machine-learning
Diep leren
Zoeken…
Invoering
Deep Learning is een deelgebied van machine learning waarbij kunstmatige neurale netwerken met meerdere lagen worden gebruikt voor leerdoeleinden. Deep Learning heeft veel geweldige implementaties gevonden, zoals spraakherkenning, ondertitels op YouTube, Amazon-aanbevelingen, enzovoort. Voor aanvullende informatie is er een specifiek onderwerp over diep leren .
Korte samenvatting van Deep learning
Om een neuraal netwerk te trainen, moeten we eerst een goed en efficiënt idee ontwerpen. Er zijn drie soorten leertaken.
- Leren onder toezicht
- Versterking leren
- Leren zonder toezicht
In deze tijd is niet-begeleid leren erg populair. Niet-gecontroleerd leren is een diepgaande leertaak van het afleiden van een functie om verborgen structuren te beschrijven uit "niet-gelabelde" gegevens (een classificatie of categorisatie is niet opgenomen in de observaties).
Aangezien de aan de leerling gegeven voorbeelden geen etiket bevatten, is er geen evaluatie van de nauwkeurigheid van de structuur die wordt uitgevoerd door het relevante algoritme - wat een manier is om niet-gecontroleerd leren te onderscheiden van begeleid leren en versterkend leren.
Er zijn drie soorten onbewaakt leren.
- Beperkte Boltzmann-machines
- Sparse coderingsmodel
- Autoencoders Ik zal in detail van autoencoder beschrijven.
Het doel van een autoencoder is om een representatie (codering) te leren voor een set gegevens, meestal met het oog op het verminderen van de dimensionaliteit.
De eenvoudigste vorm van een autoencoder is een feedforward, met een invoerlaag, een uitvoerlaag en een of meer verborgen lagen die hen verbinden. Maar met de outputlaag die hetzelfde aantal knooppunten heeft als de inputlaag, en met het doel zijn eigen inputs te reconstrueren en daarom wordt het onbewaakt leren genoemd.
Nu zal ik proberen een voorbeeld te geven van het trainen van een neuraal netwerk. 
Hier is Xi invoer, W is gewicht, f (e) is activeringsfunctie en y is uitvoer.
Nu zien we een stap voor stap stroom van training neuraal netwerk op basis van autoencoder.
We berekenen de waarde van elke activeringsfunctie met deze vergelijking: y = WiXi. Allereerst kiezen we willekeurig getallen voor gewichten en proberen die gewichten vervolgens aan te passen.
Nu berekenen we de afwijking van onze gewenste output, dat is y = zy en berekenen we de afwijkingen van elke activeringsfunctie.
Vervolgens passen we ons nieuwe gewicht aan voor elke verbinding.
