El aprendizaje de máquina requiere pasos múltiples

Introducción

El aprendizaje de máquina que despliega (ml) es un proceso de varias fases. Implica el seleccionar de un modelo, el entrenar de él para una tarea específica, el validar de él con datos de prueba, y entonces el desplegar y el supervisar del modelo en la producción. Aquí, discutiremos estos pasos y los romperemos abajo para presentarle al ml. El ml refiere a los sistemas que, sin la instrucción explícita, son capaces del aprendizaje y de la mejora. Estos sistemas aprenden de datos realizar una tarea o una función particular. En algunos casos, aprendiendo. o un entrenamiento más específico, ocurre de una manera supervisada donde las salidas incorrectas dan lugar a ajustar el modelo para darlo un pequeño codazo hacia la salida correcta. En otros casos, el aprendizaje no supervisado ocurre donde el sistema organiza los datos para revelar modelos previamente desconocidos. La mayoría de los modelos del ml siguen estos dos paradigmas (supervisados contra el aprendizaje no supervisado). Ahora cavemos en qué son significados por un modelo y después explore cómo los datos se convierten en el combustible para la máquina leamning. El Máquina-aprendizaje del modelo del modelo A es una abstracción de una solución para el aprendizaje de máquina. El modelo define el。 de la arquitectura cuál, una vez que está entrenada, se convierte en una puesta en práctica. Por lo tanto, no desplegamos modelos. Desplegamos puestas en práctica de los modelos entrenados de los datos (más en esto en la sección siguiente). Tan modelos más datos más el entrenamiento de casos iguales de las soluciones del ml (Figure1). se requiere la traducción. Por ejemplo, los datos de alimentación del texto en una red de aprendizaje profunda requieren palabras de codificación en una forma numérica que sea comúnmente un vector alto-dimensional dado las diversas palabras que podrían ser utilizadas. Semejantemente, las salidas pudieron requerir la traducción de una forma numérica nuevamente dentro de una forma textual. Los modelos del ml vienen en muchos tipos, incluyendo modelos de red neuronal, los modelos Bayesian, modelos de regresión, modelos de agrupamiento, y más. El modelo que usted elige se basa sobre el problema a mano. En el contexto de redes neuronales, gama de los modelos de redes multi bajas de la capa a las redes neuronales profundas que incluyen muchas capas

de las neuronas especializadas (unidades centrales). Las redes neuronales profundas también tienen una gama de disponible de los modelos basado sobre su uso de la blanco.

Por ejemplo:

●Si su uso se centra en la identificación de objetos dentro de imágenes, después la red neuronal circumvolucional (CNN) es un modelo ideal. CNNs se ha aplicado a la detección del piel-cáncer y supera al dermatólogo medio.

●Si su uso implica el predecir o el generar de secuencias complejas (tales como frases humanas de la lengua), después las redes neuronales periódicas (RNN) o las redes de la Término-memoria del Largo-cortocircuito (LSTM) son modelos ideales. LSTMs también se ha aplicado a la traducción automática de idiomas humanas.

●Si su uso implica el descrbing del contenido de una imagen en lengua humana, después una combinación de CNN y de un LSTM puede ser utilizada (donde la imagen se alimenta en CNN y la salida de CNN representa la entrada al LSTM, que emite las secuencias de palabra).

●Si su uso implica el generar de imágenes realistas (tales como paisajes o caras), después una red Adversarial generativa (GAN) representa el modelo actual del stat-de--arte. Estos modelos representan algunas de las arquitecturas de red neuronal profundas más populares funcionando hoy. Las redes neuronales profundas son populares porque pueden aceptar datos no estructurados tales como imágenes, vídeo, o información audio. Las capas dentro de la construcción de la red una jerarquía de las características que permiten que clasify la información muy compleja. Las redes neuronales profundas han demostrado funcionamiento avanzado sobre un número amplio de ámbitos del problema. Pero como otros modelos del ml, su exactitud es dependiente sobre datos. Exploremos este aspecto después.

Datos y entrenamiento

Los datos son el combustible que conduce el aprendizaje de máquina, no apenas en funcionamiento sino también construyendo una solución del ml con el entrenamiento modelo. En el contexto de los datos de entrenamiento para las redes neuronales profundas, es importante explorar los datos necesarios en el contexto de cantidad y de calidad. Las redes neuronales profundas requieren una gran cantidad de datos para entrenar. Una regla empírica para la clasificación imagen-basada es 1.000 imágenes

por clase. Pero la respuesta es dependiente sobre la complejidad del modelo y de la tolerancia para el error. Algunos ejemplos de soluciones del ml de la producción rinden un espectro de los tamaños del grupo de datos. Un detecti en y un sistema de reconocimiento faciales requirieron 450.000 imágenes, y un bot de la charla de la y-respuesta de la pregunta fue entrenado con 200.000 preguntas emparejadas con 2 millones de respuestas. Grupos de datos más pequeños pueden también ser suficientes basado sobre el problema que es solucionado. Una solución del análisis del sentimiento que detrmines la polaridad de la opinión del texto escrito requerido solamente decenas de miles de muestras. La calidad de los datos está tan importante como la cantidad. Determinado los grupos de datos grandes requeridos para entrenar, incluso pequeñas cantidades de datos de entrenamiento erróneos pueden llevar a una solución pobre. Dependiendo del tipo de datos necesarios, sus datos pudieron pasar con limpieza. Esto se asegura de que el grupo de datos sea constante, carece datos duplicados, es exacto, y completo (carece datos inválidos o incompletos). Las herramientas existen para apoyar este proceso. Validar los datos para el prejuicio es también importante asegurarse de que los datos no llevan a una solución en polarización negativa del ml. El ml de entrenamiento actúa en datos numéricos, un paso de preproceso se puede requerir tan dependiendo de su solución. Por ejemplo, si sus datos son lengua humana, debe primero ser traducido a un formulario numérico para procesar. Las imágenes se pueden preprocesar para la consistencia. Por ejemplo, las imágenes alimentaron en una red neuronal profunda serían vueltas a clasificar según el tamaño y alisadas para quitar ruido (entre otras operaciones). Uno de los problemas más grandes del ml está adquiriendo un grupo de datos para entrenar a su solución del ml. Éste podría ser el esfuerzo más grande dependiendo de su problema porque puede ser que no exista y requiera un esfuerzo separado

para capturar. Finalmente, el grupo de datos se debe dividir en segmentos entre los datos de entrenamiento y los datos de prueba. La porción de entrenamiento se utiliza para entrenar al modelo, y entrenado una vez, los datos de prueba se utilizan para validar la exactitud de la solución