P:
Dlaczego wizualizacja danych jest przydatna w algorytmach uczenia maszynowego?
ZA:Dyscyplina wizualizacji danych daje nam praktycznie nieograniczone możliwości pokazania, co dzieje się z algorytmami uczenia maszynowego. Warto zastanowić się dokładnie, dlaczego wizualizacja danych jest tak ważna i dlaczego uwalnia tyle kreatywnej mocy dla tak wielu osób, które angażują się w procesy uczenia maszynowego.
Aby zrozumieć wartość wizualizacji danych dla uczenia maszynowego, wystarczy spojrzeć na jeden z algorytmów wykorzystywanych do tworzenia tych przełomowych i innowacyjnych programów.
Jednym z najprostszych jest drzewo decyzyjne. Bez wchodzenia w funkcje aktywacji lub ukryte warstwy itp. Drzewo decyzyjne to po prostu zestawy węzłów binarnych. Ale nawet proste drzewo decyzyjne jest bardzo trudne do opisania lub napisania. Jest to o wiele łatwiejsze, gdy jest wizualizowane na ekranie lub na stronie. Gdy zobaczysz każdy węzeł i jego połączenia z innymi węzłami, wszystko stanie się łatwo widoczne.
Teraz weźmy jeden z najbardziej bizantyjskich i skomplikowanych algorytmów uczenia maszynowego - sieć neuronową.
Pod pewnymi względami sieci neuronowe są tak naprawdę kolekcjami algorytmów uczenia maszynowego. Podstawowa konfiguracja składa się z warstwy wejściowej, warstw ukrytych i warstwy wyjściowej. Funkcje aktywacji pomagają poszczególnym cyfrowym neuronom przetwarzać ważone dane wejściowe.
Wszystkie te elementy i wszystkie te procesy można znacznie łatwiej wyjaśnić za pomocą wizualizacji danych, niż opisów ustnych lub pisemnych. Można powiedzieć, że sieć neuronowa ma ważone dane wejściowe przepływające do warstwy wejściowej i że łączą się one w jakiejś ukrytej warstwie i konsolidują w dane dane wyjściowe, ale kiedy używasz postaci wizualnej, aby pokazać, jak to działa, ludzkie oko i ludzkie mózg zaczepia się na to w znacznie bardziej bezpośredni i użyteczny sposób.
W pewnym sensie można zobaczyć moc wizualizacji danych, nawet bez uwzględnienia uczenia maszynowego. W czasach programowania liniowego kompilatory i studia języka komputerowego dawały programiście możliwość ustawienia programu testowego krok po kroku, w którym mogliby sprawdzać wartości zmiennych w małych polach wizualnych. Ponownie pomogło to pokazać, co dzieje się w wykonaniu znacznie lepiej niż tylko czytanie bazy kodu.
Uczenie maszynowe to programowanie bardzo intensywne - to programowanie probabilistyczne i dlatego wizualizacja danych naprawdę pomaga nam skupić się na tym, co dzieje się z danym algorytmem lub procesem.
