machine-learning
깊은 학습

소개

깊은 학습 짧은 간략한 설명

신경망을 훈련시키기 위해서는 첫째, 훌륭하고 효율적인 아이디어를 설계해야합니다. 학습 과제에는 세 가지 유형이 있습니다.

• 감독 학습
• 강화 학습
• 무 감독 학습

현재, 감독되지 않은 학습은 매우 대중적입니다. 감독되지 않는 학습은 "분류되지 않은"데이터로부터 숨겨진 구조를 기술하는 기능을 추론하는 깊은 학습 과제입니다 (분류 또는 분류는 관찰에 포함되지 않습니다).

학습자에게 주어진 예제는 레이블이 없으므로 관련 알고리즘에 의해 출력되는 구조의 정확성에 대한 평가가 없습니다. 이것은 감독되지 않은 학습과 감독 학습 및 강화 학습을 구별하는 한 가지 방법입니다.

감독되지 않는 학습에는 세 가지 유형이 있습니다.

• 제한된 볼츠만 기계
• 스파 스 코딩 모델
• 자동 코드 작성기 자동 코드 작성기에 대해 자세히 설명하겠습니다.

자동 인코딩 프로그램의 목적은 일반적으로 차원 감소를 위해 데이터 집합에 대한 표현 (인코딩)을 학습하는 것입니다.

autoencoder의 가장 간단한 형태는 입력 레이어, 출력 레이어 및 이들을 연결하는 하나 이상의 숨겨진 레이어가있는 피드 포워드입니다. 그러나 출력 레이어가 입력 레이어와 동일한 수의 노드를 가지며 자체 입력을 재구성하는 목적으로 인해 이것이 감독되지 않는 학습이라고 불리는 이유입니다.

이제는 신경망을 훈련하는 예를 보여 드리겠습니다.

여기서 Xi는 입력이고, W는 가중치이고, f (e)는 활성화 함수이며 y가 출력됩니다.

이제 우리는 autoencoder를 기반으로 훈련 신경 네트워크의 단계별 흐름을 봅니다.

이 방정식을 사용하여 모든 활성화 함수의 값을 계산합니다. y = WiXi. 우선, 우리는 무작위로 가중치를 선택하고 그 가중치를 조정하려고합니다.

이제 원하는 출력으로부터의 편차, 즉 y = zy를 계산하고 모든 활성화 함수의 편차를 계산합니다.

그런 다음 모든 연결의 새로운 가중치를 조정합니다.