Ничего, в пылу дискуссии это допустимо.) No offense taken.
Вы не обратили внимание на кавычки. Считаю принятые варианты близорукими. Они занимают места других терминов и поэтому вносят путаницу. Если вся терминология информатики идет с Запада, то следует ее использовать как есть. ИМХО. Это к тому же лучше сказывается на понятный взаимообмен и повышает конкурентноспособность нашего образования.
Работа разработчика завершается на этапе сдачи в работу готовой модели. Все. Точка. Затем к работе приступает исследователь данных (data scientist), который собирает и предобрабатывает данные и затем подает их в модель. Все остальное делает модель!!!
Повторяю упрощенно цепочку))
модель -> алгоритм -> матфункция
Человек строит модель и собирает данные. Все остальное делает (усваивает закономерности) модель благодаря алгоритму внутри нее, который минимизирует/максимизирует некую величину (если речь о градиентном спуске). Так понятно?
Так, давайте отделим кожуру от мякоти. В триаде animal learning, human learning и machine learning есть небольшое отличие первых двух от последнего. Первые два уже наделены природой способностью усваивать знания. В случае машины сперва надо построить модель автоматического усвоения, если исходить из классического определения МУ, как наделение машины способностью усваивать знания самостоятельно, без вмешательства человека, без необходимости ее программировать.
В вашем очаровательном изложении меня коробит конформизм вот в этой фразе «Мы суть понимаем не из термина, а из определения.» На деле оно как раз и не так. Но вы пытаетесь отстаивать ложную точку зрения. Перейдите а Вики на represantation learning по русски. Этот термин означат автоматическое усвоение представлений данных, и вас голова пойдет кругом от написанного. Лабуда про новейшее направление…
Вы пытаетесь строить рассуждения на своем узком понимании. Ну, кто вам сказал, что усвоение ассоциируется с питательными веществами? А что делать с целым направлением в когнитивистике и психологии под название «Формирование и усвоения знаний»? Так что про рыбу не по адресу. Программист НЕ обучает машину. Он пишет программу, в которой задействуется модель (доморощенная либо кем-то уже построенная), внутри которой лежит алгоритм автоматического (машинного) усвоения шаблонов/регулярностей/закономерностей. Программист собирает данные, предобрабатывает их и подает в модель. Получив результаты, он сравнивает их с эталоном и если надо, вносить поправки в гиперпараметры (хотя он может и этот процесс автоматизировать). И на каком шаге он тут обучает??? Модель в силу своей особенности учится САМА, т.к. в нее заложен особый алгоритм — learning algo.
Коммент из разряда «все-равно все умрем»)) Я вам про Фому (про правильное понимание), вы мне про Ерему (статус-кво есть, и пусть оно остается, даже если неправильное).
Никак. В английском как-то обходятся с выражением data ingestion, который у нас суть приемка данных, но у них оно воспринимается как «поглощение данных». Давайте тогда придираться к чересстрочной разверстке как к продразверстке)))
Мы говорим об информатике. Не надо уводить в сторону. Машины в информатике — это компьютеры. И вы подменяете понятие. С самого начала речь о приобретении знаний животным, человеком и машиной, то есть об усвоении знаний.
Выставлять напоказ свою неосведомленность неосмотрительно). А что делать с иерархией в которую вписывается машинное усвоение? — «усвоение знаний» -> «теории усвоения знаний» -> [«усвоение знаний животным» (animal learning), «усвоение знаний человеком» (human learning) и «усвоение знаний машиной» (machine learning)].
Уважаемый, вы ваши домыслы оставьте при себе. Моя практика подсказывает, что стандартов нет.
Взять пример с thread. В зарубежной технической литературе данное понятие объясняется именно на нитях, которые рассматриваются как основные инфраструктурные единицы планирования в операционных системах. Продолжим логический ряд – там где нити, там и клубок. А где клубок, там и кот. Сразу видно, что первых переводчиков не было котов, т.е. глобального информационного ресурса (оно и понятно, т.к. в 70-80-х годах Интернет только зарождался). Так и возникла путаница. Тем более что существуют другие потоки под терминами stream и flow. И не надо думать, что вам сойдет с рук, когда в следующий раз придется разбираться в свежем англоязычном блог-посте, затрагивающем обработку стандартных потоков ввода-вывода (I/O stream) или анализ потока управления (control flow) в «многопоточной» (multi-threaded) программе (если исходить из принятого искаженного перевода). От сентенций типа «threads allow multiple streams of program control flow to coexist within a process» у вас пойдет голова кругом, и даже Google-переводчик не поможет, т. к. он выдаст вам нечто вроде «потоки позволяют нескольким потокам потока управления программой сосуществовать в процессе». Кстати, яркий пример словоблудия ИИ-переводчика).
Вся критика тут касается лишь 3 терминов: машинное усвоение, нить исполнения и замок. Вы отстаиваете консервативную позицию «имеем то, что имеем», таков, мол, статус-кво, и ничего менять не надо. Я же обращаю внимание на то, что статус-кво в отношении этих терминов основан на неправильных посылках. В особенности, это касается названия подобласти ИИ, которая принадлежит иерархии «усвоение знаний» -> «теории усвоения знаний» -> [«усвоение знаний животным» (animal learning), «усвоение знаний человеком» (human learning) и «усвоение знаний машиной» (machine learning)]. На поверку общепринятый подход является близоруким в том, что он не укладывается в эту иерархию, выбивается из нее, а также в том, что он переворачивает смысл этой подобласти наоборот. А это имеет последствия в том, что возникают пустые сущности (учитель) и появляется неверное понимание механизмов ее работы.
Вы не обратили внимание на кавычки. Считаю принятые варианты близорукими. Они занимают места других терминов и поэтому вносят путаницу. Если вся терминология информатики идет с Запада, то следует ее использовать как есть. ИМХО. Это к тому же лучше сказывается на понятный взаимообмен и повышает конкурентноспособность нашего образования.
модель -> алгоритм -> матфункция
Человек строит модель и собирает данные. Все остальное делает (усваивает закономерности) модель благодаря алгоритму внутри нее, который минимизирует/максимизирует некую величину (если речь о градиентном спуске). Так понятно?
Взять пример с thread. В зарубежной технической литературе данное понятие объясняется именно на нитях, которые рассматриваются как основные инфраструктурные единицы планирования в операционных системах. Продолжим логический ряд – там где нити, там и клубок. А где клубок, там и кот. Сразу видно, что первых переводчиков не было котов, т.е. глобального информационного ресурса (оно и понятно, т.к. в 70-80-х годах Интернет только зарождался). Так и возникла путаница. Тем более что существуют другие потоки под терминами stream и flow. И не надо думать, что вам сойдет с рук, когда в следующий раз придется разбираться в свежем англоязычном блог-посте, затрагивающем обработку стандартных потоков ввода-вывода (I/O stream) или анализ потока управления (control flow) в «многопоточной» (multi-threaded) программе (если исходить из принятого искаженного перевода). От сентенций типа «threads allow multiple streams of program control flow to coexist within a process» у вас пойдет голова кругом, и даже Google-переводчик не поможет, т. к. он выдаст вам нечто вроде «потоки позволяют нескольким потокам потока управления программой сосуществовать в процессе». Кстати, яркий пример словоблудия ИИ-переводчика).