Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Прогноздық оқыту - бұл жасанды интеллект моделіне қоршаған ортаны, мүмкіндіктерін және шектеулерін түсіну үшін жаңа деректер берілетін машиналық оқыту әдісі. Нейробиологиялық ғылым, бизнес, робототехника, компьютерлік көру және басқа да салалар осы әдісті кеңінен қолданады. Бұл тұжырымдаманы француз компьютер ғалымы Янн ЛеКун 1988 жылы Белл зертханасында өзінің мансабы кезінде дамытып, кеңейтті. Ол қаржы компанияларының чек өңдеуді автоматтандыруы үшін қолжазбаны анықтау үшін модельдерді оқытты. Алдын ала оқытудың математикалық негізі 17 ғасырға жатады, онда британдық сақтандыру компаниясы Ллойд пайда табу үшін болжамды талдау модельдерін қолданды. Математикалық ұғым ретінде басталған бұл ұғым жасанды интеллект мүмкіндіктерін кеңейтті. Болжамды оқыту - бұл алдын ала бар ақыл-ой құрылымымен үйренудің әрекеті. Бұл Пиажедің балалар әлем туралы білімді өзара әрекеттесу арқылы құрастыратыны туралы баяндауынан шықты. Гари Дресчердің "Мадеу-ап ми" атты кітабы осы ұғымның дамуына үлкен ықпал етті. Алдын ала болжаулар мен санадан тыс қорытындыларды ми әлемнің моделін құру үшін пайдаланады деген идея, онда ол қабылдау себептерін анықтай алады, бұл зерттеудің Герман фон Гельмгольцтің қайталануына дейін барады. Бұл идеялар кейіннен болжамды кодтау саласында қолданылды. Басқа бір сабақтас болжамды оқыту теориясы - Джефф Хокинстің "Ақылдылық туралы" кітабында жазылған естелік болжау жүйесі.
Predictive learning is a machine learning technique where an artificial intelligence model is fed new data to develop an understanding of its environment, capabilities, and limitations. The fields of neuroscience, business, robotics, computer vision, and other fields employ this technique extensively. This concept was developed and expanded by French computer scientist Yann LeCun in 1988 during his career at Bell Labs, where he trained models to detect handwriting so that financial companies could automate check processing. The mathematical foundation for predictive learning dates back to the 17th century, where the British insurance company Lloyd's used predictive analytics models to make a profit. Starting out as a mathematical concept, this concept expanded the possibilities of artificial intelligence. Predictive learning is an attempt to learn with a minimum of pre existing mental structure. It was inspired by Piaget's account of children constructing knowledge of the world through interaction. Gary Drescher's book 'Made up Minds' was crucial to the development of this concept. The idea that predictions and unconscious inference are used by the brain to construct a model of the world, in which it can identify causes of percepts, goes back even further to Hermann von Helmholtz's iteration of this study. Those ideas were later picked up in the field of predictive coding. Another related predictive learning theory is Jeff Hawkins' memory prediction framework, which is laid out in his book On Intelligence.
Оқыту процесі
Машиналық оқытумен ұқсас, болжамды оқыту x = (x1, x2, , xn) тәуелсіз кіріс деректерін ескере отырып, белгісіз тәуелді айнымалының y мәнін экстраполяциялауды мақсат етеді. Атрибуттар жиынтығын категориалды деректерге (жыныс, нәсіл немесе қатысы бар сияқты өлшенбейтін факторлар) және сандық деректерге (температура, жылдық табыс және орташа жылдамдық сияқты өлшенетін мәндер) жіктеуге болады. Әрбір кіріс мәні нейрондық желіге қосылып, y мәнін болжайды. Шығысты дәл болжау үшін нейрондық желі салмақтары (әр бір болжаушы айнымалының нәтижеге қаншалықты әсер ететінін білдіретін) нақты деректерге жақын болжамдар жасау үшін стохастикалық градиент түсуді қолдана отырып, бірте-бірте түзетілуі керек. Машиналық оқыту моделіне нақты мәндерге жақын мәндерді болжау үшін жеткілікті түзетулер мен оқыту берілгеннен кейін, ол нақты деректерге қарағанда аз қателікпен (әдетте ε < 0,001) жаңа деректердің шығыстарын дұрыс болжауға қабілетті болуы керек.
Similar to machine learning, predictive learning aims to extrapolate the value of an unknown dependent variable y, given independent input data x = (x1, x2, , xn). A set of attributes can be classified into categorical data (immeasurable factors such as race, sex, or affiliation) and numerical data (measurable values such as temperature, annual income, and average speed). Every set of input values is fed into a neural network to predict a value y. In order to predict the output accurately, the weights of the neural network (representing how much each predictor variable affects the outcome) must be incrementally adjusted using stochastic gradient descent to make estimates closer to the actual data. Once a machine learning model is given enough adjustments and training to predict values closer to the actual values, it should be able to correctly predict outputs of the new data with little error ε, (usually ε < 0.001) compared to the actual data.
Әлеуметтік медиа тұтынушысының мінез-құлқы
Жақында жүргізілген зерттеуде тұтынушылардың мінез-құлқы туралы мәліметтер Facebook, Twitter, LinkedIn, YouTube, Instagram және Pinterest сияқты түрлі әлеуметтік желілер арқылы жиналды. Прогноздық оқытудың аналитикалық әдістерін қолдану зерттеушілерді тұтынушылардың мінез-құлқындағы әртүрлі үрдістерді анықтауға, мысалы, науқанның қаншалықты табысты болатынын анықтау, тұтынушыларды тарту үшін өнімнің әділ бағасын бағалау, деректердің қаншалықты қауіпсіз екенін бағалау және нақты өнімдер үшін мақсаттай алатын тұтынушылардың нақты аудиториясын талдау.
In a recent study, data on consumer behavior was collected from various social media platforms such as Facebook, Twitter, LinkedIn, YouTube, Instagram, and Pinterest. The usage of predictive learning analytics led researchers to discover various trends in consumer behavior, such as determining how successful a campaign could be, estimating a fair price for a product to attract consumers, assessing how secure data is, and analyzing the specific audience of the consumers they could target for specific products.