A aprendizagem de máquina exige etapas múltiplas

Introdução

A aprendizagem de máquina de distribuição (ML) é um processo da multi-etapa. Envolve selecionar um modelo, treiná-lo para uma tarefa específica, validá-lo com os dados de teste, e então distribuir e monitorar o modelo na produção. Aqui, nós discutiremos estas etapas e quebrá-las-emos para baixo para introduzi-lo ao ML. O ML refere os sistemas que, sem instrução explícita, são capazes da aprendizagem e do melhoramento. Estes sistemas aprendem dos dados executar uma tarefa ou uma função particular. Em alguns casos, aprendendo. ou um treinamento mais específico, ocorre em uma maneira supervisionada onde as saídas incorretas conduzam a ajustar a cotovelada do modelo ele para a saída correta. Em outros casos, a aprendizagem unsupervised ocorre onde o sistema organiza os dados para revelar testes padrões previamente desconhecidos. A maioria de modelos do ML seguem estes dois paradigma (supervisionados contra a aprendizagem unsupervised). Deixe-nos agora escavar no que é significado por um modelo e explore-o então como os dados se transformam o combustível para a máquina que leamning. Máquina-aprender o modelo do modelo A é uma abstração de uma solução para a aprendizagem de máquina. O modelo define o。 da arquitetura qual, uma vez que treinado, se transforma uma aplicação. Consequentemente, nós não distribuímos modelos. Nós distribuímos aplicações dos modelos treinados dos dados (mais nisto na seção seguinte). Assim modelos mais dados mais a formação de exemplos iguais das soluções do ML (Figure1). a tradução é exigida. Por exemplo, os dados de alimentação do texto em uma rede de aprendizagem profunda exigem palavras de codificação em um formulário numérico que seja geralmente um vetor alto-dimensional dado as várias palavras que poderiam ser usadas. Similarmente, as saídas puderam exigir a tradução de um formulário numérico de novo em um formulário textual. Os modelos do ML vêm em muitos tipos, incluindo modelos de rede neural, modelos Bayesian, modelos de regressão, modelos de aglomeração, e mais. O modelo que você escolhe é baseado no problema à mão. No contexto de redes neurais, escala dos modelos das multi redes rasas da camada às redes neurais profundas que incluem muitas camadas

dos neurônios especializados (unidades de processamento). As redes neurais profundas igualmente têm uma escala de disponível dos modelos baseado em sua aplicação do alvo.

Por exemplo:

●Se sua aplicação é centrada sobre a identificação de objetos dentro das imagens, a seguir a rede neural circunvolucional (CNN) é um modelo ideal. CNNs foi aplicado à detecção do pele-câncer e outperform o dermatologista médio.

●Se sua aplicação envolve prever ou gerar sequências complexas (tais como frases humanas da língua), a seguir as redes neurais periódicas (RNN) ou as redes Longo-curtos da Termo-memória (LSTM) são modelos ideais. LSTMs foi aplicado igualmente à tradução automática de línguas humanas.

●Se sua aplicação envolve descrbing os índices de uma imagem na língua humana, a seguir uma combinação de um CNN e de um LSTM pode ser usada (onde a imagem é alimentada no CNN e a saída do CNN representa a entrada ao LSTM, que se emite as sequências de palavra).

●Se sua aplicação envolve gerar imagens realísticas (tais como paisagens ou caras), a seguir uma rede Adversarial Generative (GAN) representa o modelo atual da stat---arte. Estes modelos representam algumas das arquiteturas de rede neural profundas mais populares no uso hoje. As redes neurais profundas são populares porque podem aceitar dados não organizados tais como imagens, vídeo, ou a informação audio. As camadas dentro da construção da rede uma hierarquia das características que permitem que clasify a informação muito complexa. As redes neurais profundas demonstraram o desempenho avançado sobre um número largo de domínios do problema. Mas como outros modelos do ML, sua precisão é dependente dos dados. Deixe-nos explorar em seguida este aspecto.

Dados e treinamento

Os dados são o combustível que conduz a aprendizagem de máquina, não apenas na operação mas igualmente em construir uma solução do ML com o treinamento modelo. No contexto de dados de formação para redes neurais profundas, é importante explorar os dados necessários no contexto da quantidade e da qualidade. As redes neurais profundas exigem grandes quantidades de dados treinando. Uma regra empírica para a classificação imagem-baseada é 1.000 imagens

pela classe. Mas a resposta é dependente da complexidade do modelo e da tolerância para o erro. Alguns exemplos das soluções do ML da produção rendem um espectro de tamanhos do conjunto de dados. Um detecti em e um sistema de reconhecimento faciais exigiram 450.000 imagens, e um bot do bate-papo da pergunta e resposta foi treinado com as 200.000 perguntas emparelhadas com as 2 milhão respostas. Os conjunto de dados menores podem igualmente bastar baseado no problema que está sendo resolvido. Uma solução da análise do sentimento que detrmines a polaridade da opinião dos dez exigidos do texto escrito somente dos milhares de amostras. A qualidade dos dados é apenas tão importante quanto a quantidade. Dado os grandes conjunto de dados exigidos treinando, mesmo as pequenas quantidades de dados de formação errôneos podem conduzir a uma solução pobre. Segundo o tipo de dados necessários, seus dados puderam atravessar um processo de limpeza. Isto assegura-se de que o conjunto de dados seja consistente, falta-se dados duplicados, está-se exato, e completo (falta dados inválidos ou incompletos). As ferramentas existem para apoiar este processo. Validar dados para a polarização é igualmente importante assegurar-se de que os dados não conduzam a uma solução inclinada do ML. O ML do treinamento opera-se em dados numéricos, assim uma etapa deprocessamento pode ser exigido segundo sua solução. Por exemplo, se seus dados são língua humana, deve primeiramente ser traduzido em um formulário numérico para processar. As imagens podem pre-ser processadas para a consistência. Por exemplo, as imagens alimentaram em uma rede neural profunda resized e foram alisadas para remover o ruído (entre outras operações). Um dos problemas os mais grandes no ML está adquirindo um conjunto de dados para treinar sua solução do ML. Este poderia ser o esforço o maior segundo seu problema porque não pôde existir e exigir um esforço separado

para capturar. Finalmente, o conjunto de dados deve ser segmentado entre dados e dados de teste de formação. A parcela de formação é usada para treinar o modelo, e treinado uma vez, os dados de teste são usados para validar a precisão da solução