О чём рассказывается в презентации:
Презентация посвящена обучению искусственных нейронных сетей с учителем, рассматривая основные принципы и методы, включая минимизацию функции потерь и алгоритм обратного распространения ошибки. Участники узнают, как размеченные данные влияют на качество обучения и какие гиперпараметры критичны для достижения высокой производительности. Темы, такие как задачи классификации и регрессии, помогут понять, как эффективно применять данный подход в практике.
Оглавление
Обучение искусственной нейронной сети с учителем
Обучение с учителем строится на минимизации ошибки относительно эталонной разметки
Размеченные данные формируют основу обучающей и контрольной выборок
Функция потерь математически выражает качество предсказания модели
Градиентный спуск является основным методом оптимизации параметров сети
Алгоритм обратного распространения ошибки распределяет вклад каждого нейрона в общую функцию потерь
Стохастический градиентный спуск применяется для оптимизации на больших выборках
Эпоха обучения представляет собой проход алгоритма по всему тренировочному набору
Три основных типа задач определяют архитектуру и методы обучения
Метод обучения под присмотром имитирует процесс осознанного наставничества
Трансдуктивное обучение и LUPI повышают точность за счет использования дополнительной информации
Правильный выбор гиперпараметров предотвращает переобучение и стагнацию модели
Ключевые аспекты обучения с учителем
Спасибо за внимание!
