คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

งานเรียนรู้แบบจำกัด

โครงการเรียนรู้เพนกวิน

โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

ชั้นแบบจำลองและโครงสร้าง · อธิบายกลุ่มของกฎ ขนาด และสมบัติเชิงโครงสร้าง

โครงการมีข้อมูลและพารามิเตอร์จำนวนจำกัด ชุดทดสอบไม่ยืนยันขอบเขตประชากรหรือพิสูจน์ทฤษฎีบท

พิจารณาแนวคิดนี้ร่วมกับโครงการ สมมติฐานของต้นฉบับอาจต่างกัน ข้อมูลชุดนี้ไม่พิสูจน์ทฤษฎีบท

ข้อมูลเข้า: 12 × 2; ประเมินชุดทดสอบ: 102 · #58 · 40.6 มม., 193 มม.. คำตอบที่ทราบ: อาเดลี; ค่าทำนาย: อาเดลี · [≈0.7383, ≈0.2444, ≈0.01737].

ใช้ในส่วนต้นฉบับเหล่านี้: 1.2 เรียนรู้จากตัวอย่าง

กฎทำนายแปลงข้อมูลเข้าเป็นผลลัพธ์ ความสูญเสียรับกฎดังกล่าวกับตัวอย่างและคืนคะแนนจำนวนจริง อัลกอริทึมการเรียนรู้รับตัวอย่างและคืนกฎจากกลุ่ม

ตัวอย่างมีข้อมูลเข้าหนึ่งค่าและกฎทวิภาคคงที่สองกฎ อัลกอริทึมเลือกป้ายฝึกแรก

โดเมนบอกว่าแต่ละการดำเนินการเรียนรู้รับและคืนอะไร

ตัวอย่างสูตรต้นฉบับ

{\mathcal{L}}\colon{\mathcal{M}}({\mathcal{X}},{\mathcal{Y}})\times{\mathcal{Z}}\to{\mathbb{R}}

ภาพประกอบ · ตัวอย่างใช้เซตข้อมูลเข้าและผลลัพธ์จำกัด งานเรียนรู้ทั่วไปอาจมีปริภูมิอนันต์และอัลกอริทึมซับซ้อนกว่า

สัญลักษณ์

$\mathcal{X},\mathcal{Y},\mathcal{Z}$: ปริภูมิข้อมูลเข้า ผลลัพธ์ และตัวอย่าง
$\mathcal{M}(\mathcal{X},\mathcal{Y})$: กลุ่มการแปลงวัดได้จากปริภูมิข้อมูลเข้าไปยังปริภูมิผลลัพธ์
$ℒ$: ความสูญเสียที่แปลงกฎกับตัวอย่างเป็นจำนวนจริง
$\mathcal{A}$: อัลกอริทึมการเรียนรู้ที่แปลงตัวอย่างเป็นกฎ

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ป้ายฝึก

ลำดับข้อมูลในตัวอย่างนี้

คุณเลือก

input.label = 0

ค่าเริ่มต้นในโค้ด

freshLabel = 1

คำนวณที่นี่

นิพจน์ผลลัพธ์: { sample, availableRules: [0, 1], chosenRule: prediction, freshLabel, loss }

sample = [input.label] ใช้: input.label
prediction = sample[0] ใช้: sample
loss = prediction === freshLabel ? 0 : 1 ใช้: prediction, freshLabel

ส่งกลับ

ผลลัพธ์ตัวอย่าง

sample: อาร์เรย์ (1 รายการ): [0]
availableRules: อาร์เรย์ (2 รายการ): [0, 1]
chosenRule: 0
freshLabel: 1
loss: 1

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

ในกรอบต้นฉบับ ตัวอย่าง S ถูกสุ่มอย่างอิสระตามการแจกแจงผลคูณ P_Z^m ตัวอย่างนี้ให้ชุดตัวอย่างคงที่และไม่ได้จำลองการแจกแจงนั้น กลุ่มฟังก์ชันอาจเป็นเซตย่อยของกฎวัดได้ทั้งหมด

แหล่งอ้างอิง: นิพจน์จากแหล่งต้นฉบับ