การทดลองที่กว้างขึ้น

การทดลองที่กว้างขึ้น

ความก้าวหน้าด้านแนวคิด Anatole von Lilienfeld มองว่าการเรียนรู้ของเครื่องเป็นเครื่องมือที่ทรงพลังสำหรับการค้นพบทางวิทยาศาสตร์คำว่า “แมชชีนเลิร์นนิง” หมายถึงสิ่งที่แตกต่างกันสำหรับแต่ละคน คำนิยามของคุณคืออะไร?เป็นคำที่ใช้โดยชุมชนหลายแห่ง แต่ในบริบทของฟิสิกส์ ฉันจะยึดตามคำจำกัดความทางเทคนิค แมชชีนเลิร์นนิงสามารถแบ่งออกเป็นสองโดเมนโดยคร่าวๆ ขึ้นอยู่กับปัญหา

ที่ต้องการโจมตี

โดเมนหนึ่งเรียกว่าการเรียนรู้แบบไม่มีผู้ดูแล ซึ่งโดยพื้นฐานแล้วจะเกี่ยวกับการจัดหมวดหมู่ข้อมูล งานนี้อาจไม่ใช่เรื่องเล็กน้อยเมื่อคุณต้องจัดการกับข้อมูลที่มีมิติสูงและต่างกันซึ่งมีความเที่ยงตรงแตกต่างกัน สิ่งที่อัลกอริทึมการเรียนรู้แบบไม่มีผู้ดูแลทำคือการพยายามกำหนดว่าข้อมูลเหล่านี้

สามารถจัดกลุ่มเป็นกลุ่มต่างๆ ได้อย่างเป็นระบบหรือไม่ โดยปราศจากอคติหรือฮิวริสติกใดๆ และไม่มีการสร้างสิ่งประดิษฐ์ปลอมแปลง ปัญหาประเภทนี้มีอยู่ทุกหนทุกแห่ง: วิทยาศาสตร์เชิงปริมาณทั้งหมดพบปัญหาไม่ทางใดก็ทางหนึ่ง แต่ตัวอย่างหนึ่งเกี่ยวข้องกับโปรตีนซึ่งพับเป็นรูปร่างบางอย่าง

ซึ่งขึ้นอยู่กับลำดับกรดอะมิโนของพวกมัน เมื่อคุณวัด X-ray spectra ของผลึกโปรตีน คุณจะพบสิ่งที่น่าสนใจ: จำนวนรอยพับที่เป็นไปได้มีมากแต่มีจำกัด ดังนั้นหากมีคนให้ลำดับและพับที่สอดคล้องกันแก่คุณ อัลกอริทึมการเรียนรู้แบบไม่มีผู้ดูแลที่ดีอาจสามารถจัดกลุ่มลำดับใหม่เพื่อช่วยคุณกำหนดว่าลำดับใด

เกี่ยวข้องกับการพับใดสาขาที่สองของแมชชีนเลิร์นนิงเรียกว่าการเรียนรู้ภายใต้การดูแล ในกรณีนี้ แทนที่จะจัดหมวดหมู่ข้อมูลเพียงอย่างเดียว อัลกอริทึมยังพยายามทำนายค่าภายนอกชุดข้อมูลด้วย ตัวอย่างจากวัสดุศาสตร์ก็คือ ถ้าคุณมีวัสดุจำนวนหนึ่งซึ่งวัดคุณสมบัติได้

เช่น พลังงานการก่อตัวของผลึกอนินทรีย์ เช่น คุณสามารถถามได้ว่า คริสตัล?” การเรียนรู้ภายใต้การดูแลสามารถให้ค่าประมาณทางสถิติที่เป็นไปได้มากที่สุด โดยพิจารณาจากคุณสมบัติที่ทราบของวัสดุที่มีอยู่ในชุดข้อมูลนี่คือสองสาขาหลักของแมชชีนเลิร์นนิง และสิ่งที่พวกเขามีเหมือนกันคือความต้องการข้อมูล 

ไม่มีการเรียนรู้

ของเครื่องโดยไม่มีข้อมูล เป็นวิธีการทางสถิติ และนี่เป็นการบอกเป็นนัยเมื่อคุณพูดถึงแมชชีนเลิร์นนิง: เทคนิคเหล่านี้เป็นวิธีที่เคร่งครัดทางคณิตศาสตร์เพื่อให้ได้ข้อความทางสถิติในลักษณะเชิงปริมาณ

คุณได้ให้ตัวอย่างการใช้งานแมชชีนเลิร์นนิงภายในวัสดุศาสตร์สองสามตัวอย่างแล้ว 

ฉันรู้ว่านี่เป็นเรื่องที่ใกล้ตัวคุณที่สุด แต่วารสารใหม่ที่คุณกำลังทำอยู่นั้นครอบคลุมเนื้อหาทั้งหมดของวิทยาศาสตร์ มีแอปพลิเคชันใดบ้างในสาขาอื่นแน่นอน ฉันมีอคติต่อวัสดุศาสตร์ แต่โดเมนอื่นๆ ก็ประสบปัญหาคล้ายกัน นี่คือตัวอย่าง หนึ่งในสมการที่สำคัญที่สุดในวัสดุศาสตร์คือสมการชโรดิงเงอร์

แบบอิเล็กทรอนิกส์ สมการเชิงอนุพันธ์นี้แก้ได้ยากแม้จะใช้คอมพิวเตอร์ แต่แมชชีนเลิร์นนิงช่วยให้เราไม่ต้องแก้สมการเพื่อหาวัสดุใหม่ๆ ในทำนองเดียวกัน โดเมนทางวิทยาศาสตร์จำนวนมากต้องการคำตอบของสมการ Navier-Stokes ในการประมาณต่างๆ สมการเหล่านี้สามารถอธิบายการไหลแบบปั่นป่วน 

ซึ่งมีความสำคัญต่อการเผาไหม้ สำหรับการสร้างแบบจำลองสภาพภูมิอากาศ สำหรับวิศวกรรมอากาศพลศาสตร์ หรือสำหรับการก่อสร้างเรือ (เหนือพื้นที่อื่นๆ) สมการเหล่านี้ยังแก้เป็นตัวเลขได้ยาก ดังนั้นที่นี่จึงสามารถใช้แมชชีนเลิร์นนิงได้

เรามีโอกาสพิเศษในการเปิดโอกาสให้ผู้คนจากโดเมนต่างๆ เหล่านี้ได้พูดคุยเรื่องการพัฒนาแมชชีนเลิร์นนิงในสาขาของตนอนาโทล ฟอน ลิเลียนเฟลด์อีกประเด็นที่น่าสนใจคือการถ่ายภาพทางการแพทย์ เทคนิคการสแกนที่ใช้ในการตรวจหาเนื้องอกและเนื้อเยื่อมะเร็งเป็นการประยุกต์ใช้การเรียนรู้

แบบไม่มีผู้ดูแลที่ดี คุณต้องการจัดกลุ่มเนื้อเยื่อที่มีสุขภาพดีกับเนื้อเยื่อที่ไม่แข็งแรง แต่ถ้าคุณลองคิดดู แทบจะไม่มีโดเมนเชิงปริมาณใดๆ ในวิทยาศาสตร์กายภาพเลยที่การเรียนรู้ด้วยเครื่องไม่สามารถนำมาใช้ได้ด้วยวารสารนี้ เรามีโอกาสพิเศษในการให้ผู้คนจากโดเมนที่แตกต่างกันทั้งหมดเหล่านี้

มีสถานที่

เพื่อหารือเกี่ยวกับการพัฒนาของแมชชีนเลิร์นนิงในสาขาของตน ดังนั้น หากมีความก้าวหน้าอย่างมากในการจดจำภาพ เช่น เนื้องอกในปอด นักวิทยาศาสตร์ด้านวัสดุอาจเรียนรู้บางอย่างจากมัน ซึ่งจะช่วยให้พวกเขาตีความสเปกตรัมของรังสีเอกซ์ หรือในทางกลับกัน 

ตามเนื้อผ้าผู้คนจะเผยแพร่งานดังกล่าวภายในสาขาวิชาของตนเอง ดังนั้นงานดังกล่าวจะถูกซ่อนไว้จากคนอื่นๆคุณได้พูดถึงแมชชีนเลิร์นนิงแทนการคำนวณเพื่อหาคำตอบของสมการ ในบทบรรณาธิการ ของคุณ สำหรับ Machine Learning ฉบับแรก: Science and Technology

คุณกล่าวว่าการเรียนรู้ของเครื่องกำลังเกิดขึ้นในฐานะเสาหลักที่สี่ของวิทยาศาสตร์ ควบคู่ไปกับการทดลอง ทฤษฎี และการคำนวณ คุณเห็นว่าวิธีการเหล่านี้เหมาะสมกันอย่างไร?มนุษย์เริ่มทำการทดลองตั้งแต่เนิ่นๆ คุณสามารถมองว่าเครื่องมือชิ้นแรกเป็นผลมาจากการทดลอง 

ทฤษฎีพัฒนาขึ้นในภายหลัง บางคนบอกว่าชาวกรีกเป็นผู้ริเริ่ม แต่วัฒนธรรมอื่น ๆ ก็พัฒนาทฤษฎีเช่นกัน ตัวอย่างเช่นชาวมายามีทฤษฎีการเคลื่อนที่ของดาวฤกษ์และปฏิทิน ผลงานทั้งหมดนี้จบลงด้วยทฤษฎีฟิสิกส์ยุคใหม่ ซึ่งนักวิทยาศาสตร์ผู้ปราดเปรื่องหลายคนได้มีส่วนร่วม

แต่นั่นยังไม่จบ เพราะทฤษฎีอันยอดเยี่ยมเหล่านี้มีสมการที่ไม่สามารถแก้ไขได้ด้วยปากกาและกระดาษ มีคำพูดที่มีชื่อเสียงจากนักฟิสิกส์ Paul Dirac ซึ่งเขาบอกว่าสมการทั้งหมดที่ทำนายพฤติกรรมของอิเล็กตรอนและนิวเคลียสเป็นที่ทราบกันดี ปัญหาคือไม่มีมนุษย์คนใดสามารถแก้สมการเหล่านั้นได้ อย่างไรก็ตาม ด้วยค่าประมาณที่เหมาะสม คอมพิวเตอร์สามารถทำได้ 

Credit : เกมส์ออนไลน์แนะนำ >>> ยูฟ่าสล็อต