Как психологи, мы изучаем процесс обучения у животных и людей с помощью, например,
психологии развития или познания, когда мы предъявляем людям определенные стимулы (ввод) и наблюдаем за реакцией (выход). Процесс машинного обучения во всех отношениях одинаков:
мы предоставляем информацию (Вход) нашей машине и наблюдаем за реакцией (Выход). Помимо всех
технических знаний, по своей сути искусство машинного обучения опирается на этот самый базовый процесс ввода/вывода и применение статистики для создания выводов, прогнозов и решений.
Итак, что вы вводите и что он выводит? Когда приложение для распознавания речи может повысить свою производительность, потому что оно услышало многочисленные образцы вашего голоса, вы можете четко увидеть работу между вводом (образцы голоса пользователя) и выводом (выполнение задач
, связанных с голосовыми командами, с помощью Пользователь).
«Особый соус», который делает машинное обучение таким интересным и захватывает наше воображение, — это не способность машины вести себя в соответствии с тем, чему вы уже научили ее с точки зрения явных входных данных, а неявная способность машины строить отношения. и шаблоны между вводом/выводом. Это прекрасное искусство машинного обучения; способность «учиться» без явного обучения тому, как это делать. (В этом отношении существует два типа ML: контролируемое/неконтролируемое обучение)
