг вэ?
- Машины сургалт нь харилцан ярианы тусламж үзүүлж чадах уу?
- TensorFlow тоглоомын талбай гэж юу вэ?
- Том өгөгдлийн багц нь үнэндээ юу гэсэн үг вэ?
- Алгоритмын гиперпараметрийн зарим жишээ юу вэ?
- Ансамблийн сургалт гэж юу вэ?
- Сонгосон машин сургалтын алгоритм тохиромжгүй бол яах вэ, зөвийг нь хэрхэн сонгох вэ?
- Машин сургалтын загвар нь сургалтын явцад хяналт тавих шаардлагатай юу?
- Мэдрэлийн сүлжээнд суурилсан алгоритмд ашигладаг гол параметрүүд юу вэ?
- TensorBoard гэж юу вэ?
EITC/AI/GCML Google Cloud Machine Learning-ээс бусад асуулт, хариултуудыг харна уу