В искусственный интеллект и машинное обучение
жүктеу/скачать 2.47 Mb.
|
- Бұл бет үшін навигация:
- Августовский рейтинг языков программирования на основе индекса TIOBE
- Глубокое обучение (Deep learning)
| 1
2 3 Оптимальными для правильного проведения машинного обучения считаются выборки данных, составленные вручную и содержащие максимум информации разного качества - это позволяет компьютеру выявлять неочевидные взаимосвязи между данными и делать по ним полезные выводы 1 Будущее Регрессия - составление прогнозов на основе выборки данных с отличающимися признаками 2 Классификация - получение конкретного ответа на основании набора признаков 3 Кластеризация - разбивка данных на несколько групп 4 Уменьшение размерности - сокращение большого количества признаков для удобства их дальнейшей визуализации 5 Выявление аномалий - поиска отличий в наборах данных от стандартной информации Категории задач машинного обучения 1 Будущее Обучение с учителем – оно предполагает использование полного набора снабженных признаками данных (размеченного дата сета) для тренировки системы ИИ на всех стадиях ее создания 2 Обучение без учителя – при котором машина самостоятельно выявляет закономерности, определяет признаки и классифицирует полученные данные 3 Обучение с подкреплением - когда машине требуется правильно решить поставленные перед ней задачи во внешней среде, располагая несколькими возможными вариантами действия Типы машинного обучения Августовский рейтинг языков программирования на основе индекса TIOBEСреды разработки
Глубокое обучение (Deep learning)Глубокое обучение не только может дать результат там, где другие методы не сработают, но и позволяет построить более точную модель или же сократить время на ее создание; расплачиваться же за это приходится еще большими вычислительными мощностями. Еще одним недостатком глубинного обучения является сложность интерпретации получаемых моделей Определяющая характеристика глубокого обучения — наличие более одного слоя между входом и выходом. Обычно, говоря о глубинном обучении, подразумевают использование глубоких нейронных сетей. Есть, однако, несколько алгоритмов, которые реализуют глубинное обучение, используя иные типы слоев Глубокое обучение не только может дать результат там, где другие методы не сработают, но и позволяет построить более точную модель или же сократить время на ее создание Расплачиваться же за это приходится еще большими вычислительными мощностями Еще одним недостатком глубокого обучения является сложность интерпретации получаемых моделей жүктеу/скачать 2.47 Mb. Достарыңызбен бөлісу:
|