摘要：麻省理工學院的一個三人研究團隊已經開發出一種機器學習模型，他們通過幫助我們更好地理解發現模式，從而讓人類更好地理解大數據。它的創造者稱之為Bayesian Case Model。
這項研究是基于這樣的思考：人類往往會傾向于根據自己的經驗和看到的例子去思考并做出決定。例如，兒童也許能從他父母談話的幾個單詞就知道他們正在談論夏令營，因為他們去年去過，并且他們知道“month,” “lake” 和“counselors”這樣的單詞只會在這種情況下一起使用。
然而，如果我們在某一個特定的領域經驗有限或者也許沒有經驗，一點點的幫助可能都是必要的——這正是Bayesian Case Model發揮作用的地方。給定一組數據，如食譜，模型會基于他們突出的成分和給定食譜集中的代表實例或原型比較分類，這個給定的食譜也是計算機選的。
例如，盡管我不知道啤酒、辣椒粉和番茄醬中有相同的成分辣椒，但當我發現該模型被視為典型的辣椒食譜，我就可以斷定該食譜中包含辣椒。事實上，麻省理工學院的研究人員Been Kim 、Cynthia Rudin 和Julie Shah發現，不僅他們的模型執行比以前的技術更準確，而且人類測試人員使用Bayesian Case Model技術的輸出比以前技術能顯著提高分類食譜的速度。
Julie Shah （左）和 Been Kim
這種技術在某些特定領域應該使用更加復雜類型的數據。
即使不是這種模式本身，隨著數據集超過人們的分析能力，這種類型的工作也可以非常有用。非監督機器學習和人工智能模型，例如，從軟件方面的Ayasdi以及谷歌貓臉識別深度學習系統已經可以通過大量的數據和識別類似的事情，但任何工具只有準確和簡單的幫助人類辨識它所發現的才會有用。完整的論文點擊這里。
原文鏈接： Researchers build pattern-recognition model that acts like a human
本站文章版權歸原作者及原出處所有 。內容為作者個人觀點， 并不代表本站贊同其觀點和對其真實性負責，本站只提供參考并不構成任何投資及應用建議。本站是一個個人學習交流的平臺，網站上部分文章為轉載，并不用于任何商業目的，我們已經盡可能的對作者和來源進行了通告，但是能力有限或疏忽，造成漏登，請及時聯系我們，我們將根據著作權人的要求，立即更正或者刪除有關內容。本站擁有對此聲明的最終解釋權。
