← chapitres précédents

51. Choix des composants du pipeline: facilité de résolution des problèmes

Le second facteur important à considérer lors de la construction d'un pipeline, en plus de la disponibilité des données de formation, est la facilité d'utilisation du composant. Vous devez essayer de choisir de tels composants du pipeline, dont chacun est facile à développer ou à apprendre. Mais qu'est-ce que cela signifie: le composant est facile à apprendre?

Voici les tâches d'apprentissage automatique en ordre croissant de difficulté:

1. Classification des images surexposées (comme dans l'exemple ci-dessus)
2. Déterminer si une image est prise à l'intérieur ou à l'extérieur
3. Déterminer si une image contient un chat ou non
4. Déterminer si une image contient un chat à fourrure noire et blanche
5. Déterminer si une image contient un chat siamois (une race spéciale de chat).

Chacun d'eux est une tâche de classification binaire: une image est entrée, l'algorithme sort 0 ou 1. De plus, plus la tâche dans la liste est élevée, plus le réseau de neurones est «facile» à apprendre à la résoudre. Les tâches plus simples nécessitent moins d'exemples de formation.

Il n'existe actuellement aucune bonne définition formelle de la difficulté des tâches dans l'apprentissage automatique

: « », , — , , ( ). . .

, «», ( (shallow neural network)), «», (, () ). .

, , , .

, . :

, :

( ) .

( ) , 1, - .

( ) , , 0 1.

: , , , . , , . , Deep Learning Coursera.

.

: (1) , (2) (3) . «», , .

, , , , «» , .

52.

, x , . , ( , , )?

x =

y = « , »

h: -> Y, y .

:

, , , y, , . , (x) (y).

La tendance croissante de l'apprentissage en profondeur est l'enseignement de systèmes de bout en bout, dont la sortie, avec la disponibilité de données étiquetées appropriées (entrée et sortie étiquetées pour le système), vous pouvez obtenir des images, des fragments de texte, des clips audio et d'autres objets complexes, et pas seulement des nombres.

continuation