Regression and AI in practice
Diperkenalkan
13:11
Apa itu AI
Tidak pernah ada yang menulis aturan untuk membedakan kucing dari anjing. Tidak ada programmer yang duduk dan mengetik "jika memiliki telinga runcing dan kumis". Namun ponsel Anda melakukannya…
Narasi bahasa Inggris · takarir bahasa Inggris dan 中文 yang dapat dipilih
Dalam pelajaran ini
| English | Makna |
|---|---|
| regression/rɪˈɡreʃn/ | regresi |
| classification/ˌklæsɪfɪˈkeɪʃn/ | klasifikasi |
| linear regression/ˈlɪnɪə rɪˈɡreʃn/ | regresi linear |
| OCR/ˌəʊ siː ˈɑː/ |
Meramalkan nombor, bukan nama
- Tanya model "adakah e-mel ini spam?" dan ia mesti memilih daripada set jawapan tetap. Tanya "berapa harga rumah ini akan dijual?" dan tiada set untuk dipilih: jawapannya ialah nombor, dan tersilap seribu pound hampir betul.
- Itu adalah dua tugas berbeza, dan mencampurnya adalah kesilapan paling biasa dalam topik ini. Kedua-duanya adalah pembelajaran terarah; hanya bentuk jawapan yang berbeza.
- Pelajaran ini adalah regresi berbanding pengelasan, bagaimana regresi linear memilih garisnya, dan bagaimana produk sebenar menyambungkan model-model yang dilatih menjadi satu alur kerja.
Regresi dan pengelasan
- Pengelasan meramalkan kategori daripada set tetap: kucing atau anjing, spam atau bukan spam, mana-mana daripada sepuluh digit.
- Regresi meramalkan nombor pada skala berterusan: harga rumah, suhu esok, berapa lama perjalanan akan mengambil masa.
- Kedua-duanya adalah terarah: kedua-duanya belajar daripada contoh berlabel. Pilihan antara keduanya ditentukan oleh satu soalan: adakah jawapannya label atau nombor?
- Pembezaaan ini mengubah cara anda mengukur kejayaan. Pengklasifikasi betul atau salah; perengres tertentu jaraknya keluar, oleh itu fungsi kehilangan mereka berbeza.
The difference between regression and classification is that regression predicts:
Kesulitan 1/5 · 100 koin + bonus kecil pada penyelesaian pertama hari ini
Regression outputs a continuous number (price, temperature); classification outputs a category.
Regression predicts a continuous number (a price, a temperature), while classification predicts a category (cat vs dog).
Kesulitan 1/5 · 100 koin + bonus kecil pada penyelesaian pertama hari ini
Number out = regression; category out = classification — the two main kinds of supervised prediction.
Contoh bertutur: tugasan mana yang mana
- Meramalkan mana-mana daripada lima jenis pelanggan yang pembeli termasuk. Pengelasan: jawapannya adalah salah satu daripada set kategori tetap.
- Meramalkan berapa banyak pembeli itu akan membelanjakan bulan depan. Regresi: jawapannya ialah nombor, dan berada dekat dikira hampir betul.
- Meramalkan sama ada mesin akan gagal dalam minggu hadapan. Pengelasan: ya atau tidak. Meramalkan berapa hari sehingga ia gagal. Regresi.
- Data asas yang sama boleh memberi makan kedua-duanya. Baca soalan yang ditanya, bukan subjek materinya.
Match each prediction task to its kind.
Kesulitan 2/5 · 140 koin + bonus kecil pada penyelesaian pertama hari ini
The same data can feed either. Read the question: a label from a fixed set, or a number on a scale.
Regresi linear
- Regresi linear sesuaikan garis lurus, atau permukaan rata apabila terdapat beberapa input:
- Koefisien dipilih untuk mengminimumkan jumlah kuasa dua ralat antara ramalan garis dan nilai latihan sebenar.
- Dipangkatkan dua, kerana dua sebab yang diterima peperiksaan: ralat di atas dan di bawah garis kemudian tidak dapat saling membatalkan, dan ralat besar dihukum jauh lebih banyak daripada beberapa ralat kecil.

Garis yang meninggalkan jumlah jarak kuasa dua yang paling sedikit
Fitting a regression line
Drag the controls. Linear regression draws the straight line that makes the squared distances to the data points as small as possible — then it predicts a number for any new input.
Linear regression chooses its coefficients to:
Kesulitan 1/5 · 100 koin + bonus kecil pada penyelesaian pertama hari ini
It fits the line/hyperplane that makes the squared differences from the data points as small as possible.
Why does linear regression minimise the sum of the SQUARED errors rather than the errors themselves?
Kesulitan 1/5 · 100 koin + bonus kecil pada penyelesaian pertama hari ini
Both reasons are accepted. Without squaring, a line could have a huge error above and below and still score zero.
Apabila garis lurus adalah model yang tepat
- Gunakan regresi linear apabila hubungan nampak kira-kira linear dan anda mahu model yang boleh dibaca manusia: setiap koefisien mengatakan berapa banyak input itu penting, dan ke arah mana.
- Apabila data melengkung, idea yang sama masih berlaku dengan model yang berbeza: regresi polinomial, pokok keputusan, atau rangkaian saraf. Dalam setiap kes resipenya sama, pilih model, tentukan kehilangan, minimumkannya.
- Resipen ini adalah apa yang menghubungkan pelajaran ini dengan yang terakhir: penurunan kecerunan hanyalah bagaimana pengminimuman dilakukan apabila tiada formula untuk jawapannya.
AI dalam produk sebenar
- Sistem sebenar jarang menggunakan satu model. Mereka menyambungkan beberapa model yang dilatih menjadi satu alur kerja, masing-masing melakukan satu langkah.
- Pengenalan wajah di pintu: kamera menangkap wajah, pengenalan imej menukarkannya kepada perwakilan numerikal, dan itu dicocokkan dengan perwakilan orang berdaftar.
- Membaca papan tanda keras-keras untuk pelawat: pengenalan imej terletak teks, OCR menukar piksel kepada aksara, terjemahan mesin menukar perkataan, dan teks-ke-ucapan menghasilkan audio.
- Peperiksaan memberi senario dan bertanya model apakah yang digunakan, secara tertib. Namakan peringkat dan apa yang dihasilkannya untuk yang seterusnya.
Match each AI idea to what it means.
Kesulitan 2/5 · 140 koin + bonus kecil pada penyelesaian pertama hari ini
Training fits the model once; inference is the quick prediction each time a user interacts.
A "read a sign aloud" feature typically chains which models?
Kesulitan 1/5 · 100 koin + bonus kecil pada penyelesaian pertama hari ini
Several trained models form a pipeline: find the text, extract characters, translate, then speak.
Put the stages of an app that reads a foreign sign aloud in order.
Kesulitan 3/5 · 200 koin + bonus kecil pada penyelesaian pertama hari ini
Several trained models chained together, each handing its output to the next. Name the stage and what it produces.
Contoh bertutur: latihan berbanding inferens
- Aplikasi telefon mengenali tumbuhan daripada foto serta-merta, namun melatih modelnya mengambil berminggu-minggu di atas banyak mesin. Jelaskan mengapa.
- Latihan menjalankan laluan maju dan mundur berulang kali merentasi set data berlabel yang sangat besar, menyesuaikan jutaan berat selama banyak epoch. Itulah yang mengambil berminggu-minggu.
- Inferensi, menggunakan model yang telah dilatih, adalah satu kali lemparan maju (forward pass) melalui jaringan yang bobotnya kini tetap: kalikan, tambahkan, aktifkan, lapisan demi lapisan, hanya sekali.
- Kecerdasan berada di dalam bobot-bobot yang dipelajari, itulah sebabnya model jadi cukup kecil dan cepat untuk dikirimkan ke ponsel.
Using a trained model to make a prediction requires only a single ____ pass.
Kesulitan 1/5 · 100 koin + bonus kecil pada penyelesaian pertama hari ini
Training repeats forward and backward passes over a huge dataset; inference runs the fixed weights once, which is why it is instant.
Nilai yang mudah terlewat
- Klasifikasi memberikan kategori, regresi memberikan angka. Keduanya bersifat terawasi; itu bukan perbedaannya.
- Regresi linear meminimalkan jumlah kuadrat kesalahan, bukan "total jarak". Sebutkan 'kuadrat', dan jelaskan alasannya.
- Jawaban pipeline harus memberikan tahap-tahapnya berurutan dan menjelaskan apa yang diserahkan oleh setiap tahap ke tahap berikutnya.
- Pelatihan adalah perulangan lemparan maju dan mundur; inferensi adalah satu kali lemparan maju. Jangan mendeskripsikan pelatihan ketika pertanyaan menanyakan penggunaan.
Anda telah memahaminya
- Klasifikasi memprediksi kategori, regresi memprediksi angka; keduanya bersifat terawasi, dan bentuk jawaban yang diminta soal menentukan mana yang dipilih.
- Regresi linear menyesuaikan $y = m_1x_1 + \ldots + c$ dengan meminimalkan jumlah kuadrat kesalahan, sehingga kesalahan tidak saling meniadakan dan kesalahan besar dihukum berat
- Data melengkung memerlukan model lain, tetapi resepnya tidak berubah: pilih model, tentukan fungsi kerugian (loss), lalu minimalkan fungsi tersebut
- Produk nyata menghubungkan beberapa model: pengenalan gambar, OCR, penerjemahan, dan teks-ke-ucapan; pelatihan melibatkan banyak lemparan maju dan mundur, sedangkan inferensi hanya satu kali lemparan maju