Forum
  • Register
תנו לנו לייק וקבלו עדכונים ישירות לפיד
ברוך הבא, אורח
שם משתמש: סיסמא: זכור אותי

דיון: Machine Learning רודף אחרי הזנב*?

Machine Learning רודף אחרי הזנב*? 9 months 4 weeks ago #8347

  • Edith Ohri
  • Edith Ohri's Avatar
  • מחובר
  • Moderator
  • הודעות: 286
  • תודות שהתקבלו 1
  • קרמה: 0
*רודף אחרי הזנב בזה שהוא מניח מראש את הידע המבוקש. זה מוגבל ולא מעמיק את הידע בניגוד למה שניתן לצפות. זה למעשה רק דיוק של פרמטרים בתחום שכבר נלמד. אם, לדוגמא, המודל שהוזן למכונה הינו שגוי, תהליך הלמידה לא יתקן אותו, הלימוד לא ישיג הבנה נוספת מעבר למה שהגדירו לה מראש

חוק #1
כלב (או חתול) שרץ מספיק זמן אחרי הזנב, יתפוס אותו בסופו של דבר.
חוק #2
כשהוא יתפוס אותו זה יכאב!
חוק #3
השגת המטרה הכואבת לא תמנע המשך הריצה-אחרי-הזנב. זה ייפסק רק עקב התרוקנות מלאי האנרגיה או שעמום...

בברכה
אדית
עריכה אחרונה: 9 months 3 weeks ago  ע''י Edith Ohri. סיבה: תיקון ניסוח
הנהלת האתר ביטלה גישת כתיבה ציבורית.

Machine Learning רודף אחרי הזנב*? המשך 7 months 2 weeks ago #8376

  • Edith Ohri
  • Edith Ohri's Avatar
  • מחובר
  • Moderator
  • הודעות: 286
  • תודות שהתקבלו 1
  • קרמה: 0
12-2016 קצת יותר מחודשיים אחרי העלאת הנושא של Machine Learning, לא התקבלו תגובות, ז"א שהכל טוב :) ולא צריך להסביר למי ולמה שולחו החיצים, מה שמעודד לכתוב המשך, אם כי (והיססתי לפני כן) לא בטוח שזה מענין בפורום שלנו. מדובר בשאלה מהותית - האם המודל המדעי בכלל תומך בכריית נתונים? שכל אחד מכם יתרגם את הקשיים בניתוח נתונים כהבנתו, בעיני המודל המדעי לא תומך ואפילו מזיק. ראשית כל חטאת היא ההנחה הסמוייה כאילו אין לחוקרים מנוסים בעיה בהעלאת תיאוריות מענינות שניתנות למבחן אוביקטיבי. זה היה נכון (אולי) לפני 400 שנה כשפרנסיס בייקון וחבריו חוללו את המהפיכה המדעית שממנה נהנו דורות רבים עד ימינו (ולא יותר).
מה שתוקע את המודל המדעי הוא קודם כל, הכשל בהקמת כללים ליצירת השערות. שנית - הכשל של המבחנים הסטטיסטיים בסביבה של נתונים לא-מפוקחים. שלישית - מדגם מיצג לא יכול ליצג בסביבה דינאמית לא ידועה. רביעית - הדבר היחיד שניתן להוציא מהמודל הקים הוא חיזוי לשוליים צרים מאד, אפסילון :), שבהם עוד ניתן להניח שהסביבה לא הספיקה להשתנות. חמישית - אין לבלבל בין חוקי התנהגות שולית טכנית כאמור לעיל, לבין חוקי התנהגות מהותיים (לשים לב, זה בנוגע ל Machine Learning). שישית וכן הלאה - לא ניתן במודל המדעי הנוכחי להגדיר תופעות נדירות, כאלה שקורות לראשונה, וסטיות לא עקביות מהחוקים - כל אלה ניטמנים לעד בווריאנס - בית הקברות הרשמי של מבחנים סטטיסטיים...
אומרים שאסור להעיר אריות ישנים אלא אם כן בידיך נתח בשר רציני. ובכן יש נתח כזה, פתרון עקרוני, ואם לתמצת אותו, זה פתרון שמסיע להבחין בדפוסי התנהגות. נקודת המוצא של הפתרון הזה הוא כניעה ללא תנאי ...למציאות, והודאה בלתי חוזרת בכך, שהדפוסים של ביג דטה הינם מורכבים הרבה-הרבה מעבר ליכולת המחשבה האנושית. כל מי שרוצה ללכת בדרך הפתרון החדש, נדרש גם להסכים לאימרה "אם הכל מסובך והולך וגדל ונהיה מורכב עוד יותר, אין ברירה, צריך לעשות אותו פשוט!". *אגב, האימרה נגזרת מחוק אוקהאם (Ockham), שקבע לפני ~700 שנה, שעדיף ההסבר הפשוט בהינתן מספר הסברים שווים.

Edith - Home of GT data mining

בברכה
אדית
הנהלת האתר ביטלה גישת כתיבה ציבורית.

Deep Learning לעומת לימוד רגיל? הסתבכות בהגדרות 1 month 4 weeks ago #8413

  • Edith Ohri
  • Edith Ohri's Avatar
  • מחובר
  • Moderator
  • הודעות: 286
  • תודות שהתקבלו 1
  • קרמה: 0
חיפשתי הגדרה של deep learning. תשובה פשוטה לא מצאתי. במיוחד גדול הסיבוך כאשר מנסים להבדיל בין לימוד מכונה ולימוד מכונה עמוק. למה עמוק? ולמה נדרשה בכלל העמקה? על כך הדברים הבאים.
זה מתחיל להתבהר, אם מגדירים במקום Machine Learning מונח צנוע יותר Machine Training שמקטין את השאיפות מלימוד כללי לאימון בלבד של המחשב לצורך דיוק פרמטרים לאחר שכבר אובחנו בידי מומחים. ההבדל הגדול בין לימוד לאימון הוא, שאימון עוסק בסביבה מוגדרת ומפוקחת, בעוד שלימוד הוא תהליך פתוח בסביבה לא ידועה ולכן גם לא ניתנת לפיקוח (אפילו אם נורא רוצים, פיקוח על מה?).
איך חוקרים מחפשים פתרון? חוקרים רבים מנסים לאתר פתרונות פרטיים שהצליחו ולהכליל אותם. זה לא עובד בביג דטה בגלל מילכוד שבינתיים כולם(!) נכנסים אליו. המילכוד הוא בעצם ההנחה, לפיה התבונה האנושית היא הפסגה שהתבונה המלאכותית יכולה להגיע אליה. ההנחה תוקעת "גול עצמי" במה שנוגע לביג דטה, שבו ברור מראש, שכמות המשתנים גדולה מעבר לכל מה שתבונה אנושית יכולה להבין והנסיון לחקות את ההגיון האנושי, אם כך, לא יצלח, והפתרונות הפרטיים שחוקרים ינסו להכליל ישקעו בבוץ של הגדרות ונסיונות חילוץ מהבוץ...

מה הפתרון ללימוד מכונה? מכלל לאו נשמע הן. אחזור כדי להדגיש - רק במקרים פרטיים שבהם דפוסי ההתנהגות ידועים מראש, אפשר לקפוץ ישר לשלב האימון, וההישג המירבי שאפשר להגיע אליו באימון, במידה והוא יתכנס לפרמטרים מדויקים, וגם זה לא בטוח, זה אישור למה שכבר ידוע.
לימוד מכונה שמטרתו הבנת התנהגות, מתחיל באבחון דפוסי התנהגות (לפי חוקי מדע הנתונים החדש, בפורום הזה וב ResrachGate). בדפוסי ההתנהגות נמצאים גורמים משפיעים שהם אותם פרמטרים שמנסים לדייק ב-Training. אפשר לראות במודל מדע הנתונים החדש, מודל שמשתמש ב-AI כדי ליצור נוסחאות AI. אגב, אין מה להיבהל, השימוש במחשב לייצור תכניות מחשב קים מזה עשרות שנים בעולם התכנה ואפילו בהנדסת ייצור - לדוגמא CAD/CAM.

בברכה
אדית
עריכה אחרונה: 1 month 4 weeks ago  ע''י Edith Ohri. סיבה: תיקון ניסוח
הנהלת האתר ביטלה גישת כתיבה ציבורית.
מנהלים: Edith Ohri
זמן יצירת העמוד: 0.183 שניות

Sap

Oracle

Informatica

SAS

Microstrategy

IBM

Microsoft

Qlikview

Teradata

Webfocus

קליק אחד ואתם מחוברים. מהיר .קל .מאובטח.

מעניין? שתפו דף זה באמצעות הטלפון הנייד

DWH :: דיון: Machine Learning רודף אחרי הזנב*? (1/1) - QR Code Friendly
Powered by QR Code Friendly

מאמרים

מגמות של ביג דאטה בעולם הביטוח
CA Technologies
SSIS - Buffer Size Optimization
קטגוריה ראשית
בדיקות BI ו-DWH לעומת הבדיקות בתחומים אחרים
קטגוריה ראשית
איסוף דרישות לפרויקטי BI
קטגוריה ראשית
כח המידע במיקוד
קטגוריה ראשית
0

הדף שלנו בפייסבוק

התחברות

כניסות למאמרים
6442696