Η εκμάθηση μηχανών απαιτεί τα πολλαπλάσια βήματα

Εισαγωγή

Η ανάπτυξη της μηχανής που μαθαίνει (μιλ.) είναι μια πολλαπλών βημάτων διαδικασία. Περιλαμβάνει την επιλογή ενός προτύπου, την κατάρτιση του για έναν συγκεκριμένο στόχο, την επικύρωση του με τα στοιχεία δοκιμής, και επεκτείνοντας έπειτα και τον έλεγχο του προτύπου στην παραγωγή. Εδώ, θα συζητήσουμε αυτά τα βήματα και θα τα σπάσουμε για να σας εισαγάγουμε κάτω στο μιλ. Το μιλ. αναφέρεται στα συστήματα που, χωρίς ρητή οδηγία, είναι σε θέση και. Αυτά τα συστήματα μαθαίνουν από τα στοιχεία να εκτελούν έναν ιδιαίτερη στόχο ή μια λειτουργία. Σε ορισμένες περιπτώσεις, εκμάθηση. ή η πιό συγκεκριμένη κατάρτιση, εμφανίζεται με έναν εποπτευμένο τρόπο όπου τα ανακριβή αποτελέσματα οδηγούν στη ρύθμιση του προτύπου για να τον ωθήσουν προς τη σωστή παραγωγή. Σε άλλες περιπτώσεις, η ανεπίβλεπτη εκμάθηση εμφανίζεται όπου το σύστημα οργανώνει τα στοιχεία για να αποκαλύψει προηγουμένως άγνωστα σχέδια. Τα περισσότερα πρότυπα μιλ. αυτά τα δύο παραδείγματα (που εποπτεύονται ακολουθούν εναντίον της ανεπίβλεπτης εκμάθησης). Σκάψτε τώρα σε αυτό που από ένα πρότυπο σημαίνει και εξερευνά έπειτα πώς το στοιχείο γίνεται τα καύσιμα για μηχανών. Το μηχανή-μαθαίνοντας πρότυπο πρότυπο Α είναι μια αφαίρεση μιας λύσης για την εκμάθηση μηχανών. Το πρότυπο καθορίζει την αρχιτεκτονική。 όποια, μόλις εκπαιδεύω, γίνεται μια εφαρμογή. Επομένως, δεν επεκτείνουμε τα πρότυπα. Επεκτείνουμε τις εφαρμογές των προτύπων που εκπαιδεύονται από τα στοιχεία (περισσότεροι σε αυτό στο επόμενο τμήμα). Έτσι πρότυπα συν τα στοιχεία συν τις ίσες περιπτώσεις κατάρτισης λύσεων μιλ. (Figure1). η μετάφραση απαιτείται. Παραδείγματος χάριν, το στοιχείο κειμένων σίτισης σε ένα βαθύ δίκτυο εκμάθησης απαιτεί τις λέξεις σε μια αριθμητική μορφή που είναι συνήθως ένα υψηλός-διαστατικό διάνυσμα δεδομένων των διάφορων λέξεων που θα μπορούσαν να χρησιμοποιηθούν. Ομοίως, τα αποτελέσματα να απαιτήσουν τη μετάφραση από μια αριθμητική μορφή πίσω σε μια κειμενική μορφή. Τα πρότυπα μιλ. έρχονται σε πολλούς τύπους, συμπεριλαμβανομένων των νευρικών προτύπων δικτύων, τα Μπεϋζιανά πρότυπα, πρότυπα οπισθοδρόμησης, που συγκεντρώνονται τα πρότυπα, και περισσότερο. Το πρότυπο που επιλέγετε είναι βασισμένο στο πρόβλημα προσιτό. Στα πλαίσια των νευρικών δικτύων, τα πρότυπα κυμαίνονται από τα ρηχά πολυ δίκτυα στρώματος ως τα βαθιά νευρικά δίκτυα που περιλαμβάνουν πολλά στρώματα

από τους εξειδικευμένους νευρώνες (μονάδες επεξεργασίας). Τα βαθιά νευρικά δίκτυα έχουν επίσης μια σειρά των προτύπων διαθέσιμων που βασίζει στην αίτηση στόχων σας.

Παραδείγματος χάριν:

●Εάν η αίτησή σας στρέφεται στον προσδιορισμό των αντικειμένων μέσα στις εικόνες, κατόπιν το συνελικτικό νευρικό δίκτυο (CNN) είναι ένα ιδανικό πρότυπο. Το CNNs έχει εφαρμοστεί στην ανίχνευση δέρμα-καρκίνου και ξεπερνά το μέσο δερματολόγο.

●Εάν η αίτησή σας περιλαμβάνει την πρόβλεψη ή την παραγωγή οι προτάσεις των σύνθετων ακολουθιών (όπως ανθρώπινης γλώσσας), κατόπιν τα επαναλαμβανόμενα νευρικά δίκτυα (RNN) ή τα μακρύς-κοντά δίκτυα όρος-μνήμης (LSTM) είναι ιδανικά πρότυπα. Το LSTMs έχει εφαρμοστεί επίσης στην αυτόματη μετάφραση των ανθρώπινων γλωσσών.

●Εάν η αίτησή σας περιλαμβάνει το περιεχόμενο μιας εικόνας στην ανθρώπινη γλώσσα, κατόπιν ένας συνδυασμός ενός CNN και ενός LSTM μπορεί να χρησιμοποιηθεί (όπου η εικόνα τροφοδοτείται το CNN και η παραγωγή του CNN αντιπροσωπεύει την εισαγωγή στο LSTM, το οποίο εκπέμπει τις ακολουθίες λέξης).

●Εάν η αίτησή σας περιλαμβάνει την παραγωγή των ρεαλιστικών εικόνων (όπως τα τοπία ή τα πρόσωπα), κατόπιν ένα παραγωγικό δίκτυο Adversarial (GAN) αντιπροσωπεύει το τρέχον πρότυπο STAT--ο-τέχνης. Αυτά τα πρότυπα αντιπροσωπεύουν μερικών από τις δημοφιλέστερες βαθιές νευρικές δικτυακές αρχιτεκτονικές σε λειτουργία σήμερα. Τα βαθιά νευρικά δίκτυα είναι δημοφιλή επειδή μπορούν να δεχτούν τα μη δομημένα στοιχεία όπως οι εικόνες, το βίντεο, ή οι ακουστικές πληροφορίες. Τα στρώματα μέσα στο δίκτυο κατασκευάζουν μια ιεραρχία των χαρακτηριστικών γνωρισμάτων που τα επιτρέπουν οι πολύ σύνθετες πληροφορίες. Τα βαθιά νευρικά δίκτυα έχουν καταδείξει την απόδοση κατάστασης προόδου πέρα από έναν ευρύ αριθμό περιοχών προβλήματος. Αλλά όπως άλλα πρότυπα μιλ., η ακρίβειά τους εξαρτάται από τα στοιχεία. Ερευνήστε αυτήν την πτυχή έπειτα.

Στοιχεία και κατάρτιση

Το στοιχείο είναι τα καύσιμα που οδηγούν τη μηχανή μαθαίνοντας, όχι μόνο σε λειτουργία αλλά και κατασκευή μιας λύσης μιλ. μέσω της πρότυπης κατάρτισης. Στα πλαίσια των στοιχείων κατάρτισης για τα βαθιά νευρικά δίκτυα, είναι σημαντικό να ερευνηθούν τα απαραίτητα στοιχεία στα πλαίσια της ποσότητας και της ποιότητας. Τα βαθιά νευρικά δίκτυα απαιτούν τα στοιχεία μεγάλων ποσών για την κατάρτιση. Μια εμπειροτεχνική μέθοδος για την εικόνα-βασισμένη στον ταξινόμηση είναι 1.000 εικόνες

ανά κατηγορία. Αλλά η απάντηση εξαρτάται από την πολυπλοκότητα του προτύπου και της ανοχής για το λάθος. Μερικά παραδείγματα από τις λύσεις μιλ. παραγωγής παράγουν ένα φάσμα των μεγεθών συνόλου δεδομένων. Ένα του προσώπου detecti επάνω και το σύστημα αναγνώρισης απαίτησαν 450.000 εικόνες, και μια ερώτησης και απάντησης συνομιλία BOT εκπαιδεύθηκε με 200.000 ερωτήσεις που ζευγαρώθηκαν με 2 εκατομμύριο απαντήσεις. Τα μικρότερα σύνολα δεδομένων μπορούν επίσης να αρκέσουν βασισμένος στο πρόβλημα που λύνεται. Μια λύση ανάλυσης συναισθήματος που detrmines η πολικότητα της άποψης από το γραπτό κείμενο απαίτησε μόνο τις δεκάδες χιλιάδων δείγματα. Η ποιότητα στοιχείων είναι εξίσου σημαντική με την ποσότητα. Λαμβάνοντας υπόψη τα μεγάλα σύνολα δεδομένων που απαιτούνται για την κατάρτιση, ακόμη και τα λανθασμένα στοιχεία κατάρτισης μικρών ποσών μπορούν να οδηγήσουν σε μια φτωχή λύση. Ανάλογα με τον τύπο στοιχείων απαραίτητων, τα στοιχεία σας να περάσουν από μια να καθαρίσουν διαδικασία. Αυτό εξασφαλίζει ότι το σύνολο δεδομένων είναι συνεπές, στερείται τα διπλά στοιχεία, είναι ακριβές, και πλήρες (άκυρα ή ελλιπή στοιχεία ελλείψεων). Τα εργαλεία υπάρχουν για να υποστηρίξουν αυτήν την διαδικασία. Η επικύρωση των στοιχείων για την προκατάληψη είναι επίσης σημαντική να εξασφαλίσει ότι το στοιχείο δεν οδηγεί σε μια προκατειλημμένη λύση μιλ. Το μιλ. κατάρτισης λειτουργεί στα αριθμητικά στοιχεία, έτσι ένα βήμα προεπεξεργασίας μπορεί να απαιτηθεί ανάλογα με τη λύση σας. Παραδείγματος χάριν, εάν το στοιχείο σας είναι ανθρώπινη γλώσσα, πρέπει πρώτα να μεταφραστεί σε μια αριθμητική μορφή στη διαδικασία. Οι εικόνες μπορούν να προεπεξεργαστούν για τη συνέπεια. Παραδείγματος χάριν, οι εικόνες που τροφοδοτούνται ένα βαθύ νευρικό δίκτυο θα επαναταξινομούνταν και θα λειαίνονταν για να αφαιρέσουν το θόρυβο (μεταξύ άλλων διαδικασιών). Ένα από τα μεγαλύτερα προβλήματα στο μιλ. αποκτά ένα σύνολο δεδομένων για να εκπαιδεύσει τη λύση μιλ. σας. Αυτό θα μπορούσε να είναι η μεγαλύτερη προσπάθεια ανάλογα με το πρόβλημά σας επειδή να μην υπάρξει και να μην απαιτήσει μια χωριστή προσπάθεια

για να συλλάβει. Τέλος, το σύνολο δεδομένων πρέπει να τέμνεται μεταξύ των στοιχείων κατάρτισης και των στοιχείων δοκιμής. Η μερίδα κατάρτισης χρησιμοποιείται για να εκπαιδεύσει το πρότυπο, και μόλις εκπαιδευθεί, το στοιχείο δοκιμής χρησιμοποιείται για να επικυρώσει την ακρίβεια της λύσης