Innehåll
Presenterat av: AltaML
F:
Varför är datavisualisering användbar för maskininlärningsalgoritmer?
A:
Disciplinen för datavisualisering ger oss praktiskt taget oändliga sätt att visa upp vad som händer med maskininlärningsalgoritmer. Det är värt att tänka på exakt varför datavisualisering är så viktigt och varför det frigör så mycket kreativ kraft för så många människor som engagerar sig i maskininlärningsprocesser.
För att förstå värdet av datavisualisering för maskininlärning, titta bara på någon av algoritmerna som används för att skapa dessa banbrytande och innovativa program.
En av de enklaste är beslutsträdet. Utan att komma in på aktiveringsfunktioner eller dolda lager eller något liknande är beslutsträdet helt enkelt uppsättningar av binära noder. Men även det enkla beslutsträdet är mycket svårt för människor att beskriva eller skriva om. Det är mycket lättare när det visualiseras på en skärm eller på en sida. När du ser varje nod och dess anslutningar till andra noder, blir hela saken lätt uppenbar.
Låt oss nu ta en av de mest byzantinska och utarbetade algoritmerna för maskininlärning - det neurala nätverket.
På vissa sätt är neurala nätverk verkligen samlingar av maskininlärningsalgoritmer. Den grundläggande installationen består av ett inmatningsskikt, dolda lager och ett utgångsskikt. Aktiveringsfunktionerna hjälper de enskilda digitala neuronerna att bearbeta viktade ingångar.
Alla dessa artiklar och alla dessa processer förklaras mycket lättare genom datavisualisering än genom muntliga eller skriftliga beskrivningar. Du kan säga att ett neuralt nätverk har viktade ingångar som flyter in i ett inmatningsskikt, och att de sammanfaller i ett doldt lager och konsolideras till en viss utgång, men när du använder en visuell figur för att visa hur detta fungerar, det mänskliga ögat och det mänskliga hjärnspärr på det på ett mycket mer direkt och användbart sätt.
På något sätt kan du se kraften i datavisualisering även utan att ta hänsyn till maskininlärning. Tillbaka i dagarna med linjär programmering skulle kompilatorer och datorspråkstudior ge programmerare valet att ställa in ett steg-för-steg-testprogram där de kunde inspektera värdena på variabler i små visuella rutor. Återigen hjälpte detta att visa vad som händer i en exekvering mycket bättre än att bara läsa igenom en kodbas.
Maskininlärning är hyperintensiv programmering - dess sannolika programmering och det är därför datavisualisering verkligen hjälper oss att få huvudet runt vad som händer med en viss algoritm eller process.