এই প্রশ্নটি আমি একটি অন্য মন্তব্যে দেখেছি এমন মন্তব্যের জবাবে।
মন্তব্যটি ছিল কোর্সেরায় মেশিন লার্নিং কোর্স সিলেবাস সম্পর্কে, এবং "এসভিএমগুলি আজকাল এত বেশি ব্যবহার করা হয় না" এর ধারায়।
আমি কেবলমাত্র প্রাসঙ্গিক বক্তৃতাগুলি নিজেই শেষ করেছি, এবং এসভিএমগুলি সম্পর্কে আমার বোঝা হ'ল তারা শ্রেণিবদ্ধকরণের জন্য একটি শক্তিশালী এবং দক্ষ লার্নিং অ্যালগরিদম, এবং কার্নেলটি ব্যবহার করার সময়, তাদের কাছে "কুলুঙ্গি" রয়েছে বৈশিষ্ট্যগুলির সংখ্যা 10 থেকে 1000 এবং সম্ভবত প্রশিক্ষণ নমুনার সংখ্যা সম্ভবত 100 থেকে 10,000। প্রশিক্ষণের নমুনাগুলির সীমা হ'ল কারণ মূল অ্যালগরিদম স্কোয়ার ম্যাট্রিক্স থেকে প্রাপ্ত ফলাফলগুলির অনুকূলকরণের চারদিকে ঘোরে যা মূল বৈশিষ্ট্যের সংখ্যার উপর ভিত্তি করে প্রশিক্ষণের নমুনার সংখ্যার উপর ভিত্তি করে মাত্রা সহ।
আমি যে মন্তব্যটি দেখেছি তা কি কোর্সটি তৈরি হওয়ার পর থেকে কিছু বাস্তব পরিবর্তনকে বোঝায় এবং যদি তাই হয় তবে কী পরিবর্তন হয়: এসভিএমের "মিষ্টি স্পট" জুড়ে একটি নতুন অ্যালগরিদম ঠিক তেমনি, আরও ভাল সিপিইউগুলি বোঝায় যার অর্থ এসভিএমের গুণগত সুবিধাগুলি ততটা মূল্যবান নয় are ? অথবা এটি সম্ভবত মন্তব্যকারীর মতামত বা ব্যক্তিগত অভিজ্ঞতা?
আমি যেমন "ফ্যাশনের বাইরে ভেক্টর মেশিনগুলি সমর্থন করি" এর সন্ধানের চেষ্টা করেছি এবং এগুলিকে অন্য কোনও কিছুর পক্ষে বাদ দেওয়া হচ্ছে বলে বোঝানোর মতো কিছুই পাইনি।
এবং উইকিপিডিয়ায় এটি রয়েছে: http://en.wikedia.org/wiki/Support_vector_machine#Issues । । । মূল স্টিকিং পয়েন্টটি মডেলটির ব্যাখ্যা করতে অসুবিধা বলে মনে হচ্ছে। যা ব্ল্যাক-বক্স ভবিষ্যদ্বাণী করা ইঞ্জিনের জন্য এসভিএমকে সূক্ষ্ম করে তোলে, তবে অন্তর্দৃষ্টি তৈরি করার পক্ষে এতটা ভাল নয়। আমি দেখতে পাচ্ছি না যে একটি প্রধান সমস্যা হিসাবে, কাজের জন্য সঠিক সরঞ্জাম বাছাই করার সময় (প্রশিক্ষণের ডেটা এবং শেখার কার্যের প্রকৃতি ইত্যাদির সাথে) বিবেচনার জন্য কেবল অন্য একটি ছোটখাটো বিষয় account
