Глубокое обучение — это отрасль компьютерных наук, когда данные непосредственно становятся знаниями. Глубокое обучение не требует разработки признаков, модель сама обучается на основе огромных массивов данных, на которых мы ее обучаем. например. Когда вы предоставляете изображение бутылки в модели машинного обучения, вы сами должны указать модели, что следует изучать — например, края, размер, цвет (в основном, инженерные функции). Но когда вы предоставляете много изображений бутылок модели глубокого обучения, она сама выясняет, что изучать на изображении, а что оставить.
Итак, какмодель преобразует данные в информацию при глубоком обучении —
Самый важный метод, который он работает, - это нейронная сеть.
Что такое нейронная сеть и как она работает…
Нейронная сеть — это, по сути, компьютерная копия нервной системы нашего тела.
Он состоит из огромной «сети» взаимосвязанных нейронов — в основном для решения задачи разбить сложные проблемы на простые, а затем агрегировать выходные данные.
Теперь есть разные способы, которыми эти нейроны взаимодействуют друг с другом и дают нам правильное решение — также имейте в виду — это работает для обоих типов данных — помеченных (supervised) и немаркированных (unsupervised).
Теперь, когда основное введение закончено, мы как специалист по данным должны знать, насколько эта тема актуальна для вас и на каких частях вы должны сосредоточиться больше всего.
Что ж, модель глубокого обучения требует больше времени на обучение и больше данных, поэтому она лучше работает с устройствами с большим объемом памяти и хорошей скоростью обработки, иначе вы будете ждать часами во время обучения. Также помните, что библиотеки, используемые в модели, часто обновляются — поэтому я предлагаю вам использовать онлайн-блокноты, такие как Google colab (иначе модель, которую вы создаете сегодня, может не работать завтра, если ваши обновления включены).
Примечания:
Прежде всего в модели глубокого обучения вы должны понимать взаимосвязь между параметром модели и точностью и эффективностью модели . Это поможет вам настроить модель в соответствии с вашими требованиями.
Во-вторых , разные модели обеспечивают разную производительность для одного и того же набора данных. Мы должны выяснить, какая модель подойдет в соответствии с выбранным набором данных.
Нейронные сети называют «черными ящиками» из-за сложных вычислений линейной алгебры. Но в целом, как новичку, нам просто нужно воспользоваться помощью предварительно обученных моделей, настроить наш набор данных и параметры в соответствии с моделью и найти результат, подогнав модель в соответствии с потребностями.
