machine-learning
Apprendimento approfondito
Ricerca…
introduzione
L'Apprendimento profondo è un sottosettore dell'apprendimento automatico in cui le reti neurali artificiali multistrato sono utilizzate a scopo di apprendimento. L'Apprendimento profondo ha trovato molte grandi implementazioni, ad es. Riconoscimento vocale, Sottotitoli su Youtube, Raccomandazioni Amazon e così via. Per ulteriori informazioni è disponibile un argomento dedicato all'apprendimento approfondito .
Breve riassunto dell'apprendimento profondo
Per addestrare una rete neurale, in primo luogo dobbiamo progettare un'idea valida ed efficiente. Esistono tre tipi di attività di apprendimento.
- Apprendimento supervisionato
- Insegnamento rafforzativo
- Apprendimento senza supervisione
In questo tempo presente, l'apprendimento senza supervisione è molto popolare. L'apprendimento non supervisionato è un compito di apprendimento profondo che deduce una funzione per descrivere la struttura nascosta da dati "senza etichetta" (una classificazione o una categorizzazione non è inclusa nelle osservazioni).
Poiché gli esempi forniti allo studente non sono etichettati, non vi è alcuna valutazione dell'accuratezza della struttura prodotta dal relativo algoritmo, che è un modo per distinguere l'apprendimento non supervisionato dall'apprendimento supervisionato e dall'apprendimento rinforzato.
Esistono tre tipi di apprendimento senza supervisione.
- Macchine Boltzmann ristrette
- Modello di codifica sparsi
- Autoencoder Descriverò in dettaglio l'autoencoder.
Lo scopo di un autoencoder è di apprendere una rappresentazione (codifica) per un insieme di dati, tipicamente ai fini della riduzione della dimensionalità.
La forma più semplice di un autoencoder è un feedforward, con un livello di input, uno strato di output e uno o più livelli nascosti che li connettono. Ma con lo strato di output che ha lo stesso numero di nodi del livello di input e con lo scopo di ricostruire i propri input ed è per questo che si chiama apprendimento non supervisionato.
Ora proverò a dare un esempio di formazione della rete neurale. 
Qui viene inserito Xi, W è il peso, f (e) è la funzione di attivazione e y viene emesso.
Ora vediamo il flusso passo passo della rete neurale di allenamento basata sul autoencoder.
Calcoliamo il valore di ogni funzione di attivazione con questa equazione: y = WiXi. Prima di tutto, selezioniamo i numeri in modo casuale per i pesi e poi proviamo a regolare i pesi.
Ora calcoliamo la deviazione dall'output desiderato, ovvero y = zy e calcoliamo le deviazioni di ciascuna funzione di attivazione.
Quindi aggiustiamo il nostro nuovo peso di ogni connessione.
