-
دادههای کَمی (عددی) در AI Lab «آزمایشگاه هوش مصنوعی» اندکی با دادههای کِیفی تفاوت دارند.
-
بیاید به یک مثال نگاه کنیم که در آن یک شهربازی میخواهد از یادگیری ماشینی استفاده کند
-
تا پیشبینی کند در یک روز خاص، چقدر کسب درآمد خواهد داشت.
-
دادههای کمی به جای نمودارهای میلهای، حداقل و حداکثر مقدارِ مجموعه داده را نمایش میدهند،
-
به علاوه «دامنه» که تفاوت بین حداقل و حداکثر است.
-
دادههای کَمی به جای جدول متقاطع، «نمودار نقطهای» را نمایش میدهند.
-
این گرافها نشان میدهند که دو ستون چطور با هم مرتبط هستند.
-
برچسب، همیشه در سمت چپ نمایش داده میشود و ویژگی همیشه در پایین.
-
سعی نکنید روی هر نقطه به صورت جدا تمرکز کنید،
-
در عوض سعی کنید ببینید آیا گراف کلی، الگوی خاصی دارد؟
-
مثلاً در این گراف میتوانم ببینم اگه تعداد تبلیغات آنلاین کم باشد، درآمد آن روز هم پایین خواهد بود،
-
و اگر تعداد تبلیغات آنلاین بالا باشد، درآمد آن روز هم بالا خواهد بود.
-
این الگویی است که ربات هوش مصنوعی میتواند برای کمک به پیشبینی از آن استفاده کند.
-
این گراف نشان میدهد که چه مقدار درآمد،
بسته به روز ماه، کسب میشود.
-
به خاطر پراکنده بودن دادهها، این گراف برای پیشبینی خیلی مفید نیست.
-
پیشبینی اینکه درآمدم در یک روز خاص چقدر خواهد بود کار سختی است.
-
یک تفاوت دیگر بین دادههای کَمی و دادههای کِیفی، در صفحه نتایج است.
-
با استفاده از دادههای کِیفی میتوانستیم دقت را مثل یک چِکلیست محاسبه کنیم.
-
هر بار که هوش مصنوعی دقیقاً درست حدس میزد، دقت ما بالاتر میرفت.
-
دادههای کَمی بیشتر شبیه یک تخته دارت هستند.
-
تا وقتی که حدسهای ربات هوش مصنوعی به اندازه کافی نزدیک باشد
-
میتوانیم آنها را درست حساب کنیم.
-
در آزمایشگاه هوش مصنوعی، تفاوت بین دو حدس باید داخل محدوده پنج درصدی دامنه کلی باشد.
-
عدد واقعی بسته به اینکه مجموعهی داده چقدر بزرگ یا کوچک است تغییر میکند،
-
ولی میتوانید از این پنل جزئیات استفاده کنید تا اطلاعات بیشتری در مورد اینکه
-
کدام حدسهای ربات هوش مصنوعی درست و کدام غلط بوده را ببینید.
-
آموزش مدلها با استفاده از دادههای کمی درست مثل آموزش آنها با دادههای کِیفی است.
-
هنوز هم دارید به ربات هوش مصنوعی کمک میکنید تا پیشبینی کند،
-
ولی ابزاری که استفاده میکنیم کمی متفاوت هستند
-
و نحوهی محاسبه دقت به ما اجازه میدهد به اندازه کافی نزدیک باشیم.