Все мы знаем важность визуальной аналитики в машинном обучении. Поскольку методы машинного обучения играют в мире все более влиятельную роль, новые методы машинного обучения вызывают все больше и больше новых вопросов, на которые нужно ответить. Эти вопросы включают:
- Как лучше всего обучать модели и отлаживать их?
- Что на самом деле происходит под капотом в глубоких нейронных сетях?
Традиционный способ построения хороших моделей и скорости прогнозирования - это опробовать различные параметры, такие как скорость обучения, размер элемента, методы проектирования элементов и посмотреть производительность модели. Эти методы, какими бы эффективными они ни были, требуют очень много времени и ручных усилий, тратя драгоценное время инженера машинного обучения на оценку этих моделей. Такие парадигмы полезны, когда инженер машинного обучения имеет достаточный опыт работы с типом и объемом данных.
Визуальная аналитика - это секретное оружие, которое недостаточно используется при построении и оценке таких моделей. Хотя мы очень хорошо знакомы с f1-оценками, ложноположительными и истинно-отрицательными результатами, дающими количественный аспект модели, они обычно не дают очень хорошего полного обзора. Что наиболее важно, качественные аспекты модели машинного обучения очень мало изучены. Некоторые из примеров, изучающих качественные аспекты машинного обучения, включают:
- В частности, какие основные паттерны существуют в каждом нейроне?
- Как мы можем лучше понять, почему существуют эти шаблоны, для чего они нужны?
Полное понимание этих методов имеет решающее значение для задач, которые решает ИИ. Каждый инженер машинного обучения должен знать не только о том, что на самом деле решает алгоритм, но и о том, что лежит в основе алгоритма и как он решает проблему.
