Amaliyot mashgulotlarga nazariy tayyorlanish reja: Amali mashgulotlarga tayyorgarlik

Ota-ona / bola tuguni
Biz pastki tugunlarga yoki bolalar tugunlariga ajratishimiz mumkin bo'lgan tugunlar ularning pastki tugunlarining ota-onasi deb ataladi. Qaror tugunlarining pastki tugunlari bizning farzand tugunlarimizdir.
Bo'lish
Bu biz qaror tugunlarini ba'zi quyi to'plamlarga ajratadigan jarayon. Qaror tugunlarini bizga berilgan atributlar asosida taqsimlaymiz.
Azizillo
Ota-ona tugunining tugun tugmachasini olib tashlaganimizda yoki olib tashlaganimizda, bu jarayon Azizillo deb ataladi. Boshqacha qilib aytadigan bo'lsak, Azizillo bo'linishning teskarisi.
Quyi daraxt
Qaror daraxtining bir qismi pastki daraxt deb nomlanadi. Qism degani, biz istalgan tugundan chap pastki daraxtni olamiz yoki istalgan tugundan o'ng pastki daraxtni olamiz.
Ish jarayoni
Bu turi boshqariladigan ta'lim algoritmi unda biz allaqachon maqsad o'zgaruvchilarning ma'lumotlar to'plamiga egamiz. Haqiqiy dunyoda biz tasnif tushunchasi keladigan qaror daraxtidan foydalanamiz. U tutashgan kirish o'zgaruvchilari to'plami uchun ishlaydi. Bunda biz to'plamni turli xil atributlar asosida pastki qismlarga ajratamiz. Biz bajaramiz kuchli va Azizillo biz xohlagan kerakli natijaga ko'ra.
5. Chuqur o’rganish usullari
Zamonaviy chuqur o'rganish modellarining aksariyati asoslanadi sun'iy neyron tarmoqlari, xususan konvolyutsion asab tarmoqlari (CNN) lar, lekin ular ham o'z ichiga olishi mumkin taklif formulalari yoki yashirin o'zgaruvchilar chuqurlikda qatlamli ravishda tashkil etilgan generativ modellar tugunlari kabi chuqur e'tiqod tarmoqlari va chuqur Boltzmann mashinalari.
Chuqur o'rganishda har bir daraja o'z ma'lumotlarini biroz mavhumroq va kompozitsion ko'rinishga o'zgartirishni o'rganadi. Rasmni aniqlash dasturida xom kirish a bo'lishi mumkin matritsa piksel; birinchi vakillik qatlami piksellarni mavhumlashtirishi va qirralarini kodlashi mumkin; ikkinchi qavat qirralarning tartibini tuzishi va kodlashi mumkin; uchinchi qavat burun va ko'zlarni kodlashi mumkin; va to'rtinchi qatlam rasmda yuz borligini tan olishi mumkin. Muhimi, chuqur o'rganish jarayoni qaysi xususiyatlarni qaysi darajaga optimal tarzda joylashtirishni o'rganishi mumkin o'z-o'zidan. (Albatta, bu qo'lda sozlash zarurligini to'liq bartaraf etmaydi; masalan, qatlamlarning har xil soni va qatlam o'lchamlari turli darajadagi abstraktsiyani ta'minlashi mumkin.) "Chuqur o'rganish" tarkibidagi "chuqur" so'zi ma'lumotlarning o'zgarishi qatlamlari sonini anglatadi. Aniqrog'i, chuqur o'rganish tizimlari muhim ahamiyatga ega kredit berish yo'li (CAP) chuqurligi. CAP - bu kirishdan chiqishga transformatsiyalar zanjiri. CAP-lar kirish va chiqish o'rtasidagi potentsial sababiy aloqalarni tavsiflaydi. A feedforward neyron tarmoq, CAPs chuqurligi tarmoqqa tegishli va maxfiy qatlamlar soni va plyus bitta (chunki chiqish qatlami ham parametrlangan). Uchun takrorlanadigan neyron tarmoqlari, unda signal qatlam orqali bir necha marta tarqalishi mumkin, CAP chuqurligi potentsial cheksizdir.[2] Hech qanday umumiy kelishilgan chuqurlik chegarasi sayoz o'rganishni chuqur o'rganishdan ajratmaydi, ammo aksariyat tadqiqotchilar chuqur o'rganish uchun CAP chuqurligi 2 dan yuqori ekanligini o'z ichiga oladi degan fikrga qo'shilgan. 2-chuqurlikdagi CAP har qanday funktsiyani taqlid qilishi mumkinligi nuqtai nazaridan universal taxminiy vosita sifatida ko'rsatilgan. Bundan tashqari, ko'proq qatlamlar tarmoqning funktsional taxminiy qobiliyatiga qo'shilmaydi. Chuqur modellar (CAP> 2) sayoz modellarga qaraganda yaxshiroq xususiyatlarni chiqarishga qodir va shuning uchun qo'shimcha qatlamlar funktsiyalarni samarali o'rganishda yordam beradi. Chuqur o'rganish me'morchiligini a bilan qurish mumkin ochko'z qatlam-qavat usuli. Chuqur o'rganish ushbu abstraktsiyalarni ajratishga va qaysi xususiyatlar ishlashni yaxshilaydiganligini tanlashga yordam beradi. Uchun nazorat ostida o'rganish vazifalar, chuqur o'rganish usullari yo'q qilinadi xususiyati muhandislik, ma'lumotlarga o'xshash ixcham oraliq vakolatxonalarga tarjima qilish orqali asosiy komponentlarva vakolatxonada ortiqchalikni olib tashlaydigan qatlamli tuzilmalarni olish. Chuqur o'rganish algoritmlarini nazoratsiz o'qitish vazifalariga qo'llash mumkin. Bu muhim foyda, chunki yorliqsiz ma'lumotlar yorliqli ma'lumotlarga qaraganda ancha ko'p. Nazorat qilinmaydigan tarzda o'qitilishi mumkin bo'lgan chuqur tuzilmalarga misollar asab tarixi kompressorlari va chuqur e'tiqod tarmoqlari.
http://fayllar.org