AI inajifunzaje?

AI inajifunzaje?

AI inajifunzaje? , mwongozo huu unapanua mawazo makubwa katika lugha rahisi-kwa mifano, mikengeuko midogo, na mafumbo machache yasiyo kamilifu ambayo bado yanasaidia. Hebu tuingie ndani yake. 🙂

Makala unayoweza kupenda kusoma baada ya haya:

🔗 AI ya utabiri ni nini
Jinsi mifano ya ubashiri inavyotabiri matokeo kwa kutumia data ya kihistoria na ya wakati halisi.

🔗 Je, AI itavuruga sekta gani
Sekta ambazo zina uwezekano mkubwa wa kubadilishwa na otomatiki, uchanganuzi na mawakala.

🔗 GPT inawakilisha nini
Maelezo ya wazi ya kifupi cha GPT na asili.

🔗 Ujuzi wa AI ni nini
Uwezo wa kimsingi wa kujenga, kupeleka, na kusimamia mifumo ya AI.

Hivyo, ni jinsi gani hivyo? ✅

Wakati watu wanauliza AI inajifunzaje? , kwa kawaida humaanisha: jinsi gani mifano inakuwa muhimu badala ya vichezeo vya hesabu vya dhana tu. Jibu ni mapishi:

  • Lengo wazi - kazi ya kupoteza ambayo inafafanua nini "nzuri" inamaanisha. [1]

  • Data ya ubora - mbalimbali, safi, na muhimu. Kiasi husaidia; mbalimbali husaidia zaidi. [1]

  • Uboreshaji thabiti - kushuka kwa upinde rangi na hila ili kuzuia kuyumba kutoka kwenye mwamba. [1], [2]

  • Ujumla - mafanikio kwenye data mpya, sio tu seti ya mafunzo. [1]

  • Mizunguko ya maoni - tathmini, uchanganuzi wa makosa, na marudio. [2], [3]

  • Usalama na kutegemewa - linda, majaribio, na uhifadhi wa nyaraka ili isiwe fujo. [4]

Kwa misingi inayoweza kufikiwa, maandishi ya kawaida ya kujifunza kwa kina, madokezo ya kuvutia ya kuona, na kozi ya vitendo ya kuacha kufanya kazi hushughulikia mambo muhimu bila kuzama kwenye alama. [1]–[3]

AI inajifunzaje? Jibu fupi kwa Kiingereza tupu ✍️

Mfano wa AI huanza na maadili ya parameta nasibu. Inafanya utabiri. Unapata utabiri huo kwa hasara . Kisha unagusa vigezo hivyo ili kupunguza hasara kwa kutumia gradients . Rudia kitanzi hiki kwa mifano mingi hadi kielelezo kitakapoacha kuboreka (au umalize vitafunio). Hiyo ni kitanzi cha mafunzo katika pumzi moja. [1], [2]

Iwapo unataka usahihi zaidi, angalia sehemu za kushuka kwa daraja na uenezaji wa nyuma hapa chini. Kwa usuli wa haraka, unaoweza kumeng'enywa, mihadhara mifupi na maabara zinapatikana kwa wingi. [2], [3]

Misingi: data, malengo, uboreshaji 🧩

  • Data : Ingizo (x) na lengwa (y). Kadiri data inavyokuwa pana na safi, ndivyo unavyopata nafasi nzuri ya kujumlisha. Utunzaji wa data si wa kuvutia, lakini ni shujaa asiyeimbwa. [1]

  • Mfano : Chaguo za kukokotoa (f_\theta(x)) zenye vigezo (\theta). Mitandao ya neva ni rundo la vitengo rahisi ambavyo huchanganyika kwa njia ngumu-matofali ya Lego, lakini squishier. [1]

  • Lengo : Hasara (L(f_\theta(x), y)) ambayo hupima makosa. Mifano: maana ya makosa ya mraba (rejeshi) na mtambuka (uainishaji). [1]

  • Uboreshaji : Tumia mteremko wa (stochastic) kusasisha vigezo: (\theta \leftarrow \theta - \eta \nabla_\theta L). Kiwango cha kujifunza (\eta): kikubwa mno na unarukaruka; ndogo sana na unalala milele. [2]

Kwa utangulizi safi wa utendakazi wa hasara na uboreshaji, madokezo ya kawaida juu ya mbinu za mafunzo na vikwazo ni rahisi sana. [2]

Mafunzo yanayosimamiwa: jifunze kutoka kwa mifano iliyo na lebo 🎯

Wazo : Onyesha jozi za kielelezo cha ingizo na jibu sahihi. Mfano hujifunza uchoraji wa ramani (x \rightarrow y).

  • Kazi za kawaida : uainishaji wa picha, uchambuzi wa hisia, utabiri wa jedwali, utambuzi wa hotuba.

  • Hasara za kawaida : mtambuka kwa uainishaji, inamaanisha kosa la mraba kwa urejeshaji. [1]

  • Mitego : kelele za lebo, usawa wa darasa, uvujaji wa data.

  • Marekebisho : sampuli zilizopangwa, hasara kubwa, urekebishaji, na ukusanyaji wa data tofauti zaidi. [1], [2]

Kulingana na miongo kadhaa ya viwango na mazoezi ya uzalishaji, mafunzo yanayosimamiwa yanasalia kuwa kazi ngumu kwa sababu matokeo yanaweza kutabirika na vipimo ni vya moja kwa moja. [1], [3]

Kujifunza bila kusimamiwa na kujidhibiti: jifunze muundo wa data 🔍

Bila kusimamiwa hujifunza ruwaza bila lebo.

  • Kuunganisha : panga pointi zinazofanana—k-njia ni rahisi na yenye manufaa ya kushangaza.

  • Kupunguza vipimo : bana data kwa maelekezo muhimu—PCA ndiyo zana ya lango.

  • Msongamano/uundaji wa uundaji : jifunze usambazaji wa data yenyewe. [1]

Injini ya kisasa inayojisimamia yenyewe [1]

Kujifunza kwa kuimarisha: jifunze kwa kufanya na kupata maoni 🕹️

Wakala hutangamana na mazingira , hupokea zawadi , na hujifunza sera inayoongeza zawadi ya muda mrefu .

  • Vipande vya msingi : hali, hatua, malipo, sera, utendaji wa thamani.

  • Algorithms : Mafunzo ya Q, viwango vya sera, mkosoaji wa mwigizaji.

  • Ugunduzi dhidi ya unyonyaji : jaribu vitu vipya au utumie tena kinachofanya kazi.

  • Kazi ya mkopo : ni hatua gani iliyosababisha matokeo gani?

Maoni ya kibinadamu yanaweza kuongoza mafunzo wakati zawadi ni mbaya—cheo au mapendeleo husaidia kurekebisha tabia bila kusimba za zawadi kamili kwa mikono. [5]

Kujifunza kwa kina, sehemu ya nyuma, na asili ya gradient - mapigo ya moyo 🫀

Nyavu za Neural ni nyimbo za kazi rahisi. Ili kujifunza, wanategemea uenezaji wa nyuma :

  1. Pasi ya mbele : hesabu utabiri kutoka kwa pembejeo.

  2. Hasara : pima hitilafu kati ya utabiri na malengo.

  3. Pasi ya kurudi nyuma : tumia sheria ya mnyororo kuhesabu viwango vya upotezaji kwa kila kigezo.

  4. Sasisha : gusa vigezo dhidi ya gradient kwa kutumia kiboreshaji.

Lahaja kama vile kasi, RMMSrop, na Adam hufanya mafunzo kuwa ya chini sana. Mbinu za kurekebisha kama vile kuacha shule , kuoza kwa uzito , na ya kuacha mapema hujumlisha badala ya kukariri. [1], [2]

Transfoma na umakini: kwa nini wanamitindo wa kisasa wanahisi kuwa nadhifu 🧠✨

Transfoma ilibadilisha usanidi mwingi wa kawaida katika lugha na maono. Ujanja muhimu ni umakini wa kibinafsi , ambayo huruhusu mfano kupima sehemu tofauti za ingizo lake kulingana na muktadha. Usimbaji wa nafasi hushughulikia mpangilio, na umakini wa vichwa vingi huruhusu mtindo kuzingatia uhusiano tofauti mara moja. Kuongeza data mbalimbali zaidi, vigezo zaidi, mafunzo marefu-mara nyingi husaidia, pamoja na kupungua kwa mapato na kupanda kwa gharama. [1], [2]

Kujumlisha, kufaa kupita kiasi, na dansi ya upendeleo 🩰

Mwanamitindo anaweza kuboresha seti ya mafunzo na bado kuruka katika ulimwengu halisi.

  • Kutosha kupita kiasi : hukariri kelele. Kosa la mafunzo chini, kosa la mtihani juu.

  • Underfitting : rahisi sana; inakosa ishara.

  • Ubadilishanaji wa upendeleo na tofauti : utata hupunguza upendeleo lakini unaweza kuongeza tofauti.

Jinsi ya kujumlisha vizuri zaidi:

  • Data mbalimbali zaidi - vyanzo tofauti, vikoa, na matukio makali.

  • Regularization - kuacha, kuoza uzito, kuongeza data.

  • Uthibitishaji sahihi - seti safi za majaribio, uthibitisho mtambuka kwa data ndogo.

  • Mtiririko wa ufuatiliaji - usambazaji wako wa data utabadilika kwa wakati.

Mazoezi ya kufahamu hatari huangazia haya kama shughuli za mzunguko wa maisha-utawala, uchoraji wa ramani, kipimo na usimamizi-sio orodha hakiki za mara moja. [4]

Vipimo muhimu: jinsi tunavyojua kujifunza kulifanyika 📈

  • Uainishaji : usahihi, usahihi, kukumbuka, F1, ROC AUC. Data isiyosawazisha inahitaji usahihi-kumbuka mikondo. [3]

  • Rejeshi : MSE, MAE, (R^2). [1]

  • Nafasi/urejeshaji : MAP, NDCG, recall@K. [1]

  • Miundo ya uzalishaji : utata (lugha), BLEU/ROUGE/CIDER (maandishi), alama zinazotegemea CLIP (multimodal), na tathmini muhimu sana za kibinadamu. [1], [3]

Chagua vipimo vinavyolingana na athari ya mtumiaji. Kikwazo kidogo cha usahihi kinaweza kuwa kisichofaa ikiwa chanya za uwongo ndio gharama halisi. [3]

Kufunza mtiririko wa kazi katika ulimwengu halisi: mchoro rahisi 🛠️

  1. Suluhisha tatizo - fafanua pembejeo, matokeo, vikwazo, na vigezo vya mafanikio.

  2. Bomba la data - ukusanyaji, kuweka lebo, kusafisha, kugawanyika, kuongeza.

  3. Msingi - kuanza rahisi; misingi ya mstari au miti ina ushindani wa kushangaza.

  4. Kuiga mfano - jaribu familia chache: miti iliyoimarishwa kwa gradient (tabular), CNNs (picha), transfoma (maandishi).

  5. Mafunzo - ratiba, mikakati ya kiwango cha kujifunza, vituo vya ukaguzi, usahihi mchanganyiko ikiwa inahitajika.

  6. Tathmini - ablations na uchambuzi wa makosa. Angalia makosa, sio wastani tu.

  7. Upelekaji - bomba la uelekezaji, ufuatiliaji, ukataji miti, mpango wa kurejesha.

  8. Iterate - data bora, urekebishaji mzuri, au marekebisho ya usanifu.

Kesi ndogo : mradi wa kuainisha barua pepe ulianza kwa msingi rahisi wa mstari, kisha kusawazisha kibadilishaji kibadilishaji kilichofunzwa vizuri. Ushindi mkubwa haukuwa mtindo-ilikuwa inaimarisha rubriki ya lebo na kuongeza kategoria za "makali" ambazo hazijawakilishwa sana. Mara tu hizo zilipofunikwa, uthibitishaji F1 hatimaye ulifuatilia utendaji wa ulimwengu halisi. (Nafsi yako ya baadaye: shukrani sana.)

Ubora wa data, uwekaji lebo, na sanaa ya hila ya kutojidanganya 🧼

Takataka ndani, majuto. Miongozo ya kuweka lebo inapaswa kuwa thabiti, kupimika, na kukaguliwa. Makubaliano baina ya wachambuzi ni muhimu.

  • Andika rubri kwa mifano, vikasha vya kona, na vivunja-funga.

  • Kagua seti za data kwa nakala na karibu-nakala.

  • Fuatilia asili- kila mfano ulitoka wapi na kwa nini umejumuishwa.

  • Pima ufunikaji wa data dhidi ya hali halisi za watumiaji, sio tu alama safi.

Hizi zinafaa vizuri katika uhakikisho mpana na mifumo ya utawala ambayo unaweza kuifanyia kazi. [4]

Hamisha mafunzo, urekebishaji mzuri na adapta - tumia tena kinyanyua kizito ♻️

Mitindo iliyofundishwa mapema hujifunza uwakilishi wa jumla; urekebishaji mzuri huwabadilisha kwa kazi yako na data ndogo.

  • Uchimbaji wa kipengele : kufungia uti wa mgongo, treni kichwa kidogo.

  • Urekebishaji kamili : sasisha vigezo vyote kwa uwezo wa juu zaidi.

  • Mbinu zinazofaa kwa vigezo : adapta, masasisho ya kiwango cha chini cha mtindo wa LoRA-nzuri wakati hesabu ni ngumu.

  • Marekebisho ya kikoa : panga upachikaji katika vikoa; mabadiliko madogo, faida kubwa. [1], [2]

Mtindo huu wa utumiaji tena ndio sababu miradi ya kisasa inaweza kusonga haraka bila bajeti za kishujaa.

Usalama, kutegemewa na upatanishi - sehemu zisizo za hiari 🧯

Kujifunza sio tu juu ya usahihi. Unataka pia mifano ambayo ni thabiti, sawa, na iliyokaa na matumizi yaliyokusudiwa.

  • Uimara wa adui : usumbufu mdogo unaweza kupumbaza mifano.

  • Upendeleo na haki : pima utendaji wa kikundi kidogo, sio tu wastani wa jumla.

  • Ufasiri : sifa za kipengele na uchunguzi hukusaidia kuona ni kwa nini .

  • Binadamu katika kitanzi : njia za kupanda kwa maamuzi yenye utata au yenye athari kubwa. [4], [5]

Kujifunza kwa msingi wa upendeleo ni njia moja ya kisayansi ya kujumuisha uamuzi wa mwanadamu wakati malengo hayaeleweki. [5]

Maswali Yanayoulizwa Mara kwa Mara katika dakika moja - moto wa haraka ⚡

  • Kwa hivyo, kwa kweli, AI inajifunzaje? Kupitia uboreshaji wa mara kwa mara dhidi ya hasara, na viwango vya gradient vinavyoelekeza kwenye utabiri bora. [1], [2]

  • Je, data zaidi husaidia kila wakati? Kawaida, hadi kupungua kunarudi. Aina mbalimbali mara nyingi hupiga kiasi ghafi. [1]

  • Je, ikiwa lebo ni mbaya? Tumia mbinu zinazozuia kelele, rubriki bora zaidi na uzingatie mafunzo ya awali ya kujidhibiti. [1]

  • Kwa nini transfoma hutawala? Uangalifu hupima vizuri na kunasa utegemezi wa masafa marefu; zana ni kukomaa. [1], [2]

  • Nitajuaje kuwa nimemaliza mafunzo? Viwanja vya upotezaji wa uthibitishaji, vipimo hutulia, na data mpya hufanya kama inavyotarajiwa-kisha ufuatiliaji wa kuteleza. [3], [4]

Jedwali la Kulinganisha - zana unazoweza kutumia leo 🧰

Upole quirky kwa makusudi. Bei ni za maktaba za msingi-mafunzo kwa kiwango kina gharama za infra, ni wazi.

Zana Bora zaidi kwa Bei Kwa nini inafanya kazi vizuri
PyTorch Watafiti, wajenzi Bure - fungua src Grafu zinazobadilika, mfumo ikolojia thabiti, mafunzo mazuri.
Mtiririko wa Tensor Timu za uzalishaji Bure - fungua src Huduma ya watu wazima, TF Lite ya rununu; jumuiya kubwa.
kujifunza-scikit Takwimu za jedwali, msingi Bure Safi API, haraka kwa kurudia, hati nzuri.
Keras Prototypes za haraka Bure API ya kiwango cha juu juu ya TF, tabaka zinazoweza kusomeka.
JAX Watumiaji wa nguvu, utafiti Bure Uwekaji vekta otomatiki, kasi ya XLA, mitetemo ya kifahari ya hesabu.
Vibadilishaji vya Uso Vinavyokumbatiana NLP, maono, sauti Bure Mitindo iliyofundishwa, urekebishaji rahisi, vitovu bora.
Umeme Mitiririko ya kazi ya mafunzo Msingi wa bure Muundo, ukataji miti, betri za GPU nyingi zimejumuishwa.
XGBoost Ushindani wa tabular Bure Misingi thabiti, mara nyingi hushinda kwenye data iliyopangwa.
Uzito & Upendeleo Ufuatiliaji wa majaribio Daraja la bure Uzalishaji tena, linganisha kukimbia, vitanzi vya kujifunza haraka.

Hati zilizoidhinishwa za kuanza nazo: PyTorch, TensorFlow, na mwongozo nadhifu wa mwongozo wa mtumiaji wa scikit-learn. (Chagua moja, jenga kitu kidogo, rudia.)

Kupiga mbizi kwa kina: vidokezo vya vitendo vinavyokuokoa wakati halisi 🧭

  • Ratiba za viwango vya kujifunza : kuoza kwa cosine au mzunguko mmoja kunaweza kuleta mafunzo.

  • Ukubwa wa kundi : kubwa zaidi si mara zote vipimo vya uthibitishaji bora vya kutazama, sio tu matokeo.

  • Uzito init : chaguo-msingi za kisasa ni sawa; ikiwa vibanda vya mafunzo, tembelea upya uanzishaji au rekebisha tabaka za mapema.

  • Urekebishaji : kawaida ya bechi au kawaida ya safu inaweza uboreshaji laini sana.

  • Uboreshaji wa data : flips/crops/color jitter for images; kuficha/kuchanganya ishara kwa maandishi.

  • Uchanganuzi wa hitilafu : makosa ya kikundi kwa kipande-moja ya kesi inaweza kuburuta kila kitu chini.

  • Repro : kuweka mbegu, logi hyperparams, kuokoa vituo vya ukaguzi. Siku zijazo utashukuru, ninaahidi. [2], [3]

Unapokuwa na shaka, rejea mambo ya msingi. Misingi inabaki kuwa dira. [1], [2]

Sitiari ndogo ambayo inakaribia kufanya kazi 🪴

Kufundisha mwanamitindo ni kama kumwagilia mmea kwa pua ya ajabu. Dimbwi la maji kupita kiasi. Ukame mdogo sana usiofaa. Mwako unaofaa, pamoja na mwanga wa jua kutoka kwa data nzuri na virutubisho kutoka kwa malengo safi, na utapata ukuaji. Ndio, cheesy kidogo, lakini inashikilia.

AI inajifunzaje? Kuleta yote pamoja 🧾

Mfano huanza nasibu. Kupitia masasisho ya msingi wa gradient, kwa kuongozwa na hasara, hupatanisha vigezo vyake na ruwaza katika data. Uwakilishi huibuka ambao hurahisisha utabiri. Tathmini inakuambia ikiwa kujifunza ni kweli, sio kwa bahati mbaya. Na kurudia-na njia za ulinzi kwa usalama-hubadilisha onyesho kuwa mfumo unaotegemewa. Hiyo ndiyo hadithi nzima, yenye mitetemo machache ya ajabu kuliko ilivyoonekana mwanzoni. [1]–[4]

Hotuba za Mwisho - Muda Mrefu Sana, Sikusoma 🎁

  • AI inajifunzaje? Kwa kupunguza upotezaji na gradient juu ya mifano mingi. [1], [2]

  • Data nzuri, malengo yaliyo wazi, na uboreshaji thabiti hufanya kujifunza kushikamane. [1]–[3]

  • Ujumla hushinda kukariri-daima. [1]

  • Usalama, tathmini, na marudio hugeuza mawazo ya werevu kuwa bidhaa za kuaminika. [3], [4]

  • Anza rahisi, pima vyema, na uboreshe kwa kurekebisha data kabla ya kufuata usanifu wa kigeni. [2], [3]

Marejeleo

  1. Goodfellow, Bengio, Courville - Mafunzo ya Kina (maandishi ya mtandaoni bila malipo). Kiungo

  2. Stanford CS231n - Mitandao ya Kubadilisha Neural kwa Utambuzi wa Kuonekana (maelezo ya kozi na kazi). Kiungo

  3. Google - Kozi ya Kuacha Kufanya Kazi kwa Mashine: Vipimo vya Uainishaji (Usahihi, Usahihi, Kumbuka, ROC/AUC) . Kiungo

  4. NIST - Mfumo wa Usimamizi wa Hatari wa AI (AI RMF 1.0) . Kiungo

  5. OpenAI - Kujifunza kutoka kwa Mapendeleo ya Kibinadamu (muhtasari wa mafunzo yanayotegemea upendeleo). Kiungo

Pata AI ya Hivi Punde kwenye Duka Rasmi la Msaidizi wa AI

Kuhusu Sisi

Rudi kwenye blogu