¿Cómo aprenden los ...
 

¿Cómo aprenden los modelos de aprendizaje automático a partir de los datos de entrenamiento?  

  RSS
Arturo
(@arturo)
New Member

Cada vez que decimos, tenemos que entrenar un modelo de aprendizaje automático, es como hacer que comprenda los patrones. Ahora, cuando los datos de prueba se dan al mismo modelo, se clasifican sobre la base de patrones similares. ¿Este modelo crea un archivo de memoria en el momento de entrenar los datos para verificar los patrones, o el código está evolucionado para verificar los patrones? En cuanto a encontrar un patrón para la salida, necesitamos tener algo de memoria que el modelo use para clasificar

Citar
Respondido : 20/09/2018 4:29 pm
German M
(@german-m)
Active Member

Déjame darte una explicación muy simple para que te hagas una idea (solo recuerda que los escenarios del mundo real son más sofisticados que esto).

Supongamos que quieres clasificar las naranjas y las manzanas. Haz recopilado un conjunto de datos de manzanas y naranjas con etiquetas. supongamos que trazas manzanas y naranjas en función de su color y la suavidad del exterior.

Puede obtener algo como esto. Lo que la red neuronal trata de aprender es esa línea punteada. en otras palabras, W (pesos) y b (sesgos) para Y = WX + b (todos estos son vectorizados). Los escenarios del mundo real no son siempre separables linealmente, por lo tanto, usted agrega la función de activación no lineal a la salida de cada capa (a 'y').

Entonces, en el entrenamiento, básicamente aprende los valores óptimos (con técnicas de backprints y de gradiente de descenso) para los pesos y sesgos para cada capa y cuando das datos de prueba (ejemplo no visto) se obtiene 'Y' usando los valores de 'W' y 'b' aprendidos.

Puede visualizar estas cosas en https://playground.tensorflow.org/

Espero que esto sea claro y diviértete con las redes neuronales!

ResponderCitar
Respondido : 21/09/2018 8:57 pm
Share:
  
Trabajando

Por favor Iniciar Sesión o Registro