ש:
מדוע הדמיית נתונים מועילה לאלגוריתמים של למידת מכונה?
ת:התחום של הדמיית נתונים נותן לנו דרכים אינסופיות כמעט להשוויץ מה קורה עם אלגוריתמים למידת מכונה. שווה לחשוב בדיוק מדוע הדמיית הנתונים חשובה כל כך, ומדוע היא משחררת כל כך הרבה כוח יצירתי לכל כך הרבה אנשים שמסתבכים בתהליכי למידת מכונה.
כדי להבין את הערך של הדמיית נתונים ללמידה של מכונות, פשוט תסתכל על כל האלגוריתמים המשמשים ליצירת תוכניות פורצות דרך וחדשניות אלה.
אחד הפשוטים ביותר הוא עץ ההחלטות. מבלי להיכנס לפונקציות הפעלה או שכבות נסתרות או משהו כזה, עץ ההחלטה הוא פשוט קבוצות של צמתים בינאריים. אבל אפילו עץ ההחלטות הפשוט קשה לאנשים לתאר או לכתוב עליו. זה הרבה יותר קל כאשר הוא מדמיין על גבי מסך או על דף. כשאתה רואה כל צומת והחיבורים שלו לצמתים אחרים, כל העניין מתגלה בקלות.
עכשיו בואו ניקח את אחד מסוגי האלגוריתמים למידת למידת מכונה ביזנטית ומפורטת ביותר - הרשת העצבית.
במובנים מסוימים, רשתות עצביות הן באמת אוספים של אלגוריתמים למידת מכונה. ההתקנה הבסיסית מורכבת משכבת קלט, שכבות נסתרות ושכבת פלט. פונקציות ההפעלה עוזרות לנוירונים הדיגיטליים האישיים לעבד תשומות משוקללות.
כל הפריטים הללו וכל התהליכים הללו מוסברים בקלות רבה יותר באמצעות הדמיית נתונים מאשר באמצעות תיאורים מילוליים או כתובים. אתה יכול לומר שלרשת עצבית יש קלילות משוקללות הזורמות לשכבת קלט, ושהן מתלכדות בשכבה נסתרת כלשהן ומתגבשות לפלט נתון, אבל כשאתה משתמש בדמות חזותית כדי להראות איך זה עובד, העין האנושית והאנושית תופס את המוח בצורה הרבה יותר ישירה ושימושית.
במובן מסוים, אתה יכול לראות את העוצמה של הדמיית נתונים גם בלי לקחת בחשבון למידת מכונה. בימים של תכנות ליניארית, מהדרים ואולפני שפת מחשבים היו נותנים למתכנתים את האפשרות לקבוע תוכנית מבחן שלב אחר שלב בה יוכלו לבדוק את ערכי המשתנים בתיבות ראייה קטנות. שוב, זה עזר להראות מה קורה בביצוע הרבה יותר טוב מאשר רק לקרוא בסיס בסיס.
למידת מכונה היא תכנות יתר-אינטנסיבית - זוהי תכנות הסתברותית וזו הסיבה שהדמיית נתונים באמת עוזרת לנו לעקוף את הראש סביב הנעשה בכל אלגוריתם או תהליך נתון.
