L'apprendimento automatico richiede i punti multipli

Introduzione

L'apprendimento automatico di spiegamento (ml) è un processo a più gradi. Comprende selezionare un modello, prepararlo per un compito specifico, convalidarlo con i dati di prova e poi spiegare e controllare il modello nella produzione. Qui, discuteremo questi punti e li scomporremo per presentarvi al ml. Il ml si riferisce ai sistemi che, senza istruzione esplicita, sono capaci dell'apprendimento e di migliorare. Questi sistemi imparano dai dati eseguire un compito o una funzione particolare. In alcuni casi, imparando. o l'addestramento più specifico, si presenta in un modo sorvegliato dove le uscite sbagliate provocano la regolazione del modello per toccarlo col gomito verso l'uscita corretta. In altri casi, l'apprendimento non supervisionato accade dove il sistema organizza i dati per rivelare i modelli precedentemente sconosciuti. La maggior parte dei modelli di ml seguono questi due paradigmi (sorvegliati contro l'apprendimento non supervisionato). Ora scaviamo in che cosa sono significati da un modello e poi esplori come i dati si trasformano nel combustibile per la macchina che leamning. Il modello del modello A di apprendimento automatico è un'astrazione di una soluzione per l'apprendimento automatico. Il modello definisce il。 dell'architettura quale, una volta che preparato, si trasforma in in un'implementazione. Di conseguenza, non spieghiamo i modelli. Spieghiamo le implementazioni dei modelli preparati dai dati (più su questo nella sezione successiva). Così modelli più i dati più la formazione delle istanze uguali delle soluzioni di ml (Figure1). la traduzione è richiesta. Per esempio, i dati d'alimentazione del testo in una rete di apprendimento profonda richiedono le parole di codifica in una forma numerica che è comunemente un vettore alto-dimensionale dato le varie parole che potrebbero essere usate. Similmente, le uscite hanno potuto richiedere la traduzione da una forma numerica nuovamente dentro una forma testuale. I modelli di ml vengono in molti tipi, compreso i modelli di rete neurale, modelli bayesani, i modelli di regressione, modelli di raggruppamento e più. Il modello che scegliete è basato sopra il problema attuale. Nel contesto delle reti neurali, immagine dei modelli dalle reti multi- basse di strato alle reti neurali profonde che comprendono molti strati

dei neuroni specializzati (unità di elaborazione). Le reti neurali profonde inoltre hanno una gamma di disponibile dei modelli basato sopra la vostra applicazione dell'obiettivo.

Per esempio:

●Se la vostra applicazione è messa a fuoco sull'identificazione degli oggetti all'interno delle immagini, quindi la rete neurale dell'avvolgimento (CNN) è un modello ideale. CNNs si è applicato a rilevazione del pelle-Cancro e supera il dermatologo medio.

●Se la vostra applicazione comprende predire o generare le sequenze complesse (quali le frasi umane di lingua), quindi reti neurali ricorrenti (RNN) o le A lungo brevi reti di Termine-memoria (LSTM) sono modelli ideali. LSTMs inoltre si è applicato alla traduzione automatica delle lingue umane.

●Se la vostra applicazione comprende descrbing il contenuto di un'immagine nella lingua umana, quindi una combinazione di CNN e di LSTM può essere usata (dove l'immagine è inserita nel CNN e l'uscita del CNN rappresenta l'input al LSTM, che emette le sequenze di parola).

●Se la vostra applicazione comprende generare le immagini realistiche (quali i paesaggi o i fronti), quindi una rete contraddittoria generativa (GAN) rappresenta il modello corrente di immediatamente-de--arte. Questi modelli rappresentano oggi alcune delle architetture di rete neurale profonde più popolari in uso. Le reti neurali profonde sono popolari perché possono accettare i dati non strutturati quali le immagini, il video, o le audio informazioni. Gli strati all'interno della costruzione della rete una gerarchia delle caratteristiche che li permettono di clasify le informazioni molto complesse. Le reti neurali profonde hanno dimostrato la prestazione avanzata sopra un ampio numero dei dominii di problema. Ma come altri modelli di ml, la loro accuratezza dipende dai dati. Esploriamo questo aspetto dopo.

Dati ed addestramento

I dati sono il combustibile che guida l'apprendimento automatico, non appena in funzione ma anche costruente una soluzione di ml con l'addestramento di modello. Nel contesto dei dati di formazione per le reti neurali profonde, è importante esplorare i dati necessari nel contesto della quantità e della qualità. Le reti neurali profonde richiedono un gran numero di dati per prepararsi. Una regola empirica per la classificazione basata sulle immagini è 1.000 immagini

per classe. Ma la risposta dipende dalla complessità del modello e della tolleranza per l'errore. Alcuni esempi dalle soluzioni di ml di produzione rendono una gamma di dimensioni di gruppo di dati. Un detecti su e un sistema di riconoscimento facciali hanno richiesto 450.000 immagini e un bot di domande e risposte di chiacchierata è stato preparato con 200.000 domande accoppiate con 2 milione risposte. I più piccoli gruppi di dati possono anche bastare basato sopra il problema che è risolto. Una soluzione di analisi di sentimento che detrmines la polarità dell'opinione da testo scritto richiesto soltanto decine di migliaia di campioni. La qualità di dati è altrettanto importante quanto la quantità. Dato i grandi gruppi di dati richiesti per la formazione, anche le piccole quantità di dati di formazione erronei possono condurre ad una soluzione difficile. Secondo il tipo di dati necessari, i vostri dati hanno potuto passare con un processo di pulitura. Ciò assicura che il gruppo di dati sia coerente, manca dei dati duplicati, è accurata e completa (manca dei dati invalidi o incompleti). Gli strumenti esistono per sostenere questo processo. La convalida dei dati per polarizzazione è inoltre importante da assicurarsi che i dati non conducano ad una soluzione polarizzata di ml. Il ml di addestramento funziona sui dati numerici, così un punto di preelaborazione può essere richiesto secondo la vostra soluzione. Per esempio, se i vostri dati sono lingua umana, deve in primo luogo essere tradotto in forma numerica per elaborare. Le immagini possono essere preelaborate per consistenza. Per esempio, le immagini hanno inserito in una rete neurale profonda sarebbero ridimensionate e lisciato state per rimuovere il rumore (tra altre operazioni). Uno di più grandi problemi nel ml sta acquistando un gruppo di dati per preparare la vostra soluzione di ml. Ciò potrebbe essere il più grande sforzo secondo il vostro problema perché non potrebbe esistere e richiedere uno sforzo separato

per catturare. Per concludere, il gruppo di dati dovrebbe essere segmentato fra i dati di formazione ed i dati di prova. La parte di formazione è usata per preparare il modello e preparato una volta, i dati di prova sono usati per convalidare l'accuratezza della soluzione