Makine öğrenimi, yapay zekanın alt kümesi, bilgisayar biliminin ve mühendisliğin çok ötesine geçti.En heyecan verici sınırlardan biri, makine öğreniminin tarihsel araştırmaya uygulanmasıdır, muazzam veri kümelerini ve geç kalıplarını kavrayabilme yeteneğinin tarihçiler, arkeologlar ve eğitimciler arasındaki her şeyi keşfetme yeteneğinin, yalnızca otomasyon için bir araç değildir; tarihsel dinamiklerin ve diğer arkeval materyallerinde eğitim algoritmalarının, araştırmacıların tarihsel gelişimine dair neredeyse imkansız olan ilişkileri tespit edebilir.

Tarihsel Context'de Makine Öğrenmesini Anlamak

Onun özünde, makine öğrenimi, eski kalıntıların görüntülenmesi veya hatta uydu görüntülenmesi algoritmaları tasarlamaktadır (kitaplar üzerinde açıkça programlanmamış modeller), verideki doğal grupları bulmak (malzemeler, arkeolojik site kayıtları, geçmiş kalıntıları gibi karmaşık girişler için birçok katmanlarla bilgisayar resimleri veya doğal dil işlemeleri gibi). Tarihi çalışma için en yaygın teknikler, özellikle de bilgisayar resimleri ve görselleri analiz etmek için güçlüdür.

Bu algoritmaların iyi performans gösteren büyük, yüksek kaliteli veri setleri gerektirir. Tarihçiler genellikle 19. Yüzyıl mektuplarında duyguyu tanımlayan bir model negatif olarak “dreary” gibi bayrak kelimeler gösterebilir, ancak bir tarihçi, terimin duygusal ağırlık olmadan sık sık kullanıldığını bilir.

Tarihsel Desen Tanımlama Uygulamalarının Genişleme Uygulamaları

Orijinal uygulama yelpazesi - metin analizi, görüntü tanıma ve trend tahminleri - sadece yüzey çizilir. Bugün tarihçiler ML'yi çeşitli zorluklara uygularlar, her biri tasarlanmış yaklaşımlara sahiptir. Aşağıda genişletilmiş örneklerle birkaç temel alan vardır.

Textual Analysis Beyond Sentiment

Makine öğrenme modelleri, yazarlık Hamilton ve Madison arasında tartışmalı olduğu durumlarda, modern stilometri modelleri, örneğin varlık tanıma (NER) insanları, yerleri ve binlerce belgeden gelen tarihler, araştırmacıların yüzyıllar boyunca sosyal ağlara veya ticaret rotalarına izin vermek gibi, büyük fiziksel olmayan fikirlerle özdeşleşmiştir.

Önemli bir proje:0)Culturomiks[Döneticiler[Döneticiler) , Google Kitaplar [Dönderinleri yüzlerce yıl boyunca kullanmak için [FONTD modellerini kullanarak, araştırmacılar, teknolojik kabul hızı veya geleneksel zanaatların fadingi gibi kültürel eğilimleri gözlemlediler.

Görüntü Tanımlama ve Görsel Kültür

Binlerce tarihsel fotoğraf üzerinde eğitilmiş bilgisayar vizyonu, giyim, mimarlık veya hatta plaka-emulsion imzaları ile ilgili değişiklikleri tespit ederek resimleri tarihleyebilir.TheurFLT:0ConPhoto Sleuth), Proje, Rijksmuseum'daki bilinmeyen askerler tespit etmek için yüz tanıma kullanır.

Geospatial ve Arkeolojik Bir Desen Tespiti

Uydu görüntüleri ve kapal veri konvolutional nöral ağlarla işlenmiş arkeoloji. Algoritmalar gömülü yapılarda, daha önce bilinmeyen sosyal, ekonomik ve kentsel manzaralar keşfine yol açan, arkeolojik sitelerdeki rastgele orman modelleri kullanırlar.

Network Analysis and Historical Relationships

Grafik sinir ağları tarihçilerin karmaşık sosyal ağları eksik kayıtlardan yeniden inşa etmelerine izin verir, örneğin Enlightenment filozoflarının veya ortaçağ dinamlerinin kinship yapılarını ticaret rotaları boyunca haritalamalar ve önerilerine göre bu yaklaşım bilimsel bilginin yayılmasının kullanılmasıdır.

Vaka Çalışmalarına Derin Dive

Beton etkisini takdir etmek için, makine öğreniminin tarihsel yorumu yeniden şekillendirdiği üç ayrıntılı vaka çalışması inceleyeceğiz.

Vaka Çalışması: Ölü Deniz Sayfalarını NLP ile Deciphering the Dead Sea Scrolls with NLP

Ölü Deniz Scrolls, yaklaşık 900 el yazmasından binlerce parça içeren, uzun süredir meydan okuyan bilim insanları var - genellikle tarih ve metinleri grupla kullanılır, ancak manuel analiz yavaş ve özneldir. 2017'de, Groningen Üniversitesi'nden bir ekip, iki yazı yazma algoritmalarının da dijital olarak yeniden birleştirilmediğini ortaya çıkardı.Bu yazıyı yalnızca bilinen metinlerde bir sinir ağı eğittiler.

Vaka Çalışması: Kayıp Yunan Plays Yeniden Yapın

Klasik edebiyat büyük kayıplardan muzdariptir - sadece eski Yunan trajedilerinin bir kısmı hayatta kalır.Mevcut sinir ağları hayatta kalmak için eğitilmiştir, Oxford Üniversitesi Enstitüsü'nde Eski Dünya Çalışması için, Euripides'un [Dörtüşmanlık) gibi kayıp sahneler yeniden inşa etmeye çalıştıktan sonra, arkeologlar ve philologlar yeni bir fare yapılarını nasıl yorumlayabilirler.

Vaka Çalışması: Bayesian ML ile Siyah Ölüm'ün Yayılması

Siyah Ölüm (1346–1353) Avrupa'da yayılmanın eşitsiz tarihsel kayıtlar tarafından karmaşık olduğunu anlamak - bazı bölgeler sadece belirsiz kronikler bıraktı. Araştırmacılar Bayesian makine öğrenme modellerini çeşitli veri kaynaklarını entegre etmek için kullandı: rapor tarihler, seyahat süreleri, nüfus yoğunluğu ve ticaret rotaları. Bu model, 1918'in ve diğer influenzalar dahil olmak üzere en büyük rotaları tespit etti.

Meydanlar ve Etik Bakışlar

Makine öğrenimi güçlü araçlar sunar, ancak tarihe uygulanması dikkatli navigasyon talep eden zorluklarla doludur.

Data Quality, Sparsity ve Bias

Tarihsel veri setleri nadiren incelenir. El yazısı belgeleri, özellikle Alman Fraktur veya ortaçağ kısaltmaları gibi eski senaryolar için OCR hatalarından muzdariptir. Sparse kayıtları - bazı belgeler kayboldu veya yok edildi - bu nedenle mevcut veriler üzerinde aşırı ödeme yapmak ve daha fazla arşivleri koruyan tarihçilere karşı önyargılı.

Terzit ve Black-Box Modelleri

Derin sinir ağları genellikle tıkanıyor - iç karar verme süreci incelenmek zor. Bu, tarihsel metodoloji ile gerginlik yaratıyor, hangi değerleri şeffaf bir şekilde ifade ediyor ve kanıtlar. Bir model (örneğin, “aynı yazar tarafından yazılmıştı), hangi özelliklerin ayırt edici kelime seçimleri veya sintactic yapılar olduğunu açıklamadan daha az kullanışlıdır.

Etik Boyut: Gizlilik ve Kültür Hassasiyeti

Kişisel mektuplar, sayım verileri veya genaolojik kayıtların uygulanması, özellikle de torunların hayatta kalabileceği son tarih için gizlilik kaygılarını ortaya koyar.Rektörelerin arşivlerideki yüz tanıma kullanımı da onay ve saygınlık hakkında etik tartışmalardır.Ayrıca, algoritmalar, iletişimsel önyargıları, örneğin, kutsal eşyaların yerine ritüel objeleri yorumlayabilir.

Tarihsel Makine Öğrenmeleri için Araçlar ve Platformlar

Yazılım ve platformların büyüyen bir ekosistemi, derin programlama becerileri olmadan tarihçilere erişilebilir bir makine öğrenmektir. Aşağıdakiler özellikle de örüntü tanıma araştırmaları için ilgilidir.

  • [FONT=0)Python Kütüphaneleri: [Dönetici: [Dönetici: 0:0]Python Kütüphaneleri: [Döneticileri için Fizik ve TensorFlow, derin öğrenme için ve Transkribus (HTR)).DocUS arayüzü).
  • [FONTD:0]Domain-Specific Platforms: JSTOR'un Constellate platformu, büyük bir bilimsel makalenin metin analizini sağlar. Avrupa Zaman Makinesi inisiyatifi, Avrupa tarihi boyunca geospatial ve zamansal desen tanıma araçları sağlar.
  • [FONT:0)Collaborative Repositories:) GitHub, dil ve tarihsel senaryolar için önceden hazırlanmış dönüştürücü modeller sunarken, 0,00 $ 1.

Future: Geleneksel Historiyografi ile Makine Öğrenmesini Anlamak

Algoritmalar daha sofistike ve tarihsel veriler daha sayısal hale gelirken, makine öğreniminin entegrasyonu derinleşecektir. Anahtar bir eğilim, birçok AI modellerini birleştiren son derece akışlar: bir el yazma modeli, bir NLP modelinin onu çağdaş metinlere bağlamasını sağlamak için bir ağ modelidir. Bu boru hattı tarihçilerin 1800 ile 1900 arasındaki demokrasi değişikliği kavramı nasıl on ülkedeki?

Başka heyecan verici bir avenue tarihsel yeniden yapılanma için jeneratif AI. GPT-4o gibi modeller, bilinen yazılarına dayanan tarihsel rakamlar için makul diyaloglar üretebilir, immersive eğitim deneyimlerine yardımcı olur. Ancak, bu tarihsel doğruluk ve kurgusallaştırma riskini artırır. Educators bu tür araçları eleştirel olarak kullanmak için çerçeveler geliştiriyor -örneğin, öğrencilerin AI-prodüktör anlatılarını orijinal kaynaklarla karşılaştırmalarını ve analizlerini tanımlamalarını isteyin.

Vatandaş bilim projeleri (örneğin, 03.03.2012) ayrıca, Yunan piskoposu tarafından sınıflanan görüntülerin sınıflandırılması için ML'yi de dahil ediyor, bu yüzden gönüllüler en belirsiz vakalara odaklanabiliyorlar. Bu dağıtılmış insan-AI işbirliği, Avustralya'nın mahkum kayıtlarını ve antik kuş motiflerini Yunan pottery'de tanımlamak için kullanılmıştır.

Sonuçta, en umut verici gelecek, makine öğreniminin her zaman temsil edilen bir araştırma asistanı olarak hizmet ettiği bir yerdir - tarihçinin kararını yerine getirmez, ancak belgeyi kullanarak, gizli bağlantıları ortaya çıkarır ve test edilebilir hipotezler üreterek, tarih sınıflarını pasif memorizasyondan aktif, soruşturmaya yönlendirebilir, öğrencilerin tarihsel argümanları ifade etmeleri için analiz eder.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi geleneksel tarihsel yöntemleri dikmiyor; onları zenginleştirmek, metinleri, görüntüler, manzaralar ve ağlarda ölçeklendirmek, tarihçiler ve eğitimcilerin daha derin sorular sormalarına ve başka türlü güçlü bir araçla birlikte gömülmelerine izin vermek, sorumluların verileri kaliteli, model şeffaflığı ve etik bağlamına dikkat etmesi gerekiyor.