Каква е разликата между алгоритъм за машинно обучение и евристичен и кога да се използва всеки?


Отговор 1:

Замисляли ли сте се, защо един и същ модел на ML не работи по различни проблеми?

Евристиката е проста функция (какво е това?) Или набор от правила (не само ако тогава, а иначе), за да ви помогне да моделирате данните с минимални ресурси. Защото, например, за да спестите време, казвам, че всички момчета са по-високи от момичетата. Това може да е вярно в някои случаи, но не през цялото време. И така, как мога да подобря този модел? Събирам данни от училища, въвеждам определени променливи, напр. Възраст, етническа принадлежност, тегло и т.н., след това научавам ML модел, настройвам неговия параметър и Viola! Изпълнявам се по-добре от моя прост евристичен. В този пример, ако използвате прости евристични и се представяте лошо, това е добре, защото не губите нищо. Сега си представете търговец на дребно, рекламодател, служители на реда, тези хора искат системи с висока производителност. Те искат да продават продукти, да увеличават максимално приходите, да хващат терористи. Едно просто евристично решение може да доведе до чести грешни решения, което от своя страна ще доведе до загуби по отношение на долари и човешки живот. Те биха искали надеждна система, така че ще събират данни и ще обучават ML модели. Тези модели обаче могат да се възползват допълнително от някои познания в областта. например рекламодател в сапунена компания няма да публикува своите продукти на уебсайтове за животни.

Връщам се към въпроса в горната част. Всеки модел на ML за конкретен набор от данни / проблем е по някакъв начин евристичен, но високо специализиран. Същото решение обаче не може да се приложи навсякъде и това е стремежът на съвременните и бъдещите учени в ИИ.


Отговор 2:

Евристиката обикновено е кодирана на ръка функция. Не се основава на модел, получен чрез обучение на набор от данни, но обикновено въплъщава някои здрави умения от експерти в областта.

Алгоритъмът за машинно обучение е алгоритъм, който се адаптира според данните. Например алгоритъмът за онлайн обучение е този, който продължава да адаптира своя модел за всеки пример, който вижда. Колкото по-дълго се използва, толкова по-добре става (в зависимост от класа на използваните модели, които са достатъчни за задачата).

Евристиката не се променя, а остава същата. Един чист трик е, че можем да използваме и двете: да използваме евристичен в алгоритъм за машинно обучение, за да се съсредоточим първо върху някои перспективни кандидат-модели, което може значително да ускори процеса на обучение; или използвайте машинно обучение, за да научите прост, но бърз модел, който след това може да послужи като добър евристичен.


Отговор 3:

Евристиката обикновено е кодирана на ръка функция. Не се основава на модел, получен чрез обучение на набор от данни, но обикновено въплъщава някои здрави умения от експерти в областта.

Алгоритъмът за машинно обучение е алгоритъм, който се адаптира според данните. Например алгоритъмът за онлайн обучение е този, който продължава да адаптира своя модел за всеки пример, който вижда. Колкото по-дълго се използва, толкова по-добре става (в зависимост от класа на използваните модели, които са достатъчни за задачата).

Евристиката не се променя, а остава същата. Един чист трик е, че можем да използваме и двете: да използваме евристичен в алгоритъм за машинно обучение, за да се съсредоточим първо върху някои перспективни кандидат-модели, което може значително да ускори процеса на обучение; или използвайте машинно обучение, за да научите прост, но бърз модел, който след това може да послужи като добър евристичен.


Отговор 4:

Евристиката обикновено е кодирана на ръка функция. Не се основава на модел, получен чрез обучение на набор от данни, но обикновено въплъщава някои здрави умения от експерти в областта.

Алгоритъмът за машинно обучение е алгоритъм, който се адаптира според данните. Например алгоритъмът за онлайн обучение е този, който продължава да адаптира своя модел за всеки пример, който вижда. Колкото по-дълго се използва, толкова по-добре става (в зависимост от класа на използваните модели, които са достатъчни за задачата).

Евристиката не се променя, а остава същата. Един чист трик е, че можем да използваме и двете: да използваме евристичен в алгоритъм за машинно обучение, за да се съсредоточим първо върху някои перспективни кандидат-модели, което може значително да ускори процеса на обучение; или използвайте машинно обучение, за да научите прост, но бърз модел, който след това може да послужи като добър евристичен.