- តើអ្នកអាចប្រើឧទាហរណ៍ដើមទាំងស្រុងដើម្បីប្រាប់ពីរបៀបដែលការរៀនម៉ាស៊ីនដំណើរការបានទេ?
ខ្ញុំអាច។ មានឧទាហរណ៍នៃវិធីសាស្រ្តរៀនម៉ាស៊ីនហៅថា Decision Tree ដែលជារឿងចាស់ជាងគេមួយ។ តោះធ្វើវាឥឡូវនេះ។ ចូរនិយាយថាមនុស្សអរូបីអញ្ជើញអ្នកនៅថ្ងៃណាត់ជួប។ តើអ្វីសំខាន់សម្រាប់អ្នក?
ជាដំបូង ស្គាល់គាត់ឬអត់...
( Victor សរសេរវានៅលើក្តារខៀន។ )
…ប្រសិនបើខ្ញុំមិនដឹង នោះខ្ញុំត្រូវឆ្លើយសំណួរថាតើគាត់មានភាពទាក់ទាញឬអត់។
ហើយប្រសិនបើអ្នកដឹងវាមិនសំខាន់ទេ? ខ្ញុំគិតថាខ្ញុំយល់ថាវាជាសាខានៃតំបន់មិត្ត! ជាទូទៅ ខ្ញុំសរសេរ ប្រសិនបើអ្នកមិនដឹង ហើយមិនទាក់ទាញ នោះចម្លើយគឺ "បាទ ទេ ប្រហែលជា"។ ប្រសិនបើអ្នកដឹងចម្លើយគឺបាទ។
- បើខ្ញុំដឹងក៏សំខាន់ដែរ!
ទេ វានឹងក្លាយជាសាខានៃតំបន់មិត្ត។
ជាការប្រសើរណាស់, បន្ទាប់មកសូមចង្អុលបង្ហាញនៅទីនេះថាតើវាគួរឱ្យចាប់អារម្មណ៍ឬអត់។ យ៉ាងណាក៏ដោយ ពេលដែលអ្នកមិនស្គាល់មនុស្សម្នាក់ ប្រតិកម្មដំបូងគឺការបង្ហាញខ្លួនជាមួយមិត្តភ័ក្ដិដែលយើងកំពុងមើលរួចហើយនូវអ្វីដែលគាត់គិតនិងរបៀប។
តោះធ្វើវាខុសគ្នា។ មានមហិច្ឆតាឬអត់។ បើគាត់មានមហិច្ឆតាមែននោះ វានឹងពិបាកធ្វើមិត្តគាត់ គាត់នឹងចង់បានច្រើន។ ហើយអ្នកគ្មានមហិច្ឆតានឹងរងទុក្ខ។
(Victor បញ្ចប់មែកធាងការសម្រេចចិត្ត។ )
រួចរាល់។ ឥឡូវនេះ អ្នកអាចទស្សន៍ទាយថាតើបុរសណាដែលអ្នកទំនងជាចង់ទៅណាត់ជួបជាមួយ។ ដោយវិធីនេះ សេវាកម្មណាត់ជួបមួយចំនួនបានព្យាករណ៍ពីរឿងបែបនេះ។ ដោយភាពស្រដៀងគ្នា អ្នកអាចទស្សន៍ទាយថាតើអតិថិជននឹងទិញទំនិញចំនួនប៉ុន្មាន ហើយមនុស្សនឹងនៅទីណានៅពេលនៃថ្ងៃនេះ។
ចម្លើយអាចមិនត្រឹមតែ "បាទ/ចាស" និង "ទេ" ប៉ុណ្ណោះទេ ប៉ុន្តែក៏មានទម្រង់ជាលេខផងដែរ។ ប្រសិនបើអ្នកចង់បានការព្យាករត្រឹមត្រូវជាងនេះ អ្នកអាចបង្កើតដើមឈើបែបនេះជាច្រើន ហើយមធ្យមលើពួកវា។ ហើយជាមួយនឹងរឿងសាមញ្ញបែបនេះ អ្នកពិតជាអាចទស្សន៍ទាយអនាគតបាន។
ឥឡូវស្រមៃមើលថាតើវាលំបាកប៉ុណ្ណាសម្រាប់មនុស្សដែលមានគម្រោងបែបនេះកាលពីពីររយឆ្នាំមុន? ដាច់ខាត! គ្រោងការណ៍នេះមិនអនុវត្តវិទ្យាសាស្ត្ររ៉ុក្កែតណាមួយឡើយ។ ជាបាតុភូតមួយ ការរៀនម៉ាស៊ីនមានប្រហែលកន្លះសតវត្ស។ Ronald Fisher បានចាប់ផ្តើមទស្សន៍ទាយដោយផ្អែកលើទិន្នន័យនៅដើមសតវត្សទី 20 ។ គាត់បានយក irises ហើយចែកចាយវាតាមប្រវែងនិងទទឹងនៃ sepals និង petals ដោយប៉ារ៉ាម៉ែត្រទាំងនេះគាត់បានកំណត់ប្រភេទនៃរុក្ខជាតិ។
ឧស្សាហកម្មរៀនម៉ាស៊ីនត្រូវបានប្រើប្រាស់យ៉ាងសកម្មក្នុងប៉ុន្មានទសវត្សរ៍ចុងក្រោយនេះ៖ ម៉ាស៊ីនដែលមានថាមពលខ្លាំង និងមានតម្លៃថោកសមរម្យ ដែលត្រូវការសម្រាប់ដំណើរការទិន្នន័យយ៉ាងច្រើន ឧទាហរណ៍សម្រាប់ដើមឈើការសម្រេចចិត្តបែបនេះបានបង្ហាញខ្លួនមិនយូរប៉ុន្មានទេ។ ប៉ុន្តែវានៅតែគួរឱ្យភ្ញាក់ផ្អើល៖ យើងគូរវត្ថុទាំងនេះសម្រាប់គ្រប់កិច្ចការ ហើយប្រើវាដើម្បីទស្សន៍ទាយអនាគត។
- ជាការប្រសើរណាស់, ពិតជាមិនប្រសើរជាងអ្នកទស្សន៍ទាយរតីយាវហឺនៃការប្រកួតបាល់ទាត់ ...
អត់ទេ តើយើងខ្វល់ពីរតីយាវហឺនៅឯណា? ទោះបីជាយើងមានភាពខុសប្លែកគ្នាច្រើនក៏ដោយ។ ឥឡូវនេះ ដោយមានជំនួយពីការរៀនម៉ាស៊ីន អ្នកអាចសន្សំពេលវេលា ប្រាក់ និងធ្វើឱ្យជីវិតកាន់តែមានផាសុកភាព។ Machine learning បានយកឈ្នះបុរសកាលពីប៉ុន្មានឆ្នាំមុន នៅពេលនិយាយអំពីការចាត់ថ្នាក់រូបភាព។ ជាឧទាហរណ៍ កុំព្យូទ័រអាចស្គាល់ពូជ terriers ចំនួន 20 ប្រភេទ ប៉ុន្តែមនុស្សធម្មតាមិនអាចទេ។
- ហើយនៅពេលដែលអ្នកវិភាគអ្នកប្រើប្រាស់ មនុស្សម្នាក់ៗជាសំណុំលេខសម្រាប់អ្នក?
និយាយបែបហ្នឹងមែន។ នៅពេលយើងធ្វើការជាមួយទិន្នន័យ យើងពណ៌នាអំពីវត្ថុទាំងអស់ រួមទាំងអាកប្បកិរិយារបស់អ្នកប្រើប្រាស់ ជាមួយនឹងសំណុំលេខជាក់លាក់មួយ។ ហើយលេខទាំងនេះឆ្លុះបញ្ចាំងពីភាពប្លែកនៃអាកប្បកិរិយារបស់មនុស្ស៖ តើពួកគេជិះតាក់ស៊ីញឹកញាប់ប៉ុណ្ណា តាក់ស៊ីថ្នាក់ណាដែលពួកគេប្រើ កន្លែងដែលពួកគេជាធម្មតាទៅ។
ឥឡូវនេះ យើងកំពុងបង្កើតគំរូរូបរាងស្រដៀងគ្នាយ៉ាងសកម្ម ដើម្បីកំណត់ក្រុមមនុស្សដែលមានអាកប្បកិរិយាស្រដៀងគ្នា។ នៅពេលដែលយើងណែនាំសេវាកម្មថ្មី ឬចង់ផ្សព្វផ្សាយសេវាកម្មចាស់ យើងផ្តល់ជូនអ្នកដែលមានចំណាប់អារម្មណ៍។
ឧទាហរណ៍នៅទីនេះយើងមានសេវាកម្មមួយ - កៅអីកុមារពីរនៅក្នុងតាក់ស៊ី។ យើងអាចផ្ញើសារឥតបានការដល់អ្នកគ្រប់គ្នាជាមួយនឹងព័ត៌មាននេះ ឬយើងអាចបញ្ជូនវាទៅកាន់មជ្ឈដ្ឋានមនុស្សជាក់លាក់ប៉ុណ្ណោះ។ ក្នុងអំឡុងពេលនៃឆ្នាំនេះ យើងបានប្រមូលផ្តុំអ្នកប្រើប្រាស់មួយចំនួនដែលបានសរសេរនៅក្នុងមតិយោបល់ថា ពួកគេត្រូវការកៅអីកុមារចំនួនពីរ។ យើងបានរកឃើញពួកគេ ហើយមនុស្សចូលចិត្តពួកគេ។ តាមធម្មតា ទាំងនេះគឺជាមនុស្សដែលមានអាយុលើសពី 30 ឆ្នាំ ដែលធ្វើដំណើរជាទៀងទាត់ និងចូលចិត្តម្ហូបមេឌីទែរ៉ាណេ។ បើទោះបីជា, ជាការពិតណាស់, មានសញ្ញាជាច្រើនទៀត, នេះគឺជាខ្ញុំសម្រាប់ឧទាហរណ៍មួយ។
- សូម្បីតែ subtleties បែបនេះ?
នេះគឺជាបញ្ហាសាមញ្ញ។ អ្វីគ្រប់យ៉ាងត្រូវបានគណនាដោយប្រើសំណួរស្វែងរក។
ហើយនៅក្នុងកម្មវិធី វាអាចដំណើរការបានដោយរបៀបណា? ជាឧទាហរណ៍ អ្នកដឹងថាខ្ញុំជាអ្នកសុំទាន ហើយជាវក្រុមដូចជា "តើធ្វើដូចម្តេចដើម្បីរស់បាន 500 រូប្លិក្នុងមួយខែ" - ពួកគេផ្តល់ឱ្យខ្ញុំតែរថយន្តថោកៗប៉ុណ្ណោះ ខ្ញុំបានជាវព័ត៌មាន SpaceX ហើយខ្ញុំទទួលបាន Tesla ម្តងម្កាល?
វាអាចដំណើរការតាមរបៀបនេះ ប៉ុន្តែរឿងបែបនេះមិនត្រូវបានអនុម័តនៅក្នុង Yandex ទេ ព្រោះនេះគឺជាការរើសអើង។ នៅពេលអ្នកកំណត់សេវាកម្មផ្ទាល់ខ្លួន វាជាការប្រសើរជាងក្នុងការផ្តល់ជូនមិនមែនជាការទទួលយកបំផុតនោះទេ ប៉ុន្តែអ្វីដែលល្អបំផុតដែលមាន និងអ្វីដែលបុគ្គលនោះចូលចិត្ត។ ហើយការចែកចាយតាមតក្កវិជ្ជា "ម្នាក់នេះត្រូវការឡានល្អជាង ហើយម្នាក់នេះត្រូវការល្អតិចជាង" គឺអាក្រក់។
មនុស្សគ្រប់រូបមានសេចក្តីប៉ងប្រាថ្នាខុសឆ្គង ហើយពេលខ្លះអ្នកត្រូវស្វែងរកមិនមែនជារូបមន្តសម្រាប់ម្ហូបមេឌីទែរ៉ាណេទេ ប៉ុន្តែឧទាហរណ៍រូបភាពអំពី coprophilia ។ តើការកំណត់ផ្ទាល់ខ្លួននឹងដំណើរការក្នុងករណីនេះដែរទេ?
តែងតែមានរបៀបឯកជន។
ប្រសិនបើខ្ញុំមិនចង់ឱ្យអ្នកណាម្នាក់ដឹងពីចំណាប់អារម្មណ៍របស់ខ្ញុំ ឬឧបមាថា មិត្តភ័ក្តិមករកខ្ញុំ ហើយចង់មើលធុងសំរាម នោះវាប្រសើរក្នុងការប្រើមុខងារអនាមិក។
អ្នកក៏អាចសម្រេចចិត្តថាសេវាកម្មរបស់ក្រុមហ៊ុនណាដែលត្រូវប្រើ ឧទាហរណ៍ Yandex ឬ Google ។
- តើមានភាពខុសគ្នាទេ?
បញ្ហាស្មុគស្មាញ។ ខ្ញុំមិនដឹងអំពីអ្នកដទៃទេ ប៉ុន្តែ Yandex មានភាពតឹងរ៉ឹងជាមួយនឹងការការពារទិន្នន័យផ្ទាល់ខ្លួន។ ជាពិសេសត្រួតពិនិត្យបុគ្គលិក។
- នោះគឺថាបើខ្ញុំបែកគ្នាជាមួយមនុស្សប្រុស ខ្ញុំមិនអាចដឹងថាគាត់ទៅដាឆានេះឬអត់?
ទោះបីជាអ្នកធ្វើការឱ្យ Yandex. នេះពិតជាសោកស្តាយ ប៉ុន្តែបាទ វានឹងមិនអាចរកឃើញទេ។ បុគ្គលិកភាគច្រើនមិនមានសិទ្ធិចូលប្រើទិន្នន័យនេះទេ។ អ្វីគ្រប់យ៉ាងត្រូវបានអ៊ិនគ្រីប។ វាសាមញ្ញ៖ អ្នកមិនអាចឈ្លបយកការណ៍លើមនុស្សបានទេ វាជាព័ត៌មានផ្ទាល់ខ្លួន។
ដោយវិធីនេះ យើងមានករណីគួរឱ្យចាប់អារម្មណ៍មួយលើប្រធានបទនៃការបែកគ្នាជាមួយបុរស។ នៅពេលដែលយើងធ្វើការទស្សន៍ទាយចំណុច "B" - ចំណុចគោលដៅនៅក្នុងឡានតាក់ស៊ី យើងបានណែនាំពីគន្លឹះ។ មើល។
(Victor ចូលទៅក្នុងកម្មវិធី Yandex.Taxi ។ )
ជាឧទាហរណ៍ ឡានតាក់ស៊ីគិតថាខ្ញុំនៅផ្ទះ។ គាត់ផ្តល់ជូនខ្ញុំឱ្យទៅធ្វើការ ឬទៅសាកលវិទ្យាល័យ RUDN (ខ្ញុំផ្តល់ការបង្រៀននៅទីនោះជាផ្នែកនៃវគ្គបណ្តុះបណ្តាលស្តីពីការជីកយករ៉ែទិន្នន័យក្នុងសកម្មភាពម៉ាស៊ីន)។ ហើយនៅចំណុចខ្លះ ខណៈពេលកំពុងបង្កើតព័ត៌មានជំនួយទាំងនេះ យើងបានដឹងថាយើងមិនចាំបាច់សម្របសម្រួលអ្នកប្រើប្រាស់នោះទេ។ ចំណុច "B" អ្នកណាក៏អាចមើលឃើញ។ សម្រាប់ហេតុផលទាំងនេះ យើងបានបដិសេធមិនផ្តល់កន្លែងដោយភាពស្រដៀងគ្នា។ រួចអ្នកអង្គុយនៅកន្លែងសមរម្យជាមួយមនុស្សសមរម្យ បញ្ជាតាក់ស៊ី ហើយគេសរសេរមកអ្នកនៅទីនោះ៖ “មើលចុះ អ្នកមិនទាន់បានទៅបារនេះទេ!”
- តើចំណុចពណ៌ខៀវអ្វីខ្លះនៅលើផែនទីរបស់អ្នក?
ទាំងនេះគឺជាចំណុចទាញ។ ចំណុចទាំងនេះបង្ហាញពីកន្លែងដែលវាងាយស្រួលបំផុតក្នុងការហៅតាក់ស៊ី។ បន្ទាប់ពីបានទាំងអស់ អ្នកអាចហៅទៅកាន់កន្លែងមួយដែលវានឹងមានការរអាក់រអួលក្នុងការហៅទូរសព្ទ។ ប៉ុន្តែជាទូទៅអ្នកអាចហៅទៅគ្រប់ទីកន្លែង។
- បាទនៅក្នុងណាមួយ។ ខ្ញុំបានហោះហើរពីរប្លុកជាមួយវា។
ថ្មីៗនេះ មានការលំបាកផ្សេងៗជាមួយ GPS ដែលនាំឱ្យមានស្ថានភាពគួរឱ្យអស់សំណើចផ្សេងៗ។ ជាឧទាហរណ៍ មនុស្សនៅលើ Tverskaya ត្រូវបានផ្ទេរដោយការរុករកឆ្លងកាត់មហាសមុទ្រប៉ាស៊ីហ្វិក។ ដូចដែលអ្នកអាចឃើញពេលខ្លះមានការខកខាននិងច្រើនជាងពីរប្លុក។
- ហើយប្រសិនបើអ្នកចាប់ផ្តើមកម្មវិធីនិងចាក់ម្តងទៀត, តម្លៃបានផ្លាស់ប្តូរដោយប៉ុន្មានរូប។ ហេតុអ្វី?
ប្រសិនបើតម្រូវការលើសពីការផ្គត់ផ្គង់ នោះក្បួនដោះស្រាយនឹងបង្កើតមេគុណដោយស្វ័យប្រវត្តិ - នេះជួយអ្នកដែលត្រូវការចាកចេញឱ្យបានឆាប់តាមដែលអាចធ្វើទៅបានក្នុងការប្រើប្រាស់តាក់ស៊ី ទោះបីជាក្នុងអំឡុងពេលនៃតម្រូវការខ្ពស់ក៏ដោយ។ ដោយវិធីនេះ ដោយប្រើការរៀនម៉ាស៊ីន អ្នកអាចទស្សន៍ទាយពីកន្លែងដែលនឹងមានតម្រូវការច្រើនជាងនេះ ឧទាហរណ៍មួយម៉ោង។ វាជួយយើងប្រាប់អ្នកបើកបរពីកន្លែងដែលនឹងមានការបញ្ជាទិញបន្ថែមទៀត ដូច្នេះការផ្គត់ផ្គង់ត្រូវនឹងតម្រូវការ។
- តើអ្នកមិនគិតថា Yandex.Taxi នឹងសម្លាប់ទីផ្សារតាក់ស៊ីទាំងមូលក្នុងពេលឆាប់ៗនេះទេ?
ខ្ញុំគិតថាទេ។ យើងគឺសម្រាប់ការប្រកួតប្រជែងដែលមានសុខភាពល្អ ហើយមិនខ្លាចវាទេ។
ជាឧទាហរណ៍ ខ្លួនខ្ញុំផ្ទាល់ ប្រើសេវាតាក់ស៊ីផ្សេងៗ។ ពេលវេលារង់ចាំគឺសំខាន់សម្រាប់ខ្ញុំ ដូច្នេះខ្ញុំមើលកម្មវិធីមួយចំនួនដែលតាក់ស៊ីនឹងមកដល់លឿនជាង។
- អ្នកបានសហការជាមួយ Uber ។ ដើម្បីអ្វី?
វាមិនមែនជាកន្លែងរបស់ខ្ញុំដើម្បីបញ្ចេញមតិទេ។ ខ្ញុំគិតថាការរួបរួមគ្នាគឺជាការសម្រេចចិត្តដ៏ស៊ីជម្រៅមួយ។
នៅប្រទេសអាឡឺម៉ង់ បុរសម្នាក់បានដំឡើងអាងងូតទឹកនៅលើយន្តហោះគ្មានមនុស្សបើក ហើយបានហោះទៅទិញប៊ឺហ្គឺ។ តើអ្នកបានគិតថាដល់ពេលធ្វើជាម្ចាស់លើលំហអាកាសហើយឬនៅ?
ខ្ញុំមិនដឹងអំពីលំហអាកាសទេ។ យើងតាមដានព័ត៌មានក្នុងស្មារតីនៃ "Uber បានបើកដំណើរការទូកតាក់ស៊ី" ប៉ុន្តែខ្ញុំមិនអាចនិយាយអ្វីអំពីខ្យល់បានទេ។
ចុះតាក់ស៊ីដ្រូនវិញ?
នេះគឺជាចំណុចគួរឱ្យចាប់អារម្មណ៍មួយ។ យើងកំពុងអភិវឌ្ឍពួកវា ប៉ុន្តែយើងត្រូវគិតអំពីរបៀបប្រើប្រាស់ពួកវាឱ្យពិតប្រាកដ។ វានៅតែលឿនពេកក្នុងការទស្សន៍ទាយពីរបៀប និងពេលណាដែលពួកវានឹងបង្ហាញខ្លួននៅលើដងផ្លូវ ប៉ុន្តែយើងកំពុងប្រឹងប្រែងអភិវឌ្ឍបច្ចេកវិទ្យាសម្រាប់រថយន្តដែលមានស្វ័យភាពពេញលេញ ដែលអ្នកបើកបរមិនត្រូវការមនុស្សទាល់តែសោះ។
- តើមានការព្រួយបារម្ភថាកម្មវិធីរបស់យន្តហោះគ្មានមនុស្សបើកអាចត្រូវបានគេ hack ដើម្បីគ្រប់គ្រងម៉ាស៊ីនពីចម្ងាយទេ?
ហានិភ័យតែងតែមាន និងគ្រប់ទីកន្លែងដែលមានបច្ចេកវិទ្យា និងឧបករណ៍។ ប៉ុន្តែទន្ទឹមនឹងការអភិវឌ្ឍន៍បច្ចេកវិទ្យា ទិសដៅមួយទៀតកំពុងអភិវឌ្ឍ - ការការពារ និងសុវត្ថិភាពរបស់ពួកគេ។ មនុស្សគ្រប់គ្នាដែលចូលរួមក្នុងការអភិវឌ្ឍន៍បច្ចេកវិទ្យាក្នុងមធ្យោបាយមួយឬផ្សេងទៀតកំពុងធ្វើការលើប្រព័ន្ធការពារ។
- តើអ្នកប្រមូលទិន្នន័យអ្នកប្រើប្រាស់អ្វីខ្លះ ហើយតើអ្នកការពារវាដោយរបៀបណា?
យើងប្រមូលទិន្នន័យការប្រើប្រាស់ដែលមិនកំណត់អត្តសញ្ញាណ ដូចជាកន្លែងណា ពេលណា និងកន្លែងដែលអ្នកធ្វើដំណើរ។ អ្វីគ្រប់យ៉ាងដែលសំខាន់ត្រូវបានបំបែក។
- តើអ្នកគិតថាយន្តហោះគ្មានមនុស្សបើកនឹងកាត់បន្ថយចំនួនការងារទេ?
ខ្ញុំគិតថាវានឹងកាន់តែធំ។ ទោះយ៉ាងណាក៏ដោយ យន្តហោះគ្មានមនុស្សបើកទាំងនេះក៏ត្រូវការសេវាកម្មខ្លះដែរ។ នេះពិតណាស់គឺជាស្ថានភាពស្ត្រេសបន្តិច ផ្លាស់ប្តូរជំនាញរបស់អ្នក ប៉ុន្តែតើអ្នកអាចធ្វើអ្វីបាន។
- Gref និយាយនៅក្នុងការបង្រៀននីមួយៗរបស់គាត់ថាមនុស្សម្នាក់នឹងផ្លាស់ប្តូរវិជ្ជាជីវៈរបស់គាត់យ៉ាងហោចណាស់បីដងយ៉ាងខ្លាំង។
ខ្ញុំមិនអាចដាក់ឈ្មោះឯកទេសណាមួយដែលស្ថិតស្ថេររហូតនោះទេ។ អ្នកអភិវឌ្ឍន៍មិនធ្វើការជាភាសាតែមួយ និងជាមួយបច្ចេកវិទ្យាដូចគ្នាពេញមួយជីវិតរបស់គាត់។ គ្រប់ទីកន្លែងត្រូវតែសាងសង់ឡើងវិញ។ ជាមួយនឹងការរៀនម៉ាស៊ីន ខ្ញុំអាចដឹងយ៉ាងច្បាស់ថា បុរសដែលក្មេងជាងខ្ញុំប្រាំមួយឆ្នាំ គឺលឿនជាងខ្ញុំ។ ទន្ទឹមនឹងនេះដែរមនុស្សដែលមានអាយុ 40 ឆ្នាំឬ 45 ឆ្នាំមានអារម្មណ៍ថាវាកាន់តែខ្លាំង។
បទពិសោធន៍លែងសំខាន់មែនទេ?
ការលេង។ ប៉ុន្តែវិធីសាស្រ្តផ្លាស់ប្តូរ អ្នកអាចមកកាន់តំបន់មួយដែលឧទាហរណ៍ ការរៀនស៊ីជម្រៅមិនត្រូវបានប្រើ អ្នកធ្វើការនៅទីនោះមួយរយៈ បន្ទាប់មកវិធីសាស្ត្រសិក្សាស៊ីជម្រៅត្រូវបានណែនាំនៅគ្រប់ទីកន្លែង ហើយអ្នកមិនយល់អ្វីទាំងអស់អំពីវា។ ហើយនោះហើយជាវា។ បទពិសោធន៍របស់អ្នកអាចមានប្រយោជន៍តែនៅក្នុងបញ្ហានៃការធ្វើផែនការក្រុមប៉ុណ្ណោះ និងមិនតែងតែនោះទេ។
- ហើយវិជ្ជាជីវៈរបស់អ្នកគឺជាអ្នកវិទ្យាសាស្ត្រទិន្នន័យតើវាស្ថិតនៅក្នុងតម្រូវការទេ?
តម្រូវការរបស់អ្នកវិទ្យាសាស្ត្រទិន្នន័យកំពុងកើនឡើងយ៉ាងខ្លាំង។ វាច្បាស់ណាស់ថាពេលនេះជាសម័យនៃការបំផ្លើសឆ្កួត។ សូមអរគុណព្រះជាម្ចាស់ blockchain បានជួយបន្តិចបន្តួចដើម្បីកាត់បន្ថយការឃោសនាបំផ្លើសនេះ។ អ្នកឯកទេស Blockchain ត្រូវបានរុះរើលឿនជាងមុន។
ប៉ុន្តែឥឡូវនេះក្រុមហ៊ុនជាច្រើនគិតថា ប្រសិនបើពួកគេវិនិយោគលើម៉ាស៊ីនរៀន នោះសួនរបស់ពួកគេនឹងរីកដុះដាលភ្លាមៗ។ នេះគឺជាការមិនពិតទេ។ ការរៀនម៉ាស៊ីនគួរតែដោះស្រាយបញ្ហាជាក់លាក់ ហើយមិនត្រឹមតែមាននោះទេ។
មានពេលខ្លះដែលធនាគារចង់បង្កើតប្រព័ន្ធសេវាកម្មណែនាំសម្រាប់អ្នកប្រើប្រាស់។ យើងសួរថា "តើអ្នកគិតថាវាសមហេតុផលខាងសេដ្ឋកិច្ចទេ?" ពួកគេឆ្លើយថា៖ «បាទ យើងមិនខ្វល់ទេ។ ធ្វើវា។ មនុស្សគ្រប់រូបមានប្រព័ន្ធណែនាំ យើងនឹងស្ថិតក្នុងនិន្នាការ។
ការឈឺចាប់គឺថាអ្វីដែលមានប្រយោជន៍សម្រាប់អាជីវកម្មមិនអាចធ្វើបានក្នុងមួយថ្ងៃ។ យើងត្រូវមើលពីរបៀបដែលប្រព័ន្ធនឹងត្រូវបានបណ្តុះបណ្តាល។ ហើយនាងតែងតែធ្វើការជាមួយកំហុសនៅដើមដំបូង នាងអាចខ្វះទិន្នន័យខ្លះក្នុងអំឡុងពេលបណ្តុះបណ្តាល។ អ្នកជួសជុលកំហុស បន្ទាប់មកជួសជុលម្តងទៀត ហើយថែមទាំងធ្វើអ្វីៗឡើងវិញទៀតផង។ បន្ទាប់ពីនោះអ្នកត្រូវកំណត់រចនាសម្ព័ន្ធវាដើម្បីឱ្យប្រព័ន្ធដំណើរការក្នុងផលិតកម្មដើម្បីឱ្យវាមានស្ថេរភាពនិងអាចធ្វើមាត្រដ្ឋានបាននេះនៅតែជាពេលវេលា។ ជាលទ្ធផល គម្រោងមួយត្រូវចំណាយពេលប្រាំមួយខែ មួយឆ្នាំ ឬច្រើនជាងនេះ។
ប្រសិនបើអ្នកក្រឡេកមើលវិធីសាស្ត្ររៀនរបស់ម៉ាស៊ីនជាប្រអប់ខ្មៅ នោះអ្នកអាចនឹកបានយ៉ាងងាយពីរបៀបដែលរឿងមិនសមហេតុសមផលចាប់ផ្តើមកើតឡើង។ មានរឿងពុកចង្ការ។ យោធាបានស្នើឱ្យបង្កើតក្បួនដោះស្រាយដែលអាចប្រើដើម្បីវិភាគថាតើមានធុងនៅក្នុងរូបភាពឬអត់។ អ្នកស្រាវជ្រាវបានធ្វើ សាកល្បង គុណភាពគឺល្អឥតខ្ចោះ អ្វីគ្រប់យ៉ាងគឺអស្ចារ្យ ពួកគេបានប្រគល់វាទៅឱ្យយោធា។ យោធាមកនិយាយថា អត់មានអីធ្វើទេ។ អ្នកវិទ្យាសាស្ត្រចាប់ផ្តើមយល់ដោយភ័យ។ វាប្រែថានៅក្នុងរូបភាពទាំងអស់ជាមួយនឹងធុងដែលយោធានាំយកមកមានសញ្ញាធីកនៅជ្រុងជាមួយនឹងប៊ិច។ ក្បួនដោះស្រាយបានរៀនយ៉ាងល្អឥតខ្ចោះដើម្បីស្វែងរកសញ្ញាធីកវាមិនដឹងអ្វីអំពីធុង។ ជាធម្មតា មិនមានសញ្ញាធីកនៅលើរូបភាពថ្មីនោះទេ។
ខ្ញុំបានជួបកុមារដែលបង្កើតប្រព័ន្ធសន្ទនាផ្ទាល់ខ្លួនរបស់ពួកគេ។ តើអ្នកធ្លាប់គិតថាអ្នកត្រូវការសហការជាមួយកុមារទេ?
ខ្ញុំបានទៅព្រឹត្តិការណ៍គ្រប់ប្រភេទសម្រាប់សិស្សសាលាយូរមកហើយ ដោយផ្តល់ការបង្រៀនអំពីការរៀនម៉ាស៊ីន។ ហើយដោយវិធីនេះ ប្រធានបទមួយត្រូវបានបង្រៀនឱ្យខ្ញុំដោយសិស្សថ្នាក់ទីដប់។ ខ្ញុំប្រាកដណាស់ថារឿងរបស់ខ្ញុំនឹងល្អ និងគួរឱ្យចាប់អារម្មណ៍ មានមោទនភាពចំពោះខ្លួនខ្ញុំ ខ្ញុំចាប់ផ្តើមចាក់ផ្សាយ ហើយក្មេងស្រីដូចជា៖ "អា យើងចង់កាត់បន្ថយរឿងនេះឱ្យតិចបំផុត"។ ខ្ញុំមើល និងគិត ប៉ុន្តែការពិត ហេតុអ្វី ហើយការពិតអាចបង្រួមអប្បបរមា ហើយគ្មានអ្វីពិសេសដើម្បីបញ្ជាក់នៅទីនេះទេ។ ជាច្រើនឆ្នាំបានកន្លងផុតទៅហើយ ឥឡូវនេះនាងបានស្តាប់ការបង្រៀនរបស់យើងក្នុងនាមជានិស្សិតនៃ Phystech ។ ដោយវិធីនេះ Yandex មាន Yandex.Lyceum ដែលសិស្សសាលាអាចទទួលបានចំណេះដឹងផ្នែកសរសេរកម្មវិធីជាមូលដ្ឋានដោយឥតគិតថ្លៃ។
- ផ្តល់ប្រឹក្សាដល់សាកលវិទ្យាល័យ និងមហាវិទ្យាល័យនានា ដែលការរៀនម៉ាស៊ីនត្រូវបានបង្រៀនឥឡូវនេះ។
មានវិទ្យាស្ថានរូបវិទ្យា និងបច្ចេកវិទ្យាម៉ូស្គូ មហាវិទ្យាល័យ FIVT និង FUPM ។ វាក៏មាននាយកដ្ឋានវិទ្យាសាស្ត្រកុំព្យូទ័រដ៏អស្ចារ្យនៅ HSE និងការរៀនម៉ាស៊ីននៅសាកលវិទ្យាល័យ Moscow State ។ ឥឡូវនេះអ្នកអាចស្តាប់វគ្គសិក្សារបស់យើងនៅសាកលវិទ្យាល័យ RUDN ។
ដូចដែលខ្ញុំបាននិយាយ វិជ្ជាជីវៈនេះគឺស្ថិតនៅក្នុងតម្រូវការ។ អស់រយៈពេលជាយូរណាស់មកហើយ មនុស្សដែលទទួលបានការអប់រំបច្ចេកទេសបានចូលរួមក្នុងរឿងខុសគ្នាទាំងស្រុង។ ការរៀនតាមម៉ាស៊ីនគឺជាឧទាហរណ៍ដ៏ល្អមួយ នៅពេលដែលអ្វីៗទាំងអស់ដែលមនុស្សដែលមានប្រវត្តិបច្ចេកទេសបានរៀនឥឡូវនេះគឺត្រូវការដោយផ្ទាល់ មានប្រយោជន៍ និងបានប្រាក់ខែល្អ។
- ល្អយ៉ាងណា?
ដាក់ឈ្មោះចំនួនទឹកប្រាក់។
- 500 ពាន់ក្នុងមួយខែ។
អ្នកអាចធ្វើបាន គ្រាន់តែមិនមែនជាអ្នកវិទ្យាសាស្ត្រទិន្នន័យធម្មតា។ ប៉ុន្តែនៅក្នុងក្រុមហ៊ុនមួយចំនួន សិក្ខាកាមម្នាក់អាចទទួលបាន៥០ម៉ឺនសម្រាប់ការងារសាមញ្ញដែលមានការផ្សព្វផ្សាយយ៉ាងទូលំទូលាយ។ ជាទូទៅប្រាក់ខែរបស់អ្នកវិទ្យាសាស្ត្រទិន្នន័យត្រជាក់អាចប្រៀបធៀបជាមួយប្រាក់ខែរបស់ CEO នៃក្រុមហ៊ុនមធ្យមមួយចំនួន។ នៅក្នុងក្រុមហ៊ុនជាច្រើន បន្ថែមពីលើប្រាក់ខែ លាភសំណាងជាច្រើនធ្លាក់ទៅលើបុគ្គលិក ហើយប្រសិនបើច្បាស់ថា បុគ្គលនោះមិនបានមកសរសេរម៉ាកល្អនៅក្នុងប្រវត្តិរូបសង្ខេប ប៉ុន្តែដើម្បីធ្វើការពិតប្រាកដ នោះអ្វីៗនឹងល្អប្រសើរ។ គាត់។
ជិតមួយឆ្នាំបានកន្លងផុតទៅចាប់តាំងពីការចាប់ផ្តើមនៃប្រធានបទមិនធម្មតាមួយនៅ FIFT - សិក្ខាសាលាប្រកបដោយភាពច្នៃប្រឌិត។ ខ្លឹមសាររបស់វាគឺការបង្កើតការចាប់ផ្តើម IT ដោយក្រុមនិស្សិតក្រោមការណែនាំពីអ្នកណែនាំដែលមានបទពិសោធន៍។ វាមិនអាក្រក់ទេ៖ អរគុណចំពោះវគ្គសិក្សា នរណាម្នាក់បានចំណាយពេលមួយផ្នែកនៃរដូវក្តៅនៅជ្រលង Kremieva នរណាម្នាក់បានទទួលជំនួយចំនួន 800,000 rubles សម្រាប់ការអភិវឌ្ឍន៍គម្រោង ហើយ ABBYY ត្រៀមខ្លួនរួចរាល់ហើយដើម្បីទិញគម្រោងនេះពីនរណាម្នាក់។ ហើយនេះមិនមែនជាលទ្ធផលទាំងអស់នៃសិក្ខាសាលាទេ!
នៅដើមឆ្នាំ 2011 និស្សិតឆ្នាំទី 3 FIVT ត្រូវបានប្រមូលផ្តុំគ្នានៅក្នុងសាលប្រជុំ ហើយបានប្រាប់ថា ក្នុងឆ្នាំបន្ទាប់ អ្នកត្រូវបង្កើតការចាប់ផ្តើមផ្ទាល់ខ្លួនរបស់អ្នក។ សិស្សបានយកគំនិតនេះដោយមិនច្បាស់លាស់៖ វាមិនច្បាស់ពីរបៀបធ្វើវាទាល់តែសោះ ហើយទំនួលខុសត្រូវគឺមិនធម្មតា - បន្ទាប់ពីទាំងអស់ វាចាំបាច់ក្នុងការបង្កើតអាជីវកម្មបច្ចេកវិទ្យា ហើយមិនមែនគ្រាន់តែជាគម្រោងអប់រំផ្សេងទៀតនោះទេ។ នេះជាអ្វីដែល Victor Kantor ម្ចាស់ជ័យលាភី MIPT Student Olympiad in Physics ជានិស្សិតនៃនាយកដ្ឋាន Yandeska គិតអំពីរឿងនេះ៖
នៅពេលខ្ញុំជ្រើសរើស FIVT នៅពេលចូលរៀន ខ្ញុំសង្ឃឹមថាយើងនឹងមានអ្វីស្រដៀងគ្នា។ ដូច្នេះខ្ញុំរីករាយដែលខ្ញុំមិនបានសង្ឃឹមដោយឥតប្រយោជន៍។ ក្នុងកំឡុងឆ្នាំ វាត្រូវបានគេមានអារម្មណ៍ថាវគ្គសិក្សានៅតែត្រូវបានបង្កើតឡើង ភាគច្រើនវាថ្មី បញ្ហាជាច្រើនមានភាពចម្រូងចម្រាសមិនត្រឹមតែសម្រាប់សិស្សប៉ុណ្ណោះទេ ប៉ុន្តែសម្រាប់អ្នករៀបចំប៉ុណ្ណោះទេ ប៉ុន្តែជាទូទៅខ្ញុំគិតថា និន្នាការមានភាពវិជ្ជមាន។ ខ្ញុំចូលចិត្តវគ្គសិក្សានេះ។
ដើម្បីជួយសម្រួលដល់ការងាររបស់សិស្ស អ្នកថែរក្សាផ្សេងៗត្រូវបានអញ្ជើញឱ្យផ្តល់គំនិតរបស់ពួកគេសម្រាប់ការកសាងអាជីវកម្មប្រកបដោយភាពច្នៃប្រឌិត។ ក្នុងចំនោមពួកគេមានមនុស្សខុសគ្នាទាំងស្រុង: ពីនិស្សិតជាន់ខ្ពស់និងនិស្សិតបញ្ចប់ការសិក្សានៃវិទ្យាស្ថានរូបវិទ្យានិងបច្ចេកវិទ្យាទីក្រុងម៉ូស្គូដល់ទីប្រឹក្សាការច្នៃប្រឌិតរបស់ Ernst & Young Yuri Pavlovich Ammosov (គាត់ជាប្រធានវគ្គសិក្សាទាំងមូល) និង Mikhail Batin ដែលចូលរួមក្នុងការព្យាបាលនិងជីវិតរស់ឡើងវិញ។ បញ្ហាផ្នែកបន្ថែម។ ជាលទ្ធផល អ្នករូបវិទ្យាបានជ្រើសរើសគំនិតដែលគួរឱ្យចាប់អារម្មណ៍បំផុតសម្រាប់ពួកគេ អ្នកថែរក្សាបានភ្ជាប់ខ្លួនពួកគេទៅនឹងក្រុម ហើយការងារដ៏លំបាកប៉ុន្តែគួរឱ្យរំភើបបានចាប់ផ្តើម។
ក្នុងរយៈពេលជិតមួយឆ្នាំដែលបានកន្លងផុតទៅហើយ បុរសៗបានជួបប្រទះនឹងបញ្ហាជាច្រើន ដែលបញ្ហាខ្លះត្រូវបានដោះស្រាយ។ ឥឡូវនេះអ្នកអាចវាយតម្លៃលទ្ធផលរបស់ពួកគេ - ទោះបីជាមានការលំបាកក៏ដោយបុរសបានគ្រប់គ្រង។ និស្សិត MIPT (បន្ថែមលើមហាវិទ្យាល័យរូបវិទ្យា និស្សិតមួយចំនួននៃ FAPF និងមហាវិទ្យាល័យផ្សេងទៀតបានចូលរួមក្នុងដំណើរការនេះ) បានគ្រប់គ្រងដើម្បីរៀបចំគម្រោងគួរឱ្យចាប់អារម្មណ៍ និងអាចសម្រេចបានជាច្រើន៖
Askeroid (អតីត Ask Droid) - ស្វែងរកស្មាតហ្វូន ( នាង Anastasia Uryasheva)
កម្មវិធី Android ដែលអនុញ្ញាតឱ្យអ្នកស្វែងរកយ៉ាងងាយស្រួលនៅក្នុងម៉ាស៊ីនស្វែងរកមួយចំនួនធំ។ អ្នកជំនាញមួយចំនួនបានបង្ហាញពីចំណាប់អារម្មណ៍លើការអភិវឌ្ឍន៍ ហើយជាលទ្ធផល Anastasia បានចំណាយពេលពេញមួយរដូវក្តៅកន្លងមកនៅក្នុងកន្លែងភ្ញាស់ដ៏ល្បីបំផុតមួយនៅ Silicon Valley - Plug & Play ។ រៀនមូលដ្ឋានគ្រឹះនៃភាពជាសហគ្រិនបច្ចេកវិទ្យា និងនិយាយជាមួយអ្នកជំនាញការបណ្តាក់ទុនអន្តរជាតិ។
1minute.ru - មួយនាទីសម្រាប់ការល្អ (Lev Grunin)
គម្រោងនេះអនុញ្ញាតឱ្យអ្នកណាម្នាក់ធ្វើការងារសប្បុរសធម៌ដោយសាមញ្ញ រហ័ស និងមិនគិតថ្លៃទាំងស្រុង។ គំរូនេះគឺសាមញ្ញ៖ អ្នកផ្សាយពាណិជ្ជកម្មផ្តល់ជូននូវសំណុំសកម្មភាពជាក់លាក់នៅលើគេហទំព័រ អ្នកប្រើប្រាស់ស្ម័គ្រចិត្តចូលរួមជាមួយពួកគេ ប្រាក់ផ្សាយពាណិជ្ជកម្មទាំងអស់ត្រូវបានផ្ទេរទៅមូលនិធិសប្បុរសធម៌។ មួយសប្តាហ៍បន្ទាប់ពីការបើកដំណើរការ គម្រោងនេះបានប្រមូលអ្នកប្រើប្រាស់ច្រើនជាង 6,500 ហើយនឹងមិនឈប់នៅទីនោះទេ។ ជាលទ្ធផល សូមអរគុណដល់លោក Lev និងក្រុមរបស់គាត់ កុមារចំនួន 600 នាក់មកពីមណ្ឌលកុមារកំព្រា នឹងទទួលបានអំណោយដ៏មានតម្លៃពីសាន់តាក្លូសសម្រាប់ឆ្នាំថ្មី។ តើអ្នកបានចំណាយពេលមួយនាទីដើម្បីធ្វើអំពើល្អហើយឬនៅ?
ផ្ទៃតុបង្កប់ - កុំព្យូទ័រនៅក្នុងទូរស័ព្ទរបស់អ្នក (Alexey Vukolov)
កម្មវិធីដែលអនុញ្ញាតឱ្យអ្នកបញ្ចូលគ្នានូវសមត្ថភាពរបស់កុំព្យូទ័រ និងការចល័តរបស់ទូរសព្ទនៅក្នុងករណីតែមួយ គឺជាផលិតផលដ៏មានប្រយោជន៍បំផុតសម្រាប់អ្នករវល់ដែលតែងតែធ្វើដំណើរអាជីវកម្ម។ វាគ្រប់គ្រាន់ហើយក្នុងការដំឡើងវានៅលើស្មាតហ្វូន ហើយអ្នកប្រើប្រាស់នឹងអាច "ទទួលបាន" កុំព្យូទ័រផ្ទាល់ខ្លួនរបស់គាត់នៅក្នុងសណ្ឋាគារ ការិយាល័យណាមួយ ហើយជាការពិតណាស់គ្រប់ទីកន្លែងដែលអ្នកអាចស្វែងរកម៉ូនីទ័រ (ទូរទស្សន៍ក៏សមរម្យ) ក្តារចុច និងកណ្តុរ។ . គម្រោងនេះបានទទួលជំនួយសម្រាប់ការអភិវឌ្ឍន៍គំនិត ហើយត្រូវបានបង្ហាញនៅឯការតាំងពិពណ៌ Technovation Cup ហើយក្រុមការងារកំពុងទិញឧបករណ៍យ៉ាងសកម្មរួចហើយជាមួយនឹងប្រាក់ដែលទទួលបាន។ ក្រុមហ៊ុនផលិតប្រព័ន្ធដំណើរការ MIPS របស់អាមេរិកចាប់អារម្មណ៍យ៉ាងខ្លាំងចំពោះការអភិវឌ្ឍន៍។
Smart Tagger - ការស្វែងរកតាមន័យតាមឯកសារ (Viktor Kantor)
ចុះបើអ្នកចាំថាមានសំបុត្រសំខាន់មួយកន្លែងក្នុងប្រអប់សំបុត្រដែលនិយាយអំពីវគ្គចុងក្រោយបំផុតនៃទ្រឹស្តី Big Bang ប៉ុន្តែអ្នកមិនចាំពាក្យគន្លឹះណាមួយពីអត្ថបទនោះទេ? ការស្វែងរក Yandex និង Google គឺគ្មានថាមពលទេ។ ការអភិវឌ្ឍន៍របស់ Smart Tagger នឹងមកជួយសង្គ្រោះ - កម្មវិធី "ឆ្លាតវៃ" ដែលប្រើការស្វែងរកតាមន័យធៀបនឹងផ្តល់ឱ្យអ្នកនូវអត្ថបទទាំងអស់ដែលអត្ថន័យត្រូវបានទាក់ទងជាមួយស៊េរីពេញនិយម។ គម្រោងនេះបានទទួលជំនួយឥតសំណងនៅ U.M.N.I.K. ចំនួនសរុប 400,000 rubles!
MathOcr - ការទទួលស្គាល់រូបមន្ត (Viktor Prun)
ABBYY បានស្នើរកិច្ចការគួរឱ្យចាប់អារម្មណ៍មួយសម្រាប់ការអនុវត្ត - ដើម្បីបង្កើតកម្មវិធីដែលនឹងទទួលស្គាល់រូបមន្តគណិតវិទ្យានៃភាពស្មុគស្មាញណាមួយ។ សិស្ស FIVT ដោយបានសហការជាមួយ fopfs ដែលមានចំណាប់អារម្មណ៍ បានបញ្ចប់កិច្ចការនេះ - ម៉ូឌុលពិតជាទទួលស្គាល់រូបមន្តដែលបានស្កេនពីសៀវភៅសិក្សាលើម៉ាតាន ឬរូបវិទ្យា។ លទ្ធផល៖ ABBYY ត្រៀមខ្លួនជាស្រេចក្នុងការទិញផលិតផលនេះក្នុងតម្លៃដ៏ធំ។
ជាផ្នែកមួយនៃគម្រោង ABC AI រួមគ្នាជាមួយ MIPT យើងបានសរសេររួចមកហើយអំពីកម្មវិធីដែលគេហៅថា ដែលអនុញ្ញាតឱ្យអ្នក "រីកចម្រើន" កម្មវិធីយោងទៅតាមគោលការណ៍ និងច្បាប់នៃការវិវត្តន៍របស់ដាវីន។ ទោះជាយ៉ាងណាក៏ដោយ ខណៈពេលដែលវិធីសាស្រ្តបែបនេះចំពោះបញ្ញាសិប្បនិមិត្ត ជាការពិត "ភ្ញៀវមកពីអនាគត"។ ប៉ុន្តែ តើប្រព័ន្ធបញ្ញាសិប្បនិមិត្តត្រូវបានបង្កើតឡើងដោយរបៀបណាក្នុងថ្ងៃនេះ? តើពួកគេត្រូវបានបណ្តុះបណ្តាលដោយរបៀបណា? លោក Viktor Kantor សាស្ត្រាចារ្យជាន់ខ្ពស់នៅនាយកដ្ឋានក្បួនដោះស្រាយ និងបច្ចេកវិទ្យាកម្មវិធីនៅវិទ្យាស្ថានរូបវិទ្យា និងបច្ចេកវិទ្យាម៉ូស្គូ ដែលជាប្រធានក្រុមវិភាគឥរិយាបថអ្នកប្រើប្រាស់ទិន្នន័យរោងចក្រ Yandex បានជួយយើងដោះស្រាយបញ្ហានេះ។
យោងតាមរបាយការណ៍ថ្មីៗនេះពីក្រុមហ៊ុនស្រាវជ្រាវ Gartner ដែលធ្វើបច្ចុប្បន្នភាពជាប្រចាំនូវវដ្តនៃភាពចាស់ទុំផ្នែកបច្ចេកវិទ្យារបស់ខ្លួន ក្នុងចំណោម IT ទាំងអស់ ការរៀនម៉ាស៊ីនគឺស្ថិតនៅកម្រិតកំពូលនៃការរំពឹងទុកនាពេលបច្ចុប្បន្ននេះ។ នេះមិនមែនជារឿងគួរឱ្យភ្ញាក់ផ្អើលនោះទេ៖ ក្នុងរយៈពេលប៉ុន្មានឆ្នាំចុងក្រោយនេះ ការរៀនម៉ាស៊ីនបានចេញពីការចាប់អារម្មណ៍នៃរង្វង់តូចចង្អៀតនៃគណិតវិទូ និងអ្នកឯកទេសខាងទ្រឹស្តីនៃក្បួនដោះស្រាយ ហើយបានជ្រាបចូលទៅក្នុងវាក្យសព្ទរបស់អ្នកជំនួញផ្នែកព័ត៌មានវិទ្យា ហើយបន្ទាប់មកចូលទៅក្នុងពិភពលោក។ របស់មនុស្សសាមញ្ញ។ ឥឡូវនេះមានរឿងដូចជាបណ្តាញសរសៃប្រសាទជាមួយនឹង "វេទមន្ត" ពិសេសរបស់ពួកគេ នរណាម្នាក់ដែលបានប្រើកម្មវិធី Prisma ស្វែងរកបទចម្រៀងដោយប្រើ Shazam ឬបានឃើញរូបភាពឆ្លងកាត់ DeepDream ដឹង។
ទោះយ៉ាងណាក៏ដោយ វាជារឿងមួយដែលត្រូវប្រើបច្ចេកវិទ្យា និងមួយទៀតដើម្បីយល់ពីរបៀបដែលវាដំណើរការ។ ពាក្យសាមញ្ញដូចជា "កុំព្យូទ័រអាចរៀនបាន ប្រសិនបើអ្នកផ្តល់ឱ្យវានូវតម្រុយ" ឬ "បណ្តាញសរសៃប្រសាទមានសរសៃប្រសាទឌីជីថល ហើយត្រូវបានរៀបចំដូចជាខួរក្បាលមនុស្ស" អាចជួយនរណាម្នាក់ ប៉ុន្តែជាញឹកញាប់ពួកគេគ្រាន់តែយល់ច្រឡំស្ថានភាពប៉ុណ្ណោះ។ អ្នកដែលនឹងចូលប្រឡូកក្នុងការសិក្សាគណិតវិទ្យាយ៉ាងយកចិត្តទុកដាក់ មិនត្រូវការអត្ថបទពេញនិយមទេ៖ មានសៀវភៅសិក្សា និងវគ្គសិក្សាអនឡាញដ៏ល្អសម្រាប់ពួកគេ។ យើងនឹងព្យាយាមឆ្ពោះទៅរកផ្លូវកណ្តាល៖ ពន្យល់ពីរបៀបដែលការរៀនពិតជាកើតឡើងលើកិច្ចការដ៏សាមញ្ញបំផុតដែលអាចធ្វើទៅបាន ហើយបន្ទាប់មកបង្ហាញពីរបៀបដែលវិធីសាស្រ្តដូចគ្នាអាចត្រូវបានអនុវត្តដើម្បីដោះស្រាយបញ្ហាគួរឱ្យចាប់អារម្មណ៍ពិតប្រាកដ។
របៀបដែលម៉ាស៊ីនរៀន
ដើម្បីចាប់ផ្តើម ដើម្បីយល់ច្បាស់អំពីរបៀបដែលការរៀនម៉ាស៊ីនកើតឡើង ចូរយើងកំណត់គោលគំនិត។ ដូចដែលបានកំណត់ដោយអ្នកត្រួសត្រាយផ្លូវម្នាក់ក្នុងវិស័យនេះ លោក Arthur Samuel ការរៀនម៉ាស៊ីនសំដៅលើវិធីសាស្រ្តដែល "អនុញ្ញាតឱ្យកុំព្យូទ័ររៀនដោយមិនចាំបាច់មានកម្មវិធីដោយផ្ទាល់" ។ មានថ្នាក់ទូលំទូលាយពីរនៃវិធីសាស្រ្តរៀនម៉ាស៊ីន៖ ការរៀនដោយត្រួតពិនិត្យ និងការរៀនដោយគ្មានការត្រួតពិនិត្យ។ ទីមួយត្រូវបានប្រើនៅពេលដែលយើងត្រូវការបង្រៀនកុំព្យូទ័រដើម្បីស្វែងរករូបថតជាមួយរូបភាពឆ្មា ទីពីរ - នៅពេលដែលយើងត្រូវការម៉ាស៊ីន ឧទាហរណ៍ ដើម្បីអាចដាក់ជាក្រុមព័ត៌មានដោយឯករាជ្យទៅក្នុងរឿង ដូចដែលកើតឡើងនៅក្នុង សេវាកម្មដូចជា Yandex.News ឬ Google News ។ នោះគឺនៅក្នុងករណីទីមួយ យើងកំពុងដោះស្រាយជាមួយនឹងកិច្ចការដែលបញ្ជាក់ពីអត្ថិភាពនៃចម្លើយត្រឹមត្រូវ (ឆ្មានៅក្នុងរូបថតមានឬអត់) ក្នុងករណីទីពីរមិនមានចម្លើយត្រឹមត្រូវតែមួយទេ ប៉ុន្តែមានភាពខុសគ្នា មធ្យោបាយដើម្បីដោះស្រាយបញ្ហា។ យើងនឹងផ្តោតលើបញ្ហាថ្នាក់ទីមួយជាការចាប់អារម្មណ៍បំផុត។
ដូច្នេះ យើងត្រូវបង្រៀនកុំព្យូទ័រដើម្បីធ្វើការទស្សន៍ទាយខ្លះៗ។ និង, និយម, ត្រឹមត្រូវតាមដែលអាចធ្វើទៅបាន។ ការទស្សន៍ទាយអាចមានពីរប្រភេទ៖ ទាំងអ្នកត្រូវជ្រើសរើសរវាងជម្រើសចម្លើយជាច្រើន (តើមានឆ្មានៅក្នុងរូបភាពឬអត់ - នេះគឺជាជម្រើសនៃជម្រើសមួយក្នុងចំនោមពីរ សមត្ថភាពក្នុងការស្គាល់អក្សរក្នុងរូបភាពគឺជាជម្រើសមួយ ជម្រើសចេញពីរាប់សិប និងច្រើនទៀត) ឬធ្វើការទស្សន៍ទាយជាលេខ។ ជាឧទាហរណ៍ ទស្សន៍ទាយទម្ងន់របស់មនុស្សដោយផ្អែកលើកម្ពស់ អាយុ ទំហំស្បែកជើង។ល។ បញ្ហាទាំងពីរប្រភេទនេះមើលទៅខុសគ្នា តែតាមពិតគេដោះស្រាយស្ទើរតែដូចគ្នា។ តោះព្យាយាមស្វែងយល់ពីរបៀប។
រឿងដំបូងដែលយើងត្រូវបង្កើតប្រព័ន្ធទស្សន៍ទាយគឺប្រមូលនូវអ្វីដែលហៅថាគំរូបណ្តុះបណ្តាល ពោលគឺទិន្នន័យអំពីទម្ងន់របស់មនុស្សក្នុងចំនួនប្រជាជន។ ទីពីរគឺត្រូវសម្រេចចិត្តលើសំណុំនៃលក្ខណៈពិសេសមួយដោយផ្អែកលើមូលដ្ឋានដែលយើងអាចធ្វើការសន្និដ្ឋានអំពីទម្ងន់។ វាច្បាស់ណាស់ថាមួយក្នុងចំណោមសញ្ញា "ខ្លាំង" បំផុតនៃសញ្ញាទាំងនេះនឹងជាការលូតលាស់របស់មនុស្សដូច្នេះជាការប៉ាន់ស្មានដំបូងវាគ្រប់គ្រាន់ដើម្បីយកតែវាប៉ុណ្ណោះ។ ប្រសិនបើទម្ងន់អាស្រ័យលើកម្ពស់ នោះការព្យាករណ៍របស់យើងនឹងសាមញ្ញបំផុត៖ ទម្ងន់របស់មនុស្សនឹងស្មើនឹងកម្ពស់របស់គាត់គុណនឹងមេគុណមួយចំនួន បូកនឹងតម្លៃថេរមួយចំនួន ដែលត្រូវបានសរសេរដោយរូបមន្តសាមញ្ញបំផុត y \u003d kx + b ។ អ្វីទាំងអស់ដែលយើងត្រូវធ្វើដើម្បីហ្វឹកហាត់ម៉ាស៊ីនដើម្បីទស្សន៍ទាយទម្ងន់របស់មនុស្សគឺដើម្បីស្វែងរកតម្លៃត្រឹមត្រូវសម្រាប់ k និង b ។
ភាពស្រស់ស្អាតនៃការរៀនម៉ាស៊ីនគឺថា ទោះបីជាការញៀនដែលយើងកំពុងសិក្សាមានភាពស្មុគ្រស្មាញក៏ដោយ វាមានការផ្លាស់ប្តូរតិចតួចនៅក្នុងវិធីសាស្រ្តរបស់យើងផ្ទាល់។ យើងនឹងនៅតែដោះស្រាយជាមួយនឹងការតំរែតំរង់ដដែល។
ឧបមាថាកម្ពស់របស់មនុស្សមិនប៉ះពាល់ដល់ទំងន់របស់មនុស្សតាមលីនេអ៊ែរទេប៉ុន្តែដល់កម្រិតទីបី (ដែលជាទូទៅត្រូវបានគេរំពឹងទុកព្រោះទម្ងន់អាស្រ័យលើបរិមាណរាងកាយ) ។ ដើម្បីពិចារណាលើការពឹងផ្អែកនេះ យើងគ្រាន់តែណែនាំពាក្យមួយបន្ថែមទៀតទៅក្នុងសមីការរបស់យើង ពោលគឺកម្រិតទីបីនៃកំណើនជាមួយនឹងមេគុណរបស់វាផ្ទាល់ ខណៈពេលដែលទទួលបាន y=k 1 x+k 2 x 3 +b ។ ឥឡូវនេះ ដើម្បីហ្វឹកហាត់ម៉ាស៊ីន យើងនឹងត្រូវការរកមិនមែនពីរទេ ប៉ុន្តែតម្លៃបី (k 1, k 2 និង b) ។ ចូរនិយាយថាយើងក៏ចង់គិតគូរពីទំហំស្បែកជើងរបស់មនុស្ស អាយុរបស់ពួកគេ ពេលវេលាដែលពួកគេចំណាយពេលមើលទូរទស្សន៍ និងចម្ងាយពីផ្ទះល្វែងរបស់ពួកគេទៅកន្លែងលក់អាហាររហ័សដែលនៅជិតបំផុតនៅក្នុងការទស្សន៍ទាយរបស់យើង។ គ្មានបញ្ហាទេ៖ យើងគ្រាន់តែដាក់លក្ខណៈពិសេសទាំងនេះជាពាក្យដាច់ដោយឡែកនៅក្នុងសមីការដូចគ្នា។
អ្វីដែលសំខាន់បំផុតគឺបង្កើតវិធីសកលដើម្បីស្វែងរកមេគុណដែលត្រូវការ (k 1, k 2, … k n) ។ ប្រសិនបើវាគឺ វានឹងស្ទើរតែព្រងើយកន្តើយចំពោះយើងនូវលក្ខណៈពិសេសដែលត្រូវប្រើសម្រាប់ការទស្សន៍ទាយ ព្រោះម៉ាស៊ីនខ្លួនឯងនឹងរៀនផ្តល់ទម្ងន់ច្រើនដល់វត្ថុសំខាន់ៗ និងតូចមួយសម្រាប់លក្ខណៈពិសេសដែលមិនសំខាន់។ ជាសំណាងល្អ វិធីសាស្ត្របែបនេះត្រូវបានបង្កើតរួចហើយ ហើយការរៀនម៉ាស៊ីនស្ទើរតែទាំងអស់ដំណើរការដោយជោគជ័យលើវា៖ ពីគំរូលីនេអ៊ែរសាមញ្ញបំផុត រហូតដល់ប្រព័ន្ធសម្គាល់មុខ និងឧបករណ៍វិភាគការនិយាយ។ វិធីសាស្រ្តនេះត្រូវបានគេហៅថា gradient descent ។ ប៉ុន្តែមុននឹងពន្យល់ពីរបៀបដែលវាដំណើរការ យើងត្រូវធ្វើការបកស្រាយតូចមួយ ហើយនិយាយអំពីបណ្តាញសរសៃប្រសាទ។
បណ្តាញសរសៃប្រសាទ
ក្នុងឆ្នាំ 2016 បណ្តាញសរសៃប្រសាទបានបញ្ចូលរបៀបវារៈព័ត៌មានយ៉ាងតឹងរ៉ឹង ដែលពួកគេស្ទើរតែត្រូវបានកំណត់អត្តសញ្ញាណជាមួយនឹងការរៀនម៉ាស៊ីនណាមួយ និងបច្ចេកវិទ្យាទំនើបជាទូទៅ។ និយាយជាផ្លូវការ នេះមិនមែនជាការពិតទេ៖ បណ្តាញសរសៃប្រសាទមិនតែងតែត្រូវបានប្រើប្រាស់ក្នុងការរៀនគណិតវិទ្យាទេ មានបច្ចេកវិទ្យាផ្សេងទៀត។ ប៉ុន្តែជាទូទៅ សមាគមបែបនេះគឺអាចយល់បាន ព្រោះវាជាប្រព័ន្ធផ្អែកលើបណ្តាញសរសៃប្រសាទដែលឥឡូវនេះផ្តល់លទ្ធផល "វេទមន្ត" បំផុត ដូចជាសមត្ថភាពក្នុងការស្វែងរកមនុស្សម្នាក់តាមរូបថត ការលេចឡើងនៃកម្មវិធីដែលផ្ទេរទិន្នន័យ។ រចនាប័ទ្មនៃរូបភាពមួយទៅរូបភាពមួយទៀត ឬប្រព័ន្ធសម្រាប់បង្កើតអត្ថបទក្នុងលក្ខណៈនៃការនិយាយរបស់មនុស្សជាក់លាក់។
របៀបដែលបណ្តាញសរសៃប្រសាទត្រូវបានរៀបចំ យើងរួចហើយ។ នៅទីនេះខ្ញុំគ្រាន់តែចង់បញ្ជាក់ថាភាពខ្លាំងនៃបណ្តាញសរសៃប្រសាទបើប្រៀបធៀបទៅនឹងប្រព័ន្ធរៀនម៉ាស៊ីនផ្សេងទៀតគឺស្ថិតនៅក្នុងភាពចម្រុះរបស់ពួកគេ ប៉ុន្តែនេះមិនធ្វើឱ្យពួកគេមានភាពខុសគ្នាជាមូលដ្ឋានទាក់ទងនឹងរបៀបដែលពួកគេធ្វើការនោះទេ។ ស្រទាប់ពិតជាអនុញ្ញាតឱ្យអ្នកស្វែងរកលក្ខណៈទូទៅអរូបី និងភាពអាស្រ័យនៅក្នុងសំណុំនៃលក្ខណៈស្មុគស្មាញ ដូចជាភីកសែលនៅក្នុងរូបភាព។ ប៉ុន្តែវាជាការសំខាន់ណាស់ដែលត្រូវយល់ថានៅក្នុងលក្ខខណ្ឌនៃគោលការណ៍សិក្សា បណ្តាញសរសៃប្រសាទមិនខុសគ្នាខ្លាំងពីសំណុំនៃរូបមន្តតំរែតំរង់លីនេអ៊ែរធម្មតានោះទេ ដូច្នេះវិធីសាស្ត្រចុះជម្រាលដូចគ្នាក៏ដំណើរការល្អនៅទីនេះផងដែរ។
"កម្លាំង" នៃបណ្តាញសរសៃប្រសាទស្ថិតនៅក្នុងវត្តមាននៃស្រទាប់មធ្យមនៃណឺរ៉ូនដែលរួមបញ្ចូលគ្នានូវតម្លៃនៃស្រទាប់បញ្ចូល។ ដោយសារតែនេះ បណ្តាញសរសៃប្រសាទអាចស្វែងរកលក្ខណៈពិសេសទិន្នន័យអរូបីដែលពិបាកកាត់បន្ថយទៅជារូបមន្តសាមញ្ញដូចជាទំនាក់ទំនងលីនេអ៊ែរ ឬចតុកោណ។
ចូរយើងពន្យល់ជាមួយឧទាហរណ៍មួយ។ យើងបានដោះស្រាយតាមការទស្សន៍ទាយដែលទម្ងន់របស់មនុស្សម្នាក់អាស្រ័យលើកម្ពស់ និងកម្ពស់របស់ពួកគេគូប ដែលត្រូវបានបង្ហាញដោយរូបមន្ត y=k 1 x+k 2 x 3 +b ។ ជាមួយនឹងការលាតសន្ធឹងខ្លះប៉ុន្តែការពិតសូម្បីតែរូបមន្តបែបនេះអាចត្រូវបានគេហៅថាបណ្តាញសរសៃប្រសាទ។ នៅក្នុងនោះ ដូចជានៅក្នុងបណ្តាញសរសៃប្រសាទធម្មតា មានស្រទាប់ទីមួយនៃ "ណឺរ៉ូន" ដែលជាស្រទាប់នៃលក្ខណៈពិសេសផងដែរ៖ ទាំងនេះគឺជា x និង x 3 (ល្អ "ណឺរ៉ូនតែមួយ" ដែលយើងចងចាំ និងសម្រាប់អ្វីដែល មេគុណ b ទទួលខុសត្រូវ) ។ ស្រទាប់ខាងលើ ឬជាលទ្ធផលត្រូវបានតំណាងដោយ "ណឺរ៉ូន" y តែមួយ ពោលគឺទម្ងន់ព្យាករណ៍របស់មនុស្ស។ ហើយរវាងស្រទាប់ទីមួយ និងចុងក្រោយនៃ "ណឺរ៉ូន" មានទំនាក់ទំនងគ្នា កម្លាំង ឬទម្ងន់ត្រូវបានកំណត់ដោយមេគុណ k 1, k 2 និង b ។ ដើម្បីបណ្តុះបណ្តាល "បណ្តាញសរសៃប្រសាទ" នេះមានន័យថាគ្រាន់តែស្វែងរកមេគុណដូចគ្នាទាំងនេះ។
ភាពខុសគ្នាតែមួយគត់ពីបណ្តាញសរសៃប្រសាទ "ពិតប្រាកដ" នៅទីនេះគឺថាយើងមិនមានស្រទាប់សរសៃប្រសាទកម្រិតមធ្យម (ឬលាក់) តែមួយទេ ដែលភារកិច្ចរបស់វាគឺដើម្បីបញ្ចូលគ្នានូវលក្ខណៈបញ្ចូល។ ការណែនាំនៃស្រទាប់បែបនេះធ្វើឱ្យវាមិនអាចទៅរួចទេក្នុងការបង្កើតភាពអាស្រ័យដែលអាចកើតមានរវាងលក្ខណៈពិសេសដែលមាន ប៉ុន្តែត្រូវពឹងផ្អែកលើបន្សំដែលមានស្រាប់របស់ពួកគេនៅក្នុងបណ្តាញសរសៃប្រសាទ។ ជាឧទាហរណ៍ អាយុ និងម៉ោងទូរទស្សន៍ជាមធ្យមអាចមានឥទ្ធិពលរួមលើទម្ងន់របស់មនុស្ស ប៉ុន្តែការមានបណ្តាញសរសៃប្រសាទ យើងមិនចាំបាច់ដឹងរឿងនេះជាមុន ហើយបញ្ចូលផលិតផលរបស់ពួកគេទៅក្នុងរូបមន្តនោះទេ។ វាប្រាកដជានឹងមានណឺរ៉ូននៅក្នុងបណ្តាញសរសៃប្រសាទដែលរួមបញ្ចូលគ្នានូវឥទ្ធិពលនៃលក្ខណៈទាំងពីរណាមួយ ហើយប្រសិនបើឥទ្ធិពលនេះពិតជាគួរឱ្យកត់សម្គាល់លើគំរូនោះ បន្ទាប់ពីការបណ្តុះបណ្តាលណឺរ៉ូននេះនឹងទទួលបានទម្ងន់ធំដោយស្វ័យប្រវត្តិ។
ជម្រាលជម្រាល
ដូច្នេះ យើងមានសំណុំឧទាហរណ៍បណ្ដុះបណ្ដាលជាមួយនឹងទិន្នន័យដែលគេស្គាល់ នោះគឺជាតារាងដែលមានទម្ងន់មនុស្សបានវាស់យ៉ាងត្រឹមត្រូវ និងសម្មតិកម្មអាស្រ័យខ្លះក្នុងករណីនេះ តំរែតំរង់លីនេអ៊ែរ y=kx+b ។ ភារកិច្ចរបស់យើងគឺស្វែងរកតម្លៃត្រឹមត្រូវនៃ k និង b ហើយមិនមែនដោយដៃទេ ប៉ុន្តែដោយស្វ័យប្រវត្តិ។ ហើយនិយមវិធីសាស្រ្តសកលដែលមិនអាស្រ័យលើចំនួនប៉ារ៉ាម៉ែត្រដែលបានរួមបញ្ចូលនៅក្នុងរូបមន្ត។
ដើម្បីធ្វើដូចនេះជាទូទៅគឺងាយស្រួល។ គំនិតចម្បងគឺបង្កើតមុខងារដែលនឹងវាស់កម្រិតកំហុសសរុបបច្ចុប្បន្ន និង "បង្វិល" មេគុណ ដូច្នេះកម្រិតកំហុសសរុបធ្លាក់ចុះបន្តិចម្តងៗ។ តើធ្វើដូចម្តេចដើម្បីធ្វើឱ្យកម្រិតកំហុសធ្លាក់ចុះ? យើងត្រូវកែប្រែប៉ារ៉ាម៉ែត្ររបស់យើងក្នុងទិសដៅត្រឹមត្រូវ។
ស្រមៃមើលប៉ារ៉ាម៉ែត្រពីររបស់យើងដែលយើងកំពុងស្វែងរកគឺ k និង b ដូចគ្នា ជាទិសដៅពីរនៅលើយន្តហោះ ដូចជាអ័ក្សខាងជើង - ខាងត្បូង និងខាងលិច - ខាងកើត។ ចំណុចនីមួយៗនៅលើយន្តហោះបែបនេះនឹងត្រូវគ្នាទៅនឹងតម្លៃជាក់លាក់នៃមេគុណ ដែលជាទំនាក់ទំនងជាក់លាក់ជាក់លាក់រវាងកម្ពស់ និងទម្ងន់។ ហើយសម្រាប់ចំណុចនីមួយៗនៅលើយន្តហោះ យើងអាចគណនាកម្រិតសរុបនៃកំហុសដែលការទស្សន៍ទាយនេះផ្តល់ឱ្យសម្រាប់ឧទាហរណ៍នីមួយៗនៅក្នុងគំរូរបស់យើង។
វាប្រែចេញអ្វីមួយដូចជាកម្ពស់ជាក់លាក់នៅលើយន្តហោះ ហើយលំហជុំវិញទាំងមូលចាប់ផ្តើមស្រដៀងនឹងទេសភាពភ្នំ។ ភ្នំគឺជាចំណុចដែលមានអត្រាកំហុសខ្ពស់ណាស់ ជ្រលងភ្នំគឺជាកន្លែងដែលមានកំហុសតិចជាង។ វាច្បាស់ណាស់ថាដើម្បីបណ្តុះបណ្តាលប្រព័ន្ធរបស់យើងមានន័យថាស្វែងរកចំណុចទាបបំផុតនៅលើដីដែលជាចំណុចដែលអត្រាកំហុសមានតិចតួចបំផុត។
តើអ្នកអាចរកឃើញចំណុចនេះដោយរបៀបណា? មធ្យោបាយដែលត្រឹមត្រូវបំផុតគឺត្រូវរំកិលចុះក្រោមគ្រប់ពេលវេលាពីចំណុចដែលយើងបានបញ្ចប់ដំបូង។ ដូច្នេះ មិនយូរមិនឆាប់ យើងនឹងទៅដល់កម្រិតអប្បបរមាក្នុងស្រុក - ចំណុចខាងក្រោមដែលគ្មានអ្វីនៅក្នុងសង្កាត់ភ្លាមៗនោះទេ។ ជាងនេះទៅទៀត វាគឺជាការចង់ធ្វើជំហាននៃទំហំផ្សេងៗគ្នា៖ នៅពេលដែលជម្រាលគឺចោត អ្នកអាចបោះជំហានកាន់តែធំ នៅពេលដែលជម្រាលតូច វាជាការប្រសើរក្នុងការជ្រៀតចូលដល់កម្រិតអប្បបរមាក្នុងស្រុក "នៅលើចុងជើង" បើមិនដូច្នេះទេអ្នកអាចរអិល។
នេះជារបៀបដែលជម្រាលជម្រាលដំណើរការ៖ យើងផ្លាស់ប្តូរទម្ងន់មុខងារក្នុងទិសដៅនៃការធ្លាក់ចុះដ៏ធំបំផុតនៅក្នុងមុខងារកំហុស។ យើងផ្លាស់ប្តូរពួកវាម្តងហើយម្តងទៀត នោះគឺជាមួយនឹងជំហានជាក់លាក់មួយ តម្លៃដែលសមាមាត្រទៅនឹងភាពចោតនៃជម្រាល។ គួរឱ្យចាប់អារម្មណ៍ ជាមួយនឹងការកើនឡើងនៃចំនួននៃលក្ខណៈពិសេស (បន្ថែមគូបនៃកម្ពស់របស់មនុស្ស អាយុ ទំហំស្បែកជើង និងដូច្នេះនៅលើ) តាមពិតគ្មានអ្វីផ្លាស់ប្តូរទេ វាគ្រាន់តែថាទេសភាពរបស់យើងមិនមានលក្ខណៈពីរទេ ប៉ុន្តែជាពហុវិមាត្រ។
មុខងារកំហុសអាចត្រូវបានកំណត់ថាជាផលបូកនៃការ៉េនៃគម្លាតទាំងអស់ដែលរូបមន្តបច្ចុប្បន្នអនុញ្ញាតឱ្យមនុស្សដែលមានទម្ងន់ដែលយើងដឹងច្បាស់រួចហើយ។ ចូរយកអថេរចៃដន្យមួយចំនួន k និង b ឧទាហរណ៍ 0 និង 50 ។ បន្ទាប់មកប្រព័ន្ធនឹងព្យាករណ៍សម្រាប់យើងថាទម្ងន់របស់មនុស្សម្នាក់ៗក្នុងគំរូគឺតែងតែ 50 គីឡូក្រាម y = 0 × x + 50 នៅលើក្រាហ្វ ការពឹងផ្អែកបែបនេះនឹង មើលទៅដូចជាបន្ទាត់ត្រង់ស្របទៅនឹងផ្ដេក។ វាច្បាស់ណាស់ថានេះមិនមែនជាការព្យាករណ៍ដ៏ល្អទេ។ ឥឡូវនេះ ចូរយើងយកគម្លាតជាទម្ងន់ពីតម្លៃដែលបានព្យាករណ៍នេះ មកការ៉េ (ដូច្នេះតម្លៃអវិជ្ជមានក៏ត្រូវបានយកមកគិតផងដែរ) ហើយសរុបវាឡើង - នេះនឹងជាកំហុសនៅចំណុចនេះ។ ប្រសិនបើអ្នកស្គាល់ការចាប់ផ្តើមនៃការវិភាគ នោះអ្នកថែមទាំងអាចបញ្ជាក់បានថា ទិសដៅនៃការដួលរលំដ៏ធំបំផុតត្រូវបានផ្តល់ដោយដេរីវេផ្នែកនៃមុខងារកំហុសទាក់ទងនឹង k និង b ហើយជំហានគឺជាតម្លៃដែលត្រូវបានជ្រើសរើសពី ការពិចារណាជាក់ស្តែង៖ ជំហានតូចៗត្រូវចំណាយពេលច្រើនក្នុងការគណនា ហើយជំហានធំអាចនាំឱ្យយើងខកខានអប្បបរមា។
យល់ព្រម ប៉ុន្តែចុះយ៉ាងណាបើយើងមិនត្រឹមតែមានតំរែតំរង់ដ៏ស្មុគស្មាញដែលមានលក្ខណៈពិសេសជាច្រើនប៉ុណ្ណោះទេ ប៉ុន្តែបណ្តាញសរសៃប្រសាទពិតប្រាកដ? តើយើងអនុវត្តជម្រាលជម្រាលក្នុងករណីនេះដោយរបៀបណា? វាប្រែថា ជម្រាលជម្រាលដំណើរការដូចគ្នាជាមួយបណ្តាញសរសៃប្រសាទ មានតែការបណ្តុះបណ្តាលកើតឡើង 1) ជាដំណាក់កាល ពីស្រទាប់មួយទៅស្រទាប់ និង 2) បន្តិចម្តងៗ ពីឧទាហរណ៍មួយក្នុងគំរូទៅមួយទៀត។ វិធីសាស្រ្តដែលប្រើនៅទីនេះត្រូវបានគេហៅថា backpropagation ហើយត្រូវបានពិពណ៌នាដោយឯករាជ្យនៅឆ្នាំ 1974 ដោយគណិតវិទូសូវៀត Alexander Galushkin និងគណិតវិទូ Paul John Webros នៃសាកលវិទ្យាល័យ Harvard ។
ទោះបីជាសម្រាប់ការបង្ហាញយ៉ាងម៉ត់ចត់នៃក្បួនដោះស្រាយ វានឹងចាំបាច់ក្នុងការសរសេរចេញនូវនិស្សន្ទវត្ថុដោយផ្នែក (ជាឧទាហរណ៍) ក្នុងកម្រិតវិចារណញាណ អ្វីគ្រប់យ៉ាងកើតឡើងយ៉ាងសាមញ្ញ៖ សម្រាប់គំរូនីមួយៗក្នុងគំរូ យើងមានការព្យាករណ៍ជាក់លាក់មួយនៅ លទ្ធផលនៃបណ្តាញសរសៃប្រសាទ។ មានចម្លើយត្រឹមត្រូវ យើងអាចដកចម្លើយត្រឹមត្រូវពីការទស្សន៍ទាយ ហើយដូច្នេះទទួលបានកំហុសមួយ (កាន់តែច្បាស់ សំណុំនៃកំហុសសម្រាប់ណឺរ៉ូននីមួយៗនៃស្រទាប់លទ្ធផល)។ ឥឡូវនេះយើងត្រូវផ្ទេរកំហុសនេះទៅស្រទាប់មុននៃណឺរ៉ូន ហើយកាន់តែច្រើនណឺរ៉ូនពិសេសនៃស្រទាប់នេះបានរួមចំណែកដល់កំហុស នោះយើងត្រូវកាត់បន្ថយទម្ងន់របស់វាកាន់តែច្រើន (តាមពិត យើងកំពុងនិយាយម្តងទៀតអំពីការទទួលយកដេរីវេដោយផ្នែក។ អំពីការផ្លាស់ប្តូរតាមបណ្តោយភាពចោតអតិបរមានៃទេសភាពស្រមើស្រមៃរបស់យើង) ។ នៅពេលដែលយើងធ្វើបែបនេះ នីតិវិធីដូចគ្នាត្រូវតែធ្វើម្តងទៀតសម្រាប់ស្រទាប់បន្ទាប់ ដោយផ្លាស់ទីក្នុងទិសដៅផ្ទុយ ពោលគឺពីទិន្នផលនៃបណ្តាញសរសៃប្រសាទទៅធាតុបញ្ចូល។
ការឆ្លងកាត់បណ្តាញសរសៃប្រសាទតាមរបៀបនេះជាមួយនឹងឧទាហរណ៍នីមួយៗនៃគំរូបណ្តុះបណ្តាល និង "បង្វិល" ទម្ងន់នៃណឺរ៉ូនក្នុងទិសដៅត្រឹមត្រូវ យើងគួរតែទទួលបានបណ្តាញសរសៃប្រសាទដែលត្រូវបានបណ្តុះបណ្តាលជាយថាហេតុ។ វិធីសាស្រ្ត backpropagation គឺជាការកែប្រែដ៏សាមញ្ញនៃវិធីសាស្ត្រចុះជម្រាលជម្រាលសម្រាប់បណ្តាញសរសៃប្រសាទពហុស្រទាប់ ហើយដូច្នេះគួរតែដំណើរការសម្រាប់បណ្តាញសរសៃប្រសាទនៃភាពស្មុគស្មាញណាមួយ។ យើងនិយាយថា "គួរតែ" នៅទីនេះ ពីព្រោះតាមពិតមានករណីជាច្រើននៅពេលដែល gradient descent បរាជ័យ និងមិនអនុញ្ញាតឱ្យអ្នកធ្វើការតំរែតំរង់បានល្អ ឬបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។ វាមានប្រយោជន៍ក្នុងការដឹងពីអ្វីដែលបណ្តាលឱ្យមានការលំបាកបែបនេះ។
ភាពលំបាកនៃជម្រាលជម្រាល
ជម្រើសខុសនៃអប្បបរមាដាច់ខាត។វិធីសាស្ត្រចុះជម្រាលតាមជម្រាលជួយរកចំណុចខ្លាំងក្នុងតំបន់។ ប៉ុន្តែយើងមិនតែងតែអាចប្រើវាដើម្បីឈានដល់កម្រិតអប្បបរមា ឬអតិបរមានៃមុខងារសកលនោះទេ។ វាកើតឡើងដោយសារតែនៅពេលផ្លាស់ទីតាម antigradient យើងឈប់នៅពេលយើងឈានដល់កម្រិតអប្បបរមាមូលដ្ឋានដំបូងដែលយើងជួបប្រទះ ហើយក្បួនដោះស្រាយឈប់ដំណើរការរបស់វា។
ស្រមៃថាអ្នកកំពុងឈរនៅលើកំពូលភ្នំ។ ប្រសិនបើអ្នកចង់ចុះទៅផ្ទៃទាបបំផុតក្នុងតំបន់ វិធីសាស្ត្រចុះជម្រាលមិនតែងតែជួយអ្នកបានទេ ព្រោះចំណុចទាបដំបូងនៅលើផ្លូវរបស់អ្នកនឹងមិនចាំបាច់ជាចំណុចទាបបំផុតឡើយ។ ហើយប្រសិនបើនៅក្នុងជីវិតអ្នកអាចឃើញថាវាមានតម្លៃកើនឡើងបន្តិចហើយអ្នកអាចទៅទាបជាងនេះ នោះក្បួនដោះស្រាយនឹងបញ្ឈប់ជាធម្មតាក្នុងស្ថានភាពបែបនេះ។ ជារឿយៗស្ថានភាពនេះអាចត្រូវបានជៀសវាងដោយជ្រើសរើសជំហានត្រឹមត្រូវ។
ជម្រើសជំហានខុស។វិធីសាស្ត្រចុះជម្រាល គឺជាវិធីសាស្ត្រដដែលៗ។ នោះគឺយើងខ្លួនឯងត្រូវជ្រើសរើសទំហំជំហាន - ល្បឿនដែលយើងចុះ។ តាមរយៈការជ្រើសរើសជំហានធំពេក យើងអាចហោះហួសកម្រិតដែលយើងត្រូវការ និងមិនស្វែងរកអប្បបរមា។ នេះអាចកើតឡើងប្រសិនបើអ្នកកំពុងប្រឈមមុខនឹងការធ្លាក់ចុះយ៉ាងខ្លាំង។ ហើយការជ្រើសរើសជំហានតូចពេកគំរាមកំហែងនឹងប្រតិបត្តិការយឺតបំផុតនៃក្បួនដោះស្រាយ ប្រសិនបើយើងឃើញខ្លួនយើងនៅលើផ្ទៃរាបស្មើ។ ប្រសិនបើយើងស្រមៃម្តងទៀតថា យើងនៅលើកំពូលភ្នំដ៏ចោតមួយ នោះស្ថានភាពអាចនឹងប្រែទៅជានៅពេលដែល ដោយសារតែការធ្លាក់ចុះដ៏ចោតខ្លាំងនៅជិតអប្បបរមា យើងនឹងគ្រាន់តែហោះហើរពីលើវា។
ខ្វិនបណ្តាញ។ពេលខ្លះវាកើតឡើងថាវិធីសាស្ត្រចុះជម្រាលជម្រាលមិនអាចរកឃើញអប្បបរមាទាល់តែសោះ។ នេះអាចកើតឡើងប្រសិនបើមានផ្ទៃរាបស្មើនៅសងខាងនៃអប្បបរមា - ក្បួនដោះស្រាយដោយបានបុកតំបន់ផ្ទះល្វែងកាត់បន្ថយជំហានហើយនៅទីបំផុតឈប់។ ប្រសិនបើអ្នកឈរនៅលើកំពូលភ្នំ អ្នកសម្រេចចិត្តផ្លាស់ទៅផ្ទះរបស់អ្នកនៅតំបន់ទំនាប ផ្លូវអាចវែងពេក ប្រសិនបើអ្នកវង្វេងដោយចៃដន្យទៅលើតំបន់ផ្ទះល្វែង។ ឬប្រសិនបើជាក់ស្តែងមាន "ជម្រាល" ចោតនៅគែមនៃតំបន់ផ្ទះល្វែងនោះ ក្បួនដោះស្រាយជ្រើសរើសជំហានដ៏ធំមួយនឹងលោតពីជម្រាលមួយទៅជម្រាលមួយទៀតដោយអនុវត្តដោយមិនផ្លាស់ទីទៅអប្បបរមា។
ចំណុចស្មុគ្រស្មាញទាំងអស់នេះត្រូវតែយកមកពិចារណានៅពេលរចនាប្រព័ន្ធរៀនម៉ាស៊ីន។ ជាឧទាហរណ៍ វាតែងតែមានប្រយោជន៍ក្នុងការតាមដានយ៉ាងពិតប្រាកដពីរបៀបដែលមុខងារកំហុសផ្លាស់ប្តូរតាមពេលវេលា - ថាតើវាធ្លាក់ជាមួយនឹងវដ្តថ្មីនីមួយៗ ឬសម្គាល់ពេលវេលា របៀបដែលធម្មជាតិនៃការធ្លាក់ចុះនេះប្រែប្រួលអាស្រ័យលើការផ្លាស់ប្តូរទំហំជំហាន។ ដើម្បីជៀសវាងការវាយលុកអប្បបរមាក្នុងស្រុក វាអាចមានប្រយោជន៍ក្នុងការចាប់ផ្តើមពីចំណុចដែលបានជ្រើសរើសដោយចៃដន្យផ្សេងៗគ្នានៅក្នុងទេសភាព - បន្ទាប់មកប្រូបាប៊ីលីតេនៃការជាប់គាំងគឺទាបជាងច្រើន។ មានអាថ៌កំបាំងធំ និងតូចជាច្រើនទៀតនៃការដោះស្រាយជាមួយនឹងតំណពូជជម្រាល ហើយមានវិធីកម្រនិងអសកម្មបន្ថែមទៀតនៃការរៀនដែលមានលក្ខណៈប្រហាក់ប្រហែលនឹងការបន្តពូជជម្រាល។ ទោះជាយ៉ាងណាក៏ដោយនេះគឺជាប្រធានបទសម្រាប់ការសន្ទនាមួយផ្សេងទៀតនិងអត្ថបទដាច់ដោយឡែករួចហើយនៅក្នុងក្របខ័ណ្ឌនៃគម្រោង AI ABC ។
រៀបចំដោយ Alexander Ershov