V:
Zakaj je vizualizacija podatkov uporabna za algoritme strojnega učenja?
A:Disciplina vizualizacije podatkov nam daje praktično neskončne načine, kako pokazati, kaj se dogaja z algoritmi strojnega učenja. Vredno je razmisliti, zakaj je vizualizacija podatkov tako pomembna in zakaj sprošča toliko ustvarjalne moči za toliko ljudi, ki se vključujejo v procese strojnega učenja.
Če želite razumeti vrednost vizualizacije podatkov za strojno učenje, si oglejte kateri koli algoritem, ki se uporablja za ustvarjanje teh prelomnih in inovativnih programov.
Eno najpreprostejših je drevo odločitev. Ne da bi se spuščali v funkcije aktiviranja ali skrite plasti ali kaj podobnega, je odločilno drevo preprosto niz binarnih vozlišč. Toda celo preprosto drevo odločitev je ljudem zelo težko opisati ali pisati. Veliko lažje je, kadar ga vizualiziramo na zaslonu ali na strani. Ko vidite vsako vozlišče in njegove povezave z drugimi vozlišči, postane celotna stvar zlahka navidezna.
Zdaj pa vzemimo eno najbolj bizantinskih in najzgodnejših tipov algoritmov strojnega učenja - nevronsko mrežo.
Na nek način so nevronske mreže res zbirke algoritmov strojnega učenja. Osnovna nastavitev je sestavljena iz vhodne plasti, skritih plasti in izhodne plasti. Aktivacijske funkcije pomagajo posameznim digitalnim nevronom pri obdelavi tehtanih vhodov.
Vsi ti predmeti in vsi ti procesi se z vizualizacijo podatkov veliko lažje razložijo kot skozi besedni ali pisni opis. Lahko rečete, da ima nevronska mreža tehtane vhode, ki tečejo v vhodno plast in da se združijo v neki skriti plasti in se utrdijo v dani izhod, ko pa uporabite vizualno sliko, da pokažete, kako to deluje, človeško oko in človek možgane priklepati na to na veliko bolj neposreden in uporaben način.
V nekem smislu lahko vidite moč vizualizacije podatkov tudi brez upoštevanja strojnega učenja. V dneh linearnega programiranja bi prevajalniki in studijski računalniški jeziki programerjem dali možnost, da postavijo korak za korakom testni program, kjer bi lahko pregledali vrednosti spremenljivk v majhnih vizualnih poljih. To je spet pomagalo pokazati, kaj se zgodi pri izvedbi veliko bolje kot samo branje skozi kodno bazo.
Strojno učenje je hiperintenzivno programiranje - to je verjetnostno programiranje in zato nam vizualizacija podatkov resnično pomaga približati dogajanje z določenim algoritmom ali postopkom.
