Terminologia de ML
As principais terminologias de aprendizado de máquina são:
- Relacionamentos
- Rótulos
- Recursos
- Modelos
- Treinamento
- Inferência
Relacionamentos
Os sistemas de aprendizado de máquina usam relacionamentos entre entradas para produzir previsões .
Em álgebra, uma relação é frequentemente escrita como y = ax + b :
- y é o rótulo que queremos prever
- a é a inclinação da linha
- x são os valores de entrada
- b é a interceptação
Com ML, um relacionamento é escrito como y = b + wx :
- y é o rótulo que queremos prever
- w é o peso (a inclinação)
- x são os recursos (valores de entrada)
- b é a interceptação
Rótulos de aprendizado de máquina
Na terminologia de Machine Learning, o rótulo é o que queremos prever .
É como o y em um gráfico linear:
Álgebra | Aprendizado de máquina |
y = ax + b | y = b + wx |
Recursos de aprendizado de máquina
Na terminologia de Machine Learning, os recursos são a entrada .
Eles são como os valores de x em um gráfico linear:
Álgebra | Aprendizado de máquina |
y = ax + b | y = b + w x |
Às vezes, pode haver muitos recursos (valores de entrada) com pesos diferentes:
y = b + w1x1 + w2x2 + w3x3 + w4x4 _ _ _ _ _
Modelos de aprendizado de máquina
Um Modelo define a relação entre o rótulo (y) e os recursos (x).
Existem três fases na vida de um modelo:
- Coleção de dados
- Treinamento
- Inferência
Treinamento de aprendizado de máquina
O objetivo do treinamento é criar um modelo que possa responder a uma pergunta. Como qual é o preço esperado para uma casa?
Inferência de aprendizado de máquina
A inferência é quando o modelo treinado é usado para inferir (prever) valores usando dados ao vivo. Como colocar o modelo em produção.