Koja je razlika između algoritma strojnog učenja i heurističkog i kada ih koristiti?


Odgovor 1:

Jeste li ikad razmišljali, zašto isti model ML ne radi na različitim problemima?

Heuristika je jednostavna funkcija (što je to?) Ili skup pravila (ne samo ako-onda-drugo) kako bi vam pomogli modelirati podatke s minimalnim resursima. Jer, na primjer, da uštedim vrijeme, kažem da su svi dečki viši od djevojčica. To može biti točno u nekim slučajevima, ali ne cijelo vrijeme. Dakle, kako mogu poboljšati ovaj model? Prikupljam podatke iz škola, unosim određene varijable, npr. Dob, etničku pripadnost, težinu itd., Zatim naučim ML model, prilagodim njegove parametre i violu! Izvodim bolje od svog jednostavnog heurističkog. U ovom primjeru, ako koristite jednostavne heuristike i ako loše radite, u redu je, jer ništa ne gubite. Zamislite trgovca, oglašivača, osoblje za provedbu zakona, ti ljudi žele sustave visokih performansi. Žele prodavati proizvode, maksimizirati prihode, uhvatiti teroriste. Jednostavno heurističko rješenje može dovesti do čestih pogrešnih odluka, što će zauzvrat rezultirati gubicima u dolarima i ljudskom životu. Željeli bi imati pouzdan sustav, pa će prikupljati podatke i trenirati ML modele. Međutim, ovi će modeli možda imati koristi od nekih poznavanja domena. na primjer, oglašivač tvrtke sapunice svoje proizvode neće objavljivati ​​na web stranicama za životinje.

Vraćam se na pitanje na vrhu. Svaki ML model za određeni skup podataka / problem na neki je način heuristički, ali usko specijaliziran. Međutim, isto se rješenje ne može primijeniti svugdje, a to je težnja suvremenih i budućih znanstvenika iz AI.


Odgovor 2:

Heuristika je obično ručno kodirana funkcija. Ne temelji se na modelu dobivenom obukom na skupu podataka, ali obično utjelovljuje određenu stručnost razumnih stručnjaka domena.

Algoritam strojnog učenja je algoritam koji se prilagođava podacima. Na primjer, algoritam mrežnog učenja je onaj koji nastavlja prilagođavati svoj model za svaki primjer koji vidi. Što se duže koristi, to je bolji (ovisno o klasi modela koji se koristi dovoljni su za zadatak).

Heuristika se ne mijenja, ali ostaje ista. Jedan uredan trik je da možemo koristiti i jedno i drugo: upotrijebiti heuristiku u algoritmu strojnog učenja kako bismo se prvo usredotočili na neke obećavajuće modele kandidata, što može znatno ubrzati proces učenja; ili koristite Strojno učenje kako biste naučili jednostavan, ali brz model koji onda može poslužiti kao dobar heuristički.


Odgovor 3:

Heuristika je obično ručno kodirana funkcija. Ne temelji se na modelu dobivenom obukom na skupu podataka, ali obično utjelovljuje određenu stručnost razumnih stručnjaka domena.

Algoritam strojnog učenja je algoritam koji se prilagođava podacima. Na primjer, algoritam mrežnog učenja je onaj koji nastavlja prilagođavati svoj model za svaki primjer koji vidi. Što se duže koristi, to je bolji (ovisno o klasi modela koji se koristi dovoljni su za zadatak).

Heuristika se ne mijenja, ali ostaje ista. Jedan uredan trik je da možemo koristiti i jedno i drugo: upotrijebiti heuristiku u algoritmu strojnog učenja kako bismo se prvo usredotočili na neke obećavajuće modele kandidata, što može znatno ubrzati proces učenja; ili koristite Strojno učenje kako biste naučili jednostavan, ali brz model koji onda može poslužiti kao dobar heuristički.


Odgovor 4:

Heuristika je obično ručno kodirana funkcija. Ne temelji se na modelu dobivenom obukom na skupu podataka, ali obično utjelovljuje određenu stručnost razumnih stručnjaka domena.

Algoritam strojnog učenja je algoritam koji se prilagođava podacima. Na primjer, algoritam mrežnog učenja je onaj koji nastavlja prilagođavati svoj model za svaki primjer koji vidi. Što se duže koristi, to je bolji (ovisno o klasi modela koji se koristi dovoljni su za zadatak).

Heuristika se ne mijenja, ali ostaje ista. Jedan uredan trik je da možemo koristiti i jedno i drugo: upotrijebiti heuristiku u algoritmu strojnog učenja kako bismo se prvo usredotočili na neke obećavajuće modele kandidata, što može znatno ubrzati proces učenja; ili koristite Strojno učenje kako biste naučili jednostavan, ali brz model koji onda može poslužiti kao dobar heuristički.