ΤΝ, Μηχανική Μάθηση και Βαθιά Μάθηση

2 λεπτά

Στόχος: να τοποθετήσετε τη βαθιά μάθηση, να κατανοήσετε τι αλλάζει και να αποφύγετε το αντανακλαστικό «νευρωνικό δίκτυο για τα πάντα». Διάρκεια: 35 λεπτά.

1. Οι ρωσικές κούκλες

Η τεχνητή νοημοσύνη συγκεντρώνει τις τεχνικές που επιτρέπουν σε μια μηχανή να εκτελεί μια εργασία που συνδέεται με τη νοημοσύνη. Η μηχανική μάθηση είναι ένα μέρος της ΤΝ όπου οι κανόνες ρυθμίζονται με βάση δεδομένα. Η βαθιά μάθηση είναι ένα μέρος της μηχανικής μάθησης που μαθαίνει με δίκτυα που διαθέτουν πολλά επίπεδα μετασχηματισμού.

text
ΤΝ ⊃ Machine Learning ⊃ Deep Learning

Η λέξη βαθιά περιγράφει τον αριθμό των βημάτων αναπαράστασης, όχι κάποιο βάθος σκέψης. Μια εικόνα μπορεί να γίνει διαδοχικά: pixels → περιγράμματα → υφές → μέρη → αντικείμενο.

2. Τι προσφέρει η βαθιά μάθηση

Οι κλασικές μέθοδοι συχνά απαιτούν από τον άνθρωπο να κατασκευάσει τις χρήσιμες μεταβλητές. Ένα βαθύ δίκτυο μπορεί να μάθει ένα μέρος αυτής της αναπαράστασης απευθείας από τα ακατέργαστα δεδομένα. Αυτή η ιδιότητα είναι ιδιαίτερα χρήσιμη για εικόνες, ήχο, κείμενο και σύνθετα σήματα.

ΚατάστασηΠρώτος εύλογος υποψήφιος
Μικρός πίνακας 3 000 γραμμώνδέντρο, boosting, παλινδρόμηση
Εκατομμύρια επισημασμένες εικόνεςCNN ή Vision Transformer
Κείμενο με προεκπαιδευμένο μοντέλοπροσαρμοσμένος Transformer
Ακριβής και σταθερός επιχειρησιακός κανόναςκλασικός προγραμματισμός

3. Το τίμημα

Τα βαθιά δίκτυα απαιτούν συχνά περισσότερα δεδομένα, υπολογισμό και πειραματισμό. Είναι ευαίσθητα στο πρωτόκολλο, στην αρχικοποίηση και στον ρυθμό μάθησης. Ένα μεγαλύτερο μοντέλο δεν είναι ούτε αυτόματα πιο ακριβές, ούτε αυτόματα πιο χρήσιμο.

Συχνά λάθη

  • Σύγχυση της απόδοσης επίδειξης με την επιχειρησιακή αξία.
  • Σύγκριση ενός βελτιστοποιημένου δικτύου με μια παραμελημένη κλασική baseline.
  • Χρήση του συνόλου δοκιμής κατά τις επιλογές αρχιτεκτονικής.
  • Πίστη ότι «βαθύ» σημαίνει «αυτόνομο» ή «συνειδητό».

Γρήγορος έλεγχος

  1. Είναι η βαθιά μάθηση μια οικογένεια διακριτή από τη μηχανική μάθηση;
  2. Γιατί είναι ισχυρή στα μη δομημένα δεδομένα;
  3. Αναφέρετε μια περίπτωση όπου είναι πιθανότατα υπερβολική.
Απαντήσεις
  1. Όχι, είναι υποσύνολο του ML. 2. Μαθαίνει ιεραρχικές αναπαραστάσεις από τα ακατέργαστα δεδομένα. 3. Για παράδειγμα ένας μικρός πίνακας ή ένας ακριβής κανόνας.

Δραστηριότητα κατάκτησης — Σημείωμα απόφασης

Επιλέξτε τρεις περιπτώσεις: έναν πίνακα churn, ακτινογραφίες και έναν ακριβή φορολογικό κανόνα. Για καθεμία, προτείνετε την απλούστερη λύση, μια baseline, την αναμενόμενη απόδειξη και ένα κριτήριο τερματισμού. Παραδοτέο: ένας πίνακας μιας σελίδας. Επιτυχία: καμία λύση δεν επιλέγεται μόνο επειδή είναι «μοντέρνα».

Χάρτης απόφασης: ποιο παράδειγμα να επιλέξετε;

Ανάγνωση: η βαθιά μάθηση δεν είναι αυτόματη επιλογή. Η φύση των δεδομένων, η ποσότητα επίβλεψης, ο προϋπολογισμός υπολογισμού και το κόστος λειτουργίας καθορίζουν τη λύση. Η κύρια παγίδα συνίσταται στην επιλογή της πιο σύνθετης αρχιτεκτονικής πριν καθιερωθεί μια μετρήσιμη baseline.

Γιατί στοιβάζουμε στρώματα;