Machine het Leren vereist Veelvoudige Stappen

Inleiding

Het opstellen van machine die (ml) leren is een multi-step proces. Het impliceert het selecteren van een model, de opleiding van het voor een specifieke taak, het bevestigen van het met testgegevens, en dan opstellend en de controle van het model in productie. Hier, zullen wij deze stappen bespreken en zullen hen uitsplitsen om u aan ml te introduceren. Ml verwijst naar systemen die, zonder expliciete instructie, om kunnen te leren en verbeteren. Deze systemen leren van gegevens om een bepaalde taak uit te voeren of te functioneren. In sommige gevallen, het leren. of de specifiekere opleiding, komt op een gecontroleerde manier voor waar de onjuiste output in het aanpassen van het model om het naar de correcte output aan te stoten resulteert. In andere gevallen, het unsupervised komt leren voor waar het systeem de gegevens organiseert om eerder onbekende patronen te openbaren. De meeste ml-modellen volgen deze twee die paradigma's (versus het unsupervised leren voor worden gecontroleerd). Nu graaf in wat door een model wordt bedoeld en dan onderzoekt hoe de gegevens de brandstof voor machine het leamning worden. Het machine-lerend Modela-model is een abstractie van een oplossing voor machine het leren. Het model bepaalt de architectuur。 welke, zodra opgeleid, een implementatie wordt. Daarom stellen wij geen modellen op. Wij stellen implementaties van modellen op van gegevens worden opgeleid (meer op dit in de volgende sectie die). Zo modellen plus gegevens plus opleidings gelijke instanties van ml-oplossingen (Figure1). de vertaling wordt vereist. Bijvoorbeeld, het voeden vereist het tekstgegeven in een diep het leren netwerk coderend woorden in een numerieke vorm die algemeen een hoog-dimensionale vector gegeven diverse woorden is die zouden kunnen worden gebruikt. Op dezelfde manier zou de output vertaling van een numerieke vorm terug in een tekstuele vorm kunnen vereisen. Ml-de modellen komen in vele types, met inbegrip van neurale netwerkmodellen, Bayesian modellen, regressiemodellen, die modellen groeperen zich, en meer. Het model dat u kiest is gebaseerd op het dichtbije probleem. In de context van neurale netwerken, strekken de modellen zich van ondiepe multilaagnetwerken uit aan diepe neurale netwerken die vele lagen omvatten

van gespecialiseerde neuronen (verwerkingseenheidën). De diepe neurale netwerken hebben ook een waaier van beschikbare modellen gebaseerd op uw doeltoepassing.

Bijvoorbeeld:

●Als uw toepassing bij het identificeren van voorwerpen binnen beelden wordt geconcentreerd, dan is het Kronkel Neurale Netwerk (CNN) een ideaal model. CNNs is toegepast op huid-kanker opsporing en overtroffen de gemiddelde dermatoloog.

●Als uw toepassing het voorspellen van of het produceren van complexe opeenvolgingen (zoals menselijke taalzinnen) impliceert, dan zijn de Terugkomende Neurale Netwerken (RNN) of lang-Korte de termijn-Geheugen netwerken (LSTM) ideale modellen. LSTMs is ook toegepast op automatische vertaling van menselijke talen.

●Als uw toepassing het descrbing van de inhoud van een beeld in menselijke taal impliceert, dan kan een combinatie van een CNN en een LSTM worden gebruikt (waar het beeld in CNN wordt gevoed en de output van CNN de input aan LSTM vertegenwoordigt, die de woordopeenvolgingen uitzendt).

●Als uw toepassing het produceren van realistische beelden (zoals landschappen of gezichten) impliceert, dan vertegenwoordigt een Generatief Conflictueus Netwerk (GAN) huidige het stat-van-de-kunst model. Deze modellen vertegenwoordigen enkele populairdere diepe neurale netwerkarchitectuur vandaag in gebruik. De diepe neurale netwerken zijn populair omdat zij ongestructureerde gegevens zoals beelden, video, of audioinformatie kunnen goedkeuren. De lagen binnen het netwerk construeren een hiërarchie van eigenschappen die hen clasify zeer complexe informatie toestaan. De diepe neurale netwerken hebben overzichtsprestaties meer dan een breed aantal probleemdomeinen aangetoond. Maar als andere ml-modellen, is hun nauwkeurigheid afhankelijk van gegevens. Onderzoek daarna dit aspect.

Gegevens en opleiding

De gegevens zijn de brandstof die machine lerend, niet alleen in verrichting maar ook het construeren van een ml-oplossing door model opleiding drijft. In de context van opleidingsgegevens voor diepe neurale netwerken, is het belangrijk om de noodzakelijke gegevens in de context van hoeveelheid en kwaliteit te onderzoeken. De diepe neurale netwerken vereisen hopen gegevens voor opleiding. Één vuistregel voor op beeld-gebaseerde classificatie is 1.000 beelden

per klasse. Maar het antwoord is afhankelijk van de ingewikkeldheid van het model en de tolerantie voor fout. Sommige voorbeelden van de oplossingen van productieml brengen een spectrum van datasetgrootte op. Een gezichtsdetecti en het erkenningssysteem vereisten 450.000 beelden, en een vraag en antwoordpraatje bot werd met 200.000 die vragen opgeleid met 2 miljoen antwoorden in paren worden gerangschikt. De kleinere datasets kunnen ook voldoende zijn gebaseerd op het probleem dat wordt opgelost. Een oplossing van de gevoelsanalyse die detrmines de polariteit van advies van geschreven teksten vereiste slechts tientallen duizenden steekproeven. De gegevenskwaliteit is enkel belangrijk zo zoals de hoeveelheid. Gezien de grote die datasets voor opleiding worden vereist, zelfs kunnen de kleine hoeveelheden onjuiste opleidingsgegevens tot een slechte oplossing leiden. Afhangend van het type van noodzakelijke gegevens, zouden uw gegevens door een het reinigen proces kunnen gaan. Dit zorgt ervoor dat de dataset verenigbaar is, dubbele gegevens niet heeft, nauwkeurig is, en volledig (gebrek ongeldige of onvolledige gegevens). Hulpmiddelen er bestaan om dit proces te steunen. Bevestigen van gegevens voor bias is ook belangrijk om ervoor te zorgen dat de gegevens niet tot een beïnvloede ml-oplossing leiden. Ml opleidings werkt op numerieke gegevens, zodat kan een het voorbewerken stap worden vereist afhangend van uw oplossing. Bijvoorbeeld, als uw gegevens menselijke taal zijn, moet het eerst in een numerieke vorm aan proces worden vertaald. De beelden kunnen voor consistentie worden voorbewerkt. Bijvoorbeeld, de beelden in een diep neuraal netwerk worden gevoed resized en zouden gladgemaakt worden om lawaai (onder andere verrichtingen die) te verwijderen. Één van de grootste problemen in ml verwerft een dataset om uw ml-oplossing op te leiden. Dit zou kunnen de grootste inspanning zijn die van uw probleem afhangt omdat het niet zou kunnen bestaan en een afzonderlijke inspanning vereisen

om te vangen. Tot slot zou de dataset tussen opleidingsgegevens en testgegevens moeten worden gesegmenteerd. Het opleidingsgedeelte wordt gebruikt om het model op te leiden, en zodra opgeleid, wordt het testgegeven gebruikt om de nauwkeurigheid van de oplossing te bevestigen