Основы обучения
Обучение выбирает правило предсказания по примерам. В отдельных примерах используются условные числа; общий проект работает с реальными измерениями.
Уроки
- Гребневая регрессия
- Квадратичная потеря
- Эмпирический риск
- Активация ReLU
- Шаг градиентного спуска
- Подсчёт параметров сети
- Классификатор по знаку
- Сеть ReLU с двумя нейронами
- Полносвязная сеть
- Минимизация эмпирического риска
- Логистическая суррогатная потеря
- Риск генеральной совокупности
- Расстояние на выборке
- Шаг градиента по мини-батчу
- Сложность Радемахера на конечном примере
- Рост на конечном пространстве входов
- Взвешенная граница обобщения
- Обучение как отображение
- Набор параметров сети
- Смещение как дополнительная координата
- Семейство гипотез сети
- Классификаторы по знаку
- Средняя суррогатная потеря
- Минимум регуляризованной целевой функции
- Риск классификации
- Байесовский риск на конечном пространстве
- Разложение риска регрессии
- Разложение риска классификации
- Сравнение без бесплатного обеда
- Обученная модель
- Граница сходимости SGD
- Объединение по ширинам сети
- Точное совпадение на всех обучающих точках
- Матрица, близкая к единичной
- Граница приближения Соболева
- Риск приближения и расстояние функций
- Размерность VC на двух входах
- Множитель VC-границы сети
- Множитель VC-границы обобщения
- Ненулевой линейный функционал
- Функции активации
- Скрытые признаки и интерполяция
- Проверка условия интеграла
- Вторая разделённая разность
- Равномерное приближение на компакте
- Покрытие конечного семейства функций
- Три масштаба обобщения
- Конечный пример симметризации
- Энтропийный интеграл
- Покрытие классификаторов и их потерь
- Разложение избыточного риска
- Интеграл индикатора интервала
- Невыпуклая цель обучения
- Несмещённое стохастическое обновление
- Признаки и цели из преобразования
- Потери для оценки плотности
- Оптимальная двоичная метка
- Сеть на рисунке источника
- Масштабированная сигмоида стремится к ступени
- Риск генеральной совокупности после обучения
- Суррогатные оценки и классификаторы
- Конечная задача обучения
- Выборка с распределением-произведением
- Усреднение итераций оптимизации
- Конечное семейство оценок и меток
- Функционал знаковой меры и проверка Фурье
- Условие универсального приближения
- Ограниченная квадратичная потеря
- Риск на отдельной тестовой выборке
- Масштаб размера при высокой размерности