- 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
Bayes Theorem ແມ່ນຫຍັງ?
ສາລະບານ
ຖ້າທ່ານໄດ້ຮຽນຮູ້ກ່ຽວກັບວິທະຍາສາດຂໍ້ມູນຫຼືການຮຽນຮູ້ເຄື່ອງຈັກ, ມີໂອກາດທີ່ດີທີ່ທ່ານໄດ້ຍິນ ຄໍາວ່າ "ທິດສະດີ Bayes" ກ່ອນ, ຫຼື "ຕົວຈັດປະເພດ Bayes". ແນວຄວາມຄິດເຫຼົ່ານີ້ອາດຈະສັບສົນເລັກນ້ອຍ, ໂດຍສະເພາະຖ້າທ່ານບໍ່ຄຸ້ນເຄີຍກັບການຄິດເຖິງຄວາມເປັນໄປໄດ້ຈາກທັດສະນະສະຖິຕິແບບດັ້ງເດີມ, ເລື້ອຍໆ. ບົດຄວາມນີ້ຈະພະຍາຍາມອະທິບາຍຫຼັກການທີ່ຢູ່ເບື້ອງຫຼັງ Bayes Theorem ແລະວິທີທີ່ມັນຖືກນໍາໃຊ້ໃນການຮຽນຮູ້ເຄື່ອງຈັກ.
Bayes Theorem ແມ່ນຫຍັງ?
Bayes Theorem ແມ່ນວິທີການຂອງ ການຄິດໄລ່ຄວາມເປັນໄປໄດ້ຕາມເງື່ອນໄຂ. ວິທີການແບບດັ້ງເດີມຂອງການຄິດໄລ່ຄວາມເປັນໄປໄດ້ຕາມເງື່ອນໄຂ (ຄວາມເປັນໄປໄດ້ທີ່ເຫດການຫນຶ່ງເກີດຂື້ນໂດຍການເກີດຂອງເຫດການທີ່ແຕກຕ່າງກັນ) ແມ່ນການໃຊ້ສູດຄວາມເປັນໄປໄດ້ຕາມເງື່ອນໄຂ, ການຄິດໄລ່ຄວາມເປັນໄປໄດ້ຮ່ວມກັນຂອງເຫດການຫນຶ່ງແລະເຫດການສອງທີ່ເກີດຂຶ້ນໃນເວລາດຽວກັນ, ແລະຫຼັງຈາກນັ້ນແບ່ງອອກ. ໂດຍຄວາມເປັນໄປໄດ້ຂອງເຫດການສອງເກີດຂຶ້ນ. ຢ່າງໃດກໍ່ຕາມ, ຄວາມເປັນໄປໄດ້ຕາມເງື່ອນໄຂຍັງສາມາດຖືກຄິດໄລ່ໃນຮູບແບບທີ່ແຕກຕ່າງກັນເລັກນ້ອຍໂດຍໃຊ້ Bayes Theorem.
ເມື່ອຄິດໄລ່ຄວາມເປັນໄປໄດ້ຕາມເງື່ອນໄຂກັບທິດສະດີ Bayes, ທ່ານໃຊ້ຂັ້ນຕອນຕໍ່ໄປນີ້:
- ກໍານົດຄວາມເປັນໄປໄດ້ຂອງເງື່ອນໄຂ B ເປັນຄວາມຈິງ, ສົມມຸດວ່າເງື່ອນໄຂ A ເປັນຄວາມຈິງ.
- ກໍານົດຄວາມເປັນໄປໄດ້ຂອງເຫດການ A ເປັນຄວາມຈິງ.
- ຄູນສອງຄວາມເປັນໄປໄດ້ຮ່ວມກັນ.
- ແບ່ງຕາມຄວາມເປັນໄປໄດ້ຂອງເຫດການ B ທີ່ເກີດຂື້ນ.
ນີ້ຫມາຍຄວາມວ່າສູດສໍາລັບ Bayes Theorem ສາມາດສະແດງອອກເຊັ່ນນີ້:
P(A|B) = P(B|A)*P(A) / P(B)
ການຄິດໄລ່ຄວາມເປັນໄປໄດ້ຕາມເງື່ອນໄຂເຊັ່ນນີ້ແມ່ນເປັນປະໂຫຍດໂດຍສະເພາະເມື່ອຄວາມເປັນໄປໄດ້ຂອງເງື່ອນໄຂທີ່ກົງກັນຂ້າມສາມາດຖືກຄິດໄລ່ໄດ້ງ່າຍ, ຫຼືໃນເວລາທີ່ການຄິດໄລ່ຄວາມເປັນໄປໄດ້ຮ່ວມກັນຈະທ້າທາຍເກີນໄປ.
ຕົວຢ່າງຂອງ Bayes Theorem
ອັນນີ້ອາດຈະງ່າຍຂຶ້ນໃນການຕີຄວາມໝາຍຖ້າພວກເຮົາໃຊ້ເວລາເບິ່ງຢູ່ ຍົກຕົວຢ່າງ ວິທີທີ່ທ່ານຈະນໍາໃຊ້ເຫດຜົນ Bayesian ແລະ Bayes Theorem. ໃຫ້ສົມມຸດວ່າທ່ານກໍາລັງຫຼິ້ນເກມທີ່ງ່າຍດາຍທີ່ຜູ້ເຂົ້າຮ່ວມຫຼາຍຄົນບອກທ່ານເລື່ອງຫນຶ່ງແລະທ່ານຕ້ອງກໍານົດວ່າຫນຶ່ງໃນຜູ້ເຂົ້າຮ່ວມໄດ້ຕົວະທ່ານ. ໃຫ້ພວກເຮົາຕື່ມຂໍ້ມູນໃສ່ໃນສົມຜົນຂອງ Bayes Theorem ດ້ວຍຕົວແປໃນສະຖານະການສົມມຸດຕິຖານນີ້.
ພວກເຮົາພະຍາຍາມຄາດຄະເນວ່າແຕ່ລະຄົນໃນເກມຈະຕົວະຫຼືເວົ້າຄວາມຈິງ, ດັ່ງນັ້ນຖ້າມີຜູ້ຫຼິ້ນສາມຄົນນອກຈາກເຈົ້າ, ຕົວແປປະເພດສາມາດສະແດງອອກເປັນ A1, A2, ແລະ A3. ຫຼັກຖານສໍາລັບການຕົວະ / ຄວາມຈິງຂອງພວກເຂົາແມ່ນພຶດຕິກໍາຂອງພວກເຂົາ. ເຊັ່ນດຽວກັນກັບເວລາຫຼີ້ນໂປ໊ກເກີ, ເຈົ້າຈະຊອກຫາ "ບອກ" ບາງຢ່າງວ່າຄົນຂີ້ຕົວະແລະໃຊ້ຂໍ້ມູນເຫຼົ່ານັ້ນເພື່ອບອກການຄາດເດົາຂອງເຈົ້າ. ຫຼືຖ້າທ່ານໄດ້ຮັບອະນຸຍາດໃຫ້ຖາມພວກເຂົາ, ມັນຈະເປັນຫຼັກຖານໃດໆທີ່ເລື່ອງຂອງເຂົາເຈົ້າບໍ່ໄດ້ເພີ່ມ. ພວກເຮົາສາມາດເປັນຕົວແທນຂອງຫຼັກຖານທີ່ວ່າບຸກຄົນໃດຫນຶ່ງໄດ້ນອນເປັນ B.
ເພື່ອໃຫ້ຈະແຈ້ງ, ພວກເຮົາກໍາລັງມຸ່ງຫວັງທີ່ຈະຄາດຄະເນຄວາມເປັນໄປໄດ້ (A ແມ່ນການຕົວະ / ບອກຄວາມຈິງ| ໃຫ້ຫຼັກຖານຂອງພຶດຕິກໍາຂອງພວກເຂົາ). ເພື່ອເຮັດສິ່ງນີ້, ພວກເຮົາຕ້ອງການຄິດໄລ່ຄວາມເປັນໄປໄດ້ຂອງ B ທີ່ໃຫ້ A, ຫຼືຄວາມເປັນໄປໄດ້ທີ່ພຶດຕິກໍາຂອງພວກເຂົາຈະເກີດຂື້ນກັບຄົນທີ່ເວົ້າຕົວະຫຼືເວົ້າຄວາມຈິງ. ທ່ານກໍາລັງພະຍາຍາມກໍານົດພາຍໃຕ້ເງື່ອນໄຂທີ່ພຶດຕິກໍາທີ່ທ່ານກໍາລັງເຫັນຈະມີຄວາມຫມາຍຫຼາຍທີ່ສຸດ. ຖ້າມີສາມພຶດຕິກໍາທີ່ເຈົ້າເປັນພະຍານ, ເຈົ້າຈະຄິດໄລ່ສໍາລັບແຕ່ລະພຶດຕິກໍາ. ຕົວຢ່າງ, P(B1, B2, B3 * A). ຫຼັງຈາກນັ້ນທ່ານຈະເຮັດສິ່ງນີ້ສໍາລັບການປະກົດຕົວຂອງ A / ສໍາລັບທຸກໆຄົນໃນເກມນອກຈາກຕົວທ່ານເອງ. ນັ້ນແມ່ນສ່ວນຂອງສົມຜົນຂ້າງເທິງນີ້:
P(B1, B2, B3,|A) * P|A
ສຸດທ້າຍ, ພວກເຮົາພຽງແຕ່ແບ່ງມັນໂດຍຄວາມເປັນໄປໄດ້ຂອງ B.
ຖ້າພວກເຮົາໄດ້ຮັບຫຼັກຖານໃດໆກ່ຽວກັບຄວາມເປັນໄປໄດ້ທີ່ແທ້ຈິງໃນສົມຜົນນີ້, ພວກເຮົາຈະສ້າງແບບຈໍາລອງຄວາມເປັນໄປໄດ້ຂອງພວກເຮົາໃຫມ່, ພິຈາລະນາຫຼັກຖານໃຫມ່. ອັນນີ້ເອີ້ນວ່າການປັບປຸງກ່ອນໜ້າຂອງເຈົ້າ, ເມື່ອທ່ານອັບເດດສົມມຸດຕິຖານຂອງເຈົ້າກ່ຽວກັບຄວາມເປັນໄປໄດ້ກ່ອນໜ້າຂອງເຫດການທີ່ສັງເກດໄດ້ເກີດຂຶ້ນ.
ຄໍາຮ້ອງສະຫມັກການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບທິດສະດີ Bayes
ການນໍາໃຊ້ທົ່ວໄປທີ່ສຸດຂອງທິດສະດີ Bayes ໃນເວລາທີ່ມັນມາກັບການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຢູ່ໃນຮູບແບບຂອງ Naive Bayes algorithm.
Naive Bayes ຖືກໃຊ້ສໍາລັບການຈັດປະເພດຊຸດຂໍ້ມູນສອງຊັ້ນແລະຫຼາຍຊັ້ນ, Naive Bayes ໄດ້ຮັບຊື່ຂອງມັນເພາະວ່າຄ່າທີ່ຖືກມອບໃຫ້ຫຼັກຖານ / ຄຸນລັກສະນະຂອງພະຍານ - Bs ໃນ P (B1, B2, B3 * A) - ຖືວ່າເປັນເອກະລາດ. ຂອງກັນແລະກັນ. ມັນສົມມຸດວ່າຄຸນລັກສະນະເຫຼົ່ານີ້ບໍ່ມີຜົນກະທົບເຊິ່ງກັນແລະກັນເພື່ອເຮັດໃຫ້ຕົວແບບງ່າຍດາຍແລະເຮັດໃຫ້ການຄິດໄລ່ເປັນໄປໄດ້, ແທນທີ່ຈະພະຍາຍາມວຽກງານທີ່ສັບສົນຂອງການຄິດໄລ່ຄວາມສໍາພັນລະຫວ່າງແຕ່ລະຄຸນລັກສະນະ. ເຖິງວ່າຈະມີຮູບແບບທີ່ງ່າຍດາຍນີ້, Naive Bayes ມັກຈະປະຕິບັດໄດ້ດີເປັນວິທີການຈັດປະເພດ, ເຖິງແມ່ນວ່າສົມມຸດຕິຖານນີ້ອາດຈະບໍ່ເປັນຄວາມຈິງ (ເຊິ່ງສ່ວນຫຼາຍແມ່ນ).
ນອກນັ້ນຍັງມີ ຕົວແປທີ່ໃຊ້ທົ່ວໄປ ຂອງປະເພດ Naive Bayes ເຊັ່ນ Multinomial Naive Bayes, Bernoulli Naive Bayes, ແລະ Gaussian Naive Bayes.
Multinomial Naive Bayes algorithms ມັກຖືກນໍາໃຊ້ເພື່ອຈັດປະເພດເອກະສານ, ຍ້ອນວ່າມັນມີປະສິດທິພາບໃນການຕີຄວາມຖີ່ຂອງຄໍາສັບຕ່າງໆພາຍໃນເອກະສານ.
Bernoulli Naive Bayes ດໍາເນີນການຄ້າຍຄືກັນກັບ Multinomial Naive Bayes, ແຕ່ການຄາດຄະເນທີ່ສະແດງໂດຍສູດການຄິດໄລ່ແມ່ນ booleans. ນີ້ ໝາຍ ຄວາມວ່າເມື່ອຄາດຄະເນຊັ້ນຮຽນ, ຄ່າຈະເປັນຖານສອງ, ບໍ່ແມ່ນຫຼືແມ່ນ. ໃນໂດເມນຂອງການຈັດປະເພດຂໍ້ຄວາມ, algorithm Bernoulli Naive Bayes ຈະກໍານົດພາລາມິເຕີແມ່ນແມ່ນຫຼືບໍ່ແມ່ນໂດຍອີງໃສ່ວ່າຄໍາໃດຖືກພົບເຫັນຢູ່ໃນເອກະສານຂໍ້ຄວາມ.
ຖ້າມູນຄ່າຂອງຕົວຄາດເດົາ / ຄຸນສົມບັດບໍ່ແຍກກັນແຕ່ແທນທີ່ຈະຕໍ່ເນື່ອງ, Gaussian Naive Bayes ສາມາດນໍາໃຊ້ໄດ້. ມັນສົມມຸດວ່າຄ່າຂອງລັກສະນະຢ່າງຕໍ່ເນື່ອງໄດ້ຖືກຕົວຢ່າງຈາກການແຈກຢາຍ gaussian.
Blogger ແລະ programmer ທີ່ມີຄວາມຊ່ຽວຊານໃນ ການຮຽນຮູ້ເຄື່ອງ ແລະ Deep Learning ຫົວຂໍ້. Daniel ຫວັງວ່າຈະຊ່ວຍໃຫ້ຄົນອື່ນນໍາໃຊ້ພະລັງງານຂອງ AI ເພື່ອຄວາມດີຂອງສັງຄົມ.
ທ່ານອາດຈະມັກ
LoReFT: Representation Finetuning for Language Models
BlackMamba: ການຜະສົມຂອງຜູ້ຊ່ຽວຊານສໍາລັບແບບຈໍາລອງຂອງລັດ - Space
ຈາກ Sketch ກັບ Platformer: ວິທີການສິລະປະຂອງ Google Genie ໄປສູ່ການສ້າງເກມ
ການຄິດຄືນໃຫມ່ເຖິງການແຜ່ພັນໃຫມ່ໃນຖານະເປັນຊາຍແດນໃຫມ່ໃນການຄົ້ນຄວ້າ AI
ສິ່ງລົບກວນໃນການປະມວນຜົນຮູບພາບແມ່ນຫຍັງ? - primer ເປັນ
ການຮຽນຮູ້ເຄື່ອງຈັກແບບດັ້ງເດີມຍັງກ່ຽວຂ້ອງບໍ?