- ຄໍາສັບ (A ຫາ D)
- ການຄວບຄຸມຄວາມສາມາດ AI
- AI Ops
- ອັນລະບັ້ມ
- ການປະຕິບັດຊັບສິນ
- ຕົວເຂົ້າລະຫັດອັດຕະໂນມັດ
- ການຂະຫຍາຍພັນ
- Bayes Theorem
- Big Data
- Chatbot: ຄູ່ມືເລີ່ມຕົ້ນ
- ການຄິດໄລ່ຄອມພິວເຕີ້
- Computer Vision
- ມາຕຣິກເບື້ອງສັບສົນ
- ເຄືອຂ່າຍ Neural ການແກ້ໄຂ
- Cybersecurity
- ຜ້າຂໍ້ມູນ
- ການເລົ່າເລື່ອງຂໍ້ມູນ
- ວິທະຍາສາດຂໍ້ມູນ
- ສາງຂໍ້ມູນ
- ຕົ້ນໄມ້ຕັດສິນໃຈ
- Deepfakes
- Deep Learning
- ການຮຽນຮູ້ການເສີມສ້າງແບບເລິກເຊິ່ງ
- ພັດທະນາ
- DevSecOps
- ຮູບແບບການແຜ່ກະຈາຍ
- Digital Twin
- ການຫຼຸດຜ່ອນມິຕິ
- ຄໍາສັບ (E ຫາ K)
- ຂອບ AI
- ອາລົມ AI
- ການຮຽນຮູ້ຂອງກຸ່ມ
- Hacking ດ້ານຈັນຍາບັນ
- ETL
- AI ທີ່ສາມາດອະທິບາຍໄດ້
- ການຮຽນຮູ້ແບບລັດຖະບານກາງ
- FinOps
- AI ສ້າງ
- ເຄືອຂ່າຍ Adversarial ທົ່ວໄປ
- Generative vs. ຈໍາແນກ
- Gradient Boosting
- Gradient Descent
- ການຮຽນຮູ້ການຍິງຈໍານວນຫນ້ອຍ
- ການຈັດປະເພດຮູບພາບ
- ການດໍາເນີນງານ IT (ITOPs)
- ອັດຕະໂນມັດເຫດການ
- ອິດທິພົນວິສະວະກໍາ
- K-Means Clustering
- K-ເພື່ອນບ້ານໃກ້ທີ່ສຸດ
- ຄໍາສັບ (L ຫາ Q)
- ຄໍາສັບ (R ຫາ Z)
- ການຮຽນຮູ້ການເສີມສ້າງ
- AI ຮັບຜິດຊອບ
- RLHF
- ອັດຕະໂນມັດຂະບວນການຫຸ່ນຍົນ
- ມີໂຄງສ້າງທຽບກັບບໍ່ມີໂຄງສ້າງ
- ການວິເຄາະຄວາມຮູ້ສຶກ
- ມີການຄວບຄຸມເບິ່ງແຍງ vs ບໍ່ມີການຄວບຄຸມ
- ຮອງຮັບເຄື່ອງຈັກ Vector
- ຂໍ້ມູນສັງເຄາະ
- ສື່ສັງເຄາະ
- ການຈັດປະເພດຂໍ້ຄວາມ
- TinyML
- ຖ່າຍທອດການຮຽນຮູ້
- Transformer Neural Networks
- ການທົດສອບ Turing
- ການຄົ້ນຫາຄວາມຄ້າຍຄືກັນຂອງ vector
ໄອ 101
Few-Shot Learning ແມ່ນຫຍັງ?
ສາລະບານ
ການຮຽນຮູ້ການຍິງໜ້ອຍໜຶ່ງໝາຍເຖິງຄວາມຫຼາກຫຼາຍຂອງສູດການຄິດໄລ່ ແລະເຕັກນິກທີ່ໃຊ້ເພື່ອພັດທະນາຕົວແບບ AI ໂດຍໃຊ້ຂໍ້ມູນການຝຶກອົບຮົມໜ້ອຍຫຼາຍ. ຄວາມພະຍາຍາມໃນການຮຽນຮູ້ການຍິງໜ້ອຍໜຶ່ງເພື່ອໃຫ້ຕົວແບບ AI ຮັບຮູ້ ແລະຈັດປະເພດຂໍ້ມູນໃໝ່ ຫຼັງຈາກທີ່ໄດ້ສຳຜັດກັບຕົວຢ່າງການຝຶກອົບຮົມໜ້ອຍໜຶ່ງ. ການຝຶກອົບຮົມການສັກຢາບໍ່ຫຼາຍປານໃດແມ່ນກົງກັນຂ້າມກັບວິທີການແບບດັ້ງເດີມຂອງແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ, ບ່ອນທີ່ຂໍ້ມູນການຝຶກອົບຮົມຈໍານວນຫຼວງຫຼາຍແມ່ນຖືກນໍາໃຊ້. ການຮຽນຮູ້ການສັກຢາຈໍານວນຫນ້ອຍແມ່ນ ການນໍາໃຊ້ຕົ້ນຕໍໃນວິໄສທັດຄອມພິວເຕີ.
ເພື່ອພັດທະນາ intuition ທີ່ດີກວ່າສໍາລັບການຮຽນຮູ້ການສັກຢາຈໍານວນຫນ້ອຍ, ໃຫ້ກວດເບິ່ງແນວຄວາມຄິດໃນລາຍລະອຽດເພີ່ມເຕີມ. ພວກເຮົາຈະກວດເບິ່ງແຮງຈູງໃຈ ແລະແນວຄວາມຄິດທີ່ຢູ່ເບື້ອງຫຼັງການຮຽນຮູ້ຍິງບໍ່ຫຼາຍປານໃດ, ສຳຫຼວດບາງປະເພດຕ່າງໆຂອງການຮຽນຮູ້ການຍິງໜ້ອຍໜຶ່ງ, ແລະ ກວມເອົາບາງຕົວແບບທີ່ໃຊ້ໃນການຮຽນການຍິງໜ້ອຍໜຶ່ງໃນລະດັບສູງ. ສຸດທ້າຍ, ພວກເຮົາຈະກວດເບິ່ງບາງຄໍາຮ້ອງສະຫມັກສໍາລັບການຮຽນຮູ້ການສັກຢາບໍ່ຫຼາຍປານໃດ.
ການຮຽນຮູ້ Few-Shot ແມ່ນຫຍັງ?
“ການຮຽນຮູ້ແບບຍິງໜ້ອຍໜຶ່ງ” ອະທິບາຍເຖິງການປະຕິບັດຂອງການຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ ດ້ວຍປະລິມານຂໍ້ມູນໜ້ອຍທີ່ສຸດ. ໂດຍປົກກະຕິ, ຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນໄດ້ຮັບການຝຶກອົບຮົມໃນປະລິມານຂະຫນາດໃຫຍ່ຂອງຂໍ້ມູນ, ຂະຫນາດໃຫຍ່ທີ່ດີກວ່າ. ແນວໃດກໍ່ຕາມ, ການຮຽນຮູ້ບໍ່ຫຼາຍປານໃດແມ່ນເປັນແນວຄວາມຄິດການຮຽນຮູ້ເຄື່ອງຈັກທີ່ສໍາຄັນສໍາລັບເຫດຜົນທີ່ແຕກຕ່າງກັນບໍ່ຫຼາຍປານໃດ.
ເຫດຜົນຫນຶ່ງສໍາລັບການນໍາໃຊ້ການຮຽນຮູ້ແບບບໍ່ຫຼາຍປານໃດແມ່ນວ່າມັນສາມາດຕັດຈໍານວນຂໍ້ມູນທີ່ຈໍາເປັນໃນການຝຶກອົບຮົມແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊິ່ງຕັດເວລາທີ່ຈໍາເປັນເພື່ອຕິດປ້າຍຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ລົງ. ເຊັ່ນດຽວກັນ, ການຮຽນຮູ້ການສັກຢາບໍ່ຫຼາຍປານໃດຫຼຸດຜ່ອນຄວາມຕ້ອງການທີ່ຈະເພີ່ມລັກສະນະສະເພາະສໍາລັບວຽກງານຕ່າງໆໃນເວລາທີ່ນໍາໃຊ້ຊຸດຂໍ້ມູນທົ່ວໄປເພື່ອສ້າງຕົວຢ່າງທີ່ແຕກຕ່າງກັນ. ການຮຽນຮູ້ການຍິງບໍ່ຫຼາຍປານໃດສາມາດເຮັດໃຫ້ຕົວແບບທີ່ເຂັ້ມແຂງແລະສາມາດຮັບຮູ້ວັດຖຸໂດຍອີງໃສ່ຂໍ້ມູນຫນ້ອຍ, ການສ້າງແບບຈໍາລອງທົ່ວໄປຫຼາຍຂຶ້ນເຊິ່ງກົງກັນຂ້າມກັບແບບຈໍາລອງທີ່ມີຄວາມຊ່ຽວຊານສູງທີ່ເປັນມາດຕະຖານ.
ການຮຽນຮູ້ການຍິງບໍ່ຫຼາຍປານໃດແມ່ນຖືກນໍາໃຊ້ຫຼາຍທີ່ສຸດໃນຂົງເຂດວິໄສທັດຄອມພິວເຕີ, ຍ້ອນວ່າລັກສະນະຂອງບັນຫາການເບິ່ງເຫັນຄອມພິວເຕີຈໍາເປັນຕ້ອງມີຂໍ້ມູນຈໍານວນຫລາຍຫຼືຮູບແບບທີ່ມີຄວາມຍືດຫຍຸ່ນ.
ໝວດ ຍ່ອຍ
ຄໍາວ່າ "ການສັກຢາຈໍານວນຫນ້ອຍ" ຕົວຈິງແລ້ວແມ່ນພຽງແຕ່ການຮຽນຮູ້ປະເພດຫນຶ່ງໂດຍໃຊ້ຕົວຢ່າງການຝຶກອົບຮົມຈໍານວນຫນ້ອຍຫຼາຍ. ເນື່ອງຈາກວ່າທ່ານກໍາລັງໃຊ້ພຽງແຕ່ "ສອງສາມ" ຕົວຢ່າງການຝຶກອົບຮົມ, ມີປະເພດຍ່ອຍຂອງການຮຽນຮູ້ການສັກຢາຈໍານວນຫນ້ອຍທີ່ຍັງກ່ຽວຂ້ອງກັບການຝຶກອົບຮົມທີ່ມີຈໍານວນຂໍ້ມູນຫນ້ອຍ. ການຮຽນຮູ້ "ຍິງດຽວ" ແມ່ນການຝຶກອົບຮົມແບບຈໍາລອງອີກປະເພດຫນຶ່ງທີ່ກ່ຽວຂ້ອງກັບການສອນແບບຈໍາລອງເພື່ອຮັບຮູ້ວັດຖຸຫຼັງຈາກເຫັນພຽງແຕ່ຫນຶ່ງຮູບຂອງວັດຖຸນັ້ນ. ຍຸດທະວິທີທົ່ວໄປທີ່ໃຊ້ໃນທົ່ວການຮຽນຮູ້ຍິງດຽວ ແລະ ການຮຽນຮູ້ການຍິງໜ້ອຍໜຶ່ງແມ່ນຄືກັນ. ຈົ່ງຈື່ໄວ້ວ່າຄໍາວ່າ "ການຍິງບໍ່ຫຼາຍປານໃດ" ການຮຽນຮູ້ອາດຈະຖືກໃຊ້ເປັນຄໍາອຸປະຖໍາເພື່ອອະທິບາຍສະຖານະການໃດກໍ່ຕາມທີ່ຕົວແບບໄດ້ຖືກຝຶກອົບຮົມດ້ວຍຂໍ້ມູນຫນ້ອຍຫຼາຍ.
ວິທີການຮຽນຮູ້ການຍິງບໍ່ຫຼາຍປານໃດ
ວິທີການຮຽນຮູ້ແບບຍິງບໍ່ຫຼາຍປານໃດສາມາດເຂົ້າກັບຫນຶ່ງໃນສາມປະເພດ: ວິທີການລະດັບຂໍ້ມູນ, ວິທີການລະດັບພາລາມິເຕີ, ແລະວິທີການທີ່ອີງໃສ່ຕົວວັດແທກ.
ວິທີການລະດັບຂໍ້ມູນ
ວິທີການລະດັບຂໍ້ມູນເພື່ອການຮຽນຮູ້ການສັກຢາບໍ່ຫຼາຍປານໃດແມ່ນງ່າຍດາຍຫຼາຍໃນແນວຄວາມຄິດ. ເພື່ອຝຶກອົບຮົມແບບຈໍາລອງໃນເວລາທີ່ທ່ານບໍ່ມີຂໍ້ມູນການຝຶກອົບຮົມພຽງພໍ, ທ່ານພຽງແຕ່ສາມາດໄດ້ຮັບຂໍ້ມູນການຝຶກອົບຮົມເພີ່ມເຕີມ. ມີເຕັກນິກຕ່າງໆທີ່ນັກວິທະຍາສາດຂໍ້ມູນສາມາດນໍາໃຊ້ເພື່ອເພີ່ມຈໍານວນຂໍ້ມູນການຝຶກອົບຮົມທີ່ພວກເຂົາມີ.
ຂໍ້ມູນການຝຶກອົບຮົມທີ່ຄ້າຍຄືກັນສາມາດສໍາຮອງຂໍ້ມູນເປົ້າຫມາຍທີ່ແນ່ນອນທີ່ທ່ານກໍາລັງຝຶກອົບຮົມຜູ້ຈັດປະເພດ. ຕົວຢ່າງ, ຖ້າທ່ານກໍາລັງຝຶກອົບຮົມຜູ້ຈັດປະເພດເພື່ອຮັບຮູ້ປະເພດຫມາສະເພາະແຕ່ຂາດຮູບພາບຫຼາຍຊະນິດຂອງຊະນິດທີ່ເຈົ້າພະຍາຍາມຈັດປະເພດ, ທ່ານສາມາດລວມເອົາຮູບພາບຂອງຫມາຈໍານວນຫຼາຍທີ່ຈະຊ່ວຍໃຫ້ຜູ້ຈັດປະເພດກໍານົດລັກສະນະທົ່ວໄປທີ່ປະກອບເປັນຫມາ. .
ການເພີ່ມຂໍ້ມູນສາມາດສ້າງຂໍ້ມູນການຝຶກອົບຮົມເພີ່ມເຕີມສໍາລັບຕົວຈັດປະເພດ. ໂດຍປົກກະຕິ, ນີ້ກ່ຽວຂ້ອງກັບການນໍາໃຊ້ການຫັນປ່ຽນກັບຂໍ້ມູນການຝຶກອົບຮົມທີ່ມີຢູ່ແລ້ວ, ເຊັ່ນ: ການຫມຸນຮູບພາບທີ່ມີຢູ່ແລ້ວເພື່ອໃຫ້ຜູ້ຈັດປະເພດກວດສອບຮູບພາບຈາກມຸມທີ່ແຕກຕ່າງກັນ. GAN ຍັງສາມາດຖືກນໍາໃຊ້ເພື່ອສ້າງຕົວຢ່າງການຝຶກອົບຮົມໃຫມ່ໂດຍອີງໃສ່ສິ່ງທີ່ພວກເຂົາຮຽນຮູ້ຈາກຕົວຢ່າງທີ່ແທ້ຈິງຈໍານວນຫນ້ອຍຂອງຂໍ້ມູນການຝຶກອົບຮົມທີ່ທ່ານມີ.
ວິທີການລະດັບພາລາມິເຕີ
Meta-learning
ວິທີການລະດັບຕົວກໍານົດການຫນຶ່ງໃນການຮຽນຮູ້ການສັກຢາຈໍານວນຫນ້ອຍກ່ຽວຂ້ອງກັບການນໍາໃຊ້ເຕັກນິກທີ່ເອີ້ນວ່າ "ການຮຽນຮູ້ແບບ meta”. Meta-learning ກ່ຽວຂ້ອງກັບ ການສອນແບບຈໍາລອງວິທີການຮຽນຮູ້ ຄຸນສົມບັດໃດສຳຄັນໃນໜ້າວຽກການຮຽນຮູ້ເຄື່ອງຈັກ. ນີ້ສາມາດເຮັດໄດ້ໂດຍການສ້າງວິທີການເພື່ອກໍານົດວິທີການພື້ນທີ່ພາລາມິເຕີຂອງຕົວແບບໄດ້ຖືກຂຸດຄົ້ນ.
Meta-learning ນຳໃຊ້ສອງຕົວແບບທີ່ແຕກຕ່າງກັນຄື: ຕົວແບບຄູ ແລະ ຮູບແບບນັກຮຽນ. ຮູບແບບ "ຄູ" ແລະ "ນັກຮຽນ". ຕົວແບບຄູຮຽນຮູ້ວິທີການຫຸ້ມຫໍ່ຕົວກໍານົດການ, ໃນຂະນະທີ່ algorithm ນັກຮຽນຮຽນຮູ້ວິທີການຮັບຮູ້ແລະຈັດປະເພດລາຍການຕົວຈິງໃນຊຸດຂໍ້ມູນ. ເພື່ອບອກວິທີອື່ນ, ຕົວແບບຂອງຄູຮຽນຮູ້ວິທີການເພີ່ມປະສິດທິພາບຕົວແບບ, ໃນຂະນະທີ່ຕົວແບບນັກຮຽນຮຽນຮູ້ວິທີການຈັດປະເພດ. ຜົນໄດ້ຮັບຂອງຕົວແບບຂອງຄູແມ່ນໃຊ້ໃນການຝຶກອົບຮົມຕົວແບບນັກຮຽນ, ສະແດງໃຫ້ເຫັນຕົວແບບນັກຮຽນວິທີການເຈລະຈາພື້ນທີ່ພາລາມິເຕີຂະຫນາດໃຫຍ່ທີ່ເປັນຜົນມາຈາກຂໍ້ມູນການຝຶກອົບຮົມຫນ້ອຍເກີນໄປ. ດັ່ງນັ້ນ "meta" ໃນການຮຽນຮູ້ meta.
ຫນຶ່ງໃນບັນຫາຕົ້ນຕໍທີ່ມີຮູບແບບການຮຽນຮູ້ບໍ່ຫຼາຍປານໃດແມ່ນວ່າພວກເຂົາສາມາດ overfit ໄດ້ຢ່າງງ່າຍດາຍກ່ຽວກັບຂໍ້ມູນການຝຶກອົບຮົມ, ຍ້ອນວ່າພວກເຂົາມັກຈະມີພື້ນທີ່ສູງ. ການຈໍາກັດພື້ນທີ່ພາລາມິເຕີຂອງຕົວແບບແກ້ໄຂບັນຫານີ້, ແລະໃນຂະນະທີ່ມັນສາມາດເຮັດໄດ້ໂດຍການໃຊ້ເຕັກນິກການປັບຕົວແບບປົກກະຕິແລະເລືອກຫນ້າທີ່ສູນເສຍທີ່ເຫມາະສົມ, ການໃຊ້ສູດການຄິດໄລ່ຂອງຄູສາມາດປັບປຸງການປະຕິບັດຂອງຕົວແບບການສັກຢາບໍ່ຫຼາຍປານໃດ.
ຮູບແບບການຈັດປະເພດການຮຽນຮູ້ແບບຍິງສອງສາມຄັ້ງ (ຕົວແບບນັກຮຽນ) ຈະພະຍາຍາມເຮັດໂດຍທົ່ວໄປໂດຍອີງໃສ່ຂໍ້ມູນການຝຶກອົບຮົມຈໍານວນນ້ອຍໆທີ່ມັນສະໜອງໃຫ້, ແລະຄວາມຖືກຕ້ອງຂອງມັນສາມາດປັບປຸງໄດ້ດ້ວຍຕົວແບບຄູເພື່ອນໍາມັນຜ່ານຊ່ອງພາລາມິເຕີມິຕິລະດັບສູງ. ສະຖາປັດຕະຍະກໍາທົ່ວໄປນີ້ແມ່ນເອີ້ນວ່າ "gradient-based" meta-learner.
ຂະບວນການອັນເຕັມທີ່ຂອງການຝຶກອົບຮົມຜູ້ຮຽນ meta ທີ່ອີງໃສ່ gradient ແມ່ນດັ່ງຕໍ່ໄປນີ້:
- ສ້າງແບບຈໍາລອງພື້ນຖານການຮຽນຮູ້ (ຄູ).
- ຝຶກອົບຮົມຕົວແບບຜູ້ຮຽນພື້ນຖານກ່ຽວກັບຊຸດສະຫນັບສະຫນູນ
- ມີການຄາດຄະເນຜົນຕອບແທນຂອງຜູ້ຮຽນຮູ້ພື້ນຖານສໍາລັບຊຸດຄໍາຖາມ
- ຝຶກອົບຮົມ meta-learner (ນັກຮຽນ) ກ່ຽວກັບການສູນເສຍທີ່ມາຈາກຄວາມຜິດພາດການຈັດປະເພດ
ການປ່ຽນແປງໃນ Meta-learning
Model-Agnostic Meta-learning ແມ່ນວິທີການທີ່ໃຊ້ເພື່ອເພີ່ມເຕັກນິກການຮຽນຮູ້ແບບ gradient-based meta-learning ທີ່ພວກເຮົາໄດ້ກ່າວມາຂ້າງເທິງ.
ດັ່ງທີ່ພວກເຮົາໄດ້ກວມເອົາຂ້າງເທິງ gradient-based meta-learner ໃຊ້ປະສົບການທີ່ຜ່ານມາທີ່ໄດ້ຮັບໂດຍຕົວແບບຂອງຄູ ເພື່ອປັບຕົວມັນເອງ ແລະ ສົ່ງການຄາດຄະເນທີ່ຖືກຕ້ອງກວ່າ ສໍາລັບຈໍານວນຂະຫນາດນ້ອຍຂອງຂໍ້ມູນການຝຶກອົບຮົມ. ຢ່າງໃດກໍ່ຕາມ, ການເລີ່ມຕົ້ນດ້ວຍຕົວກໍານົດການເບື້ອງຕົ້ນແບບສຸ່ມຫມາຍຄວາມວ່າຕົວແບບຍັງສາມາດ overfit ຂໍ້ມູນໄດ້. ເພື່ອຫຼີກເວັ້ນການນີ້, ຜູ້ຮຽນ meta "Model-agnostic" ຖືກສ້າງຂຶ້ນໂດຍການຈໍາກັດອິດທິພົນຂອງຕົວແບບຂອງຄູ / ຮູບແບບພື້ນຖານ. ແທນທີ່ຈະຝຶກອົບຮົມຕົວແບບນັກຮຽນໂດຍກົງກ່ຽວກັບການສູນເສຍສໍາລັບການຄາດຄະເນທີ່ເຮັດໂດຍຕົວແບບຂອງຄູ, ຮູບແບບນັກຮຽນແມ່ນການຝຶກອົບຮົມກ່ຽວກັບການສູນເສຍສໍາລັບການຄາດຄະເນຂອງຕົນເອງ.
ສໍາລັບທຸກໆຕອນຂອງການຝຶກອົບຮົມຜູ້ຮຽນແບບ meta-agnostic:
- ສໍາເນົາຂອງຕົວແບບ meta-learner ໃນປັດຈຸບັນແມ່ນຖືກສ້າງຂຶ້ນ.
- ສໍາເນົາແມ່ນໄດ້ຮັບການຝຶກອົບຮົມໂດຍການຊ່ວຍເຫຼືອຂອງຕົວແບບພື້ນຖານ / ຕົວແບບຄູອາຈານ.
- ສໍາເນົາສົ່ງຄືນການຄາດຄະເນສໍາລັບຂໍ້ມູນການຝຶກອົບຮົມ.
- ການສູນເສຍຄອມພິວເຕີ້ຖືກນໍາໃຊ້ເພື່ອປັບປຸງຜູ້ຮຽນ meta.
Metric-Learning
Metric-learning ວິທີການເພື່ອການອອກແບບຮູບແບບການຮຽນຮູ້ການສັກຢາບໍ່ຫຼາຍປານໃດ ປົກກະຕິແລ້ວມີສ່ວນຮ່ວມ ໄດ້ ການນໍາໃຊ້ການວັດແທກໄລຍະທາງພື້ນຖານ ເພື່ອເຮັດໃຫ້ການປຽບທຽບລະຫວ່າງຕົວຢ່າງໃນຊຸດຂໍ້ມູນ. Metric-learning algorithms ເຊັ່ນ: ໄລຍະຫ່າງຂອງ cosine ແມ່ນໃຊ້ເພື່ອຈັດປະເພດຕົວຢ່າງແບບສອບຖາມໂດຍອີງໃສ່ຄວາມຄ້າຍຄືກັນຂອງພວກມັນກັບຕົວຢ່າງທີ່ສະຫນັບສະຫນູນ. ສໍາລັບການຈັດປະເພດຮູບພາບ, ນີ້ຫມາຍຄວາມວ່າພຽງແຕ່ການຈັດປະເພດຮູບພາບໂດຍອີງໃສ່ຄວາມຄ້າຍຄືກັນຂອງລັກສະນະ superficial. ຫຼັງຈາກຊຸດຮູບພາບທີ່ສະຫນັບສະຫນູນຖືກເລືອກແລະປ່ຽນເປັນ vector ຝັງ, ດຽວກັນແມ່ນເຮັດກັບຊຸດສອບຖາມແລະຫຼັງຈາກນັ້ນຄ່າຂອງ vectors ສອງໄດ້ຖືກປຽບທຽບ, ໂດຍ classifier ເລືອກຊັ້ນທີ່ມີມູນຄ່າໃກ້ຄຽງກັບຊຸດແບບສອບຖາມ vectorized. .
ການແກ້ໄຂໂດຍອີງໃສ່ metric ກ້າວຫນ້າທາງດ້ານຫຼາຍແມ່ນ "ເຄືອຂ່າຍ prototypical”. ເຄືອຂ່າຍ Prototypical ລວບລວມຈຸດຂໍ້ມູນເຂົ້າກັນໂດຍລວມຕົວແບບກຸ່ມທີ່ມີການຈັດປະເພດໂດຍອີງໃສ່ metric ທີ່ອະທິບາຍຂ້າງເທິງ. ເຊັ່ນດຽວກັບ K-means clustering, centroids ສໍາລັບ clusters ໄດ້ຖືກຄິດໄລ່ສໍາລັບຫ້ອງຮຽນໃນຊຸດສະຫນັບສະຫນູນແລະຄໍາຖາມ. A metric ໄລຍະຫ່າງ euclidean ຖືກນໍາໃຊ້ເພື່ອກໍານົດຄວາມແຕກຕ່າງລະຫວ່າງຊຸດການສອບຖາມແລະ centroids ຂອງຊຸດສະຫນັບສະຫນູນ, ການມອບຫມາຍການສອບຖາມທີ່ຕັ້ງຊຸດສະຫນັບສະຫນູນໃດຫນຶ່ງທີ່ໃກ້ຊິດ.
ວິທີການຮຽນຮູ້ອື່ນໆທີ່ຍິງບໍ່ຫຼາຍປານໃດແມ່ນພຽງແຕ່ການປ່ຽນແປງຂອງເຕັກນິກຫຼັກທີ່ໄດ້ກວມເອົາຂ້າງເທິງ.
ຄໍາຮ້ອງສະຫມັກສໍາລັບການຮຽນຮູ້ການສັກຢາຈໍານວນຫນ້ອຍ
ການຮຽນຮູ້ບໍ່ຫຼາຍປານໃດມີຄໍາຮ້ອງສະຫມັກໃນຫຼາຍສາຂາຍ່ອຍທີ່ແຕກຕ່າງກັນຂອງວິທະຍາສາດຂໍ້ມູນ, ເຊັ່ນ: ວິໄສທັດຄອມພິວເຕີ, ການປະມວນຜົນພາສາທໍາມະຊາດ, ຫຸ່ນຍົນ, ການດູແລສຸຂະພາບ, ແລະການປະມວນຜົນສັນຍານ.
ຄໍາຮ້ອງສະຫມັກສໍາລັບການຮຽນຮູ້ການສັກຢາຈໍານວນຫນ້ອຍໃນພື້ນທີ່ວິໄສທັດຄອມພິວເຕີປະກອບມີການຮັບຮູ້ລັກສະນະປະສິດທິພາບ, ການຈັດປະເພດຮູບພາບ, ການຮັບຮູ້ວັດຖຸ, ການຕິດຕາມວັດຖຸ, ການຄາດຄະເນການເຄື່ອນໄຫວ, ແລະການທ້ອງຖິ່ນການປະຕິບັດ. ຄໍາຮ້ອງສະຫມັກການປຸງແຕ່ງພາສາທໍາມະຊາດສໍາລັບການຮຽນຮູ້ບໍ່ຫຼາຍປານໃດປະກອບມີການແປພາສາ, ການສໍາເລັດປະໂຫຍກ, ການຈັດປະເພດຄວາມຕັ້ງໃຈຂອງຜູ້ໃຊ້, ການວິເຄາະຄວາມຮູ້ສຶກ, ແລະການຈັດປະເພດຂໍ້ຄວາມຫຼາຍປ້າຍ. ການຮຽນຮູ້ການຍິງບໍ່ຫຼາຍປານໃດສາມາດຖືກນໍາໃຊ້ໃນພາກສະຫນາມຫຸ່ນຍົນເພື່ອຊ່ວຍໃຫ້ຫຸ່ນຍົນຮຽນຮູ້ກ່ຽວກັບວຽກງານຈາກການສາທິດພຽງແຕ່ຈໍານວນຫນ້ອຍ, ໃຫ້ຫຸ່ນຍົນຮຽນຮູ້ວິທີການດໍາເນີນການ, ການເຄື່ອນໄຫວ, ແລະນໍາທາງໂລກອ້ອມຮອບເຂົາເຈົ້າ. ການຄົ້ນພົບຢາບໍ່ຫຼາຍປານໃດແມ່ນພື້ນທີ່ທີ່ພົ້ນເດັ່ນຂື້ນຂອງການດູແລສຸຂະພາບຂອງ AI. ສຸດທ້າຍ, ການຮຽນຮູ້ການສັກຢາບໍ່ຫຼາຍປານໃດມີຄໍາຮ້ອງສະຫມັກສໍາລັບການປະມວນຜົນສັນຍານສຽງ, ເຊິ່ງເປັນຂະບວນການຂອງການວິເຄາະຂໍ້ມູນສຽງ, ໃຫ້ລະບົບ AI clone ສຽງໂດຍອີງໃສ່ຕົວຢ່າງຜູ້ໃຊ້ຈໍານວນຫນ້ອຍຫຼືການປ່ຽນສຽງຈາກຜູ້ໃຊ້ຫນຶ່ງໄປຫາຄົນອື່ນ.
Blogger ແລະ programmer ທີ່ມີຄວາມຊ່ຽວຊານໃນ ການຮຽນຮູ້ເຄື່ອງ ແລະ Deep Learning ຫົວຂໍ້. Daniel ຫວັງວ່າຈະຊ່ວຍໃຫ້ຄົນອື່ນນໍາໃຊ້ພະລັງງານຂອງ AI ເພື່ອຄວາມດີຂອງສັງຄົມ.