ຫລັກສູດການຮຽນຮູ້ກ່ຽວກັບອຸປະຕິເຫດເຄື່ອງຈັກ

ທົບທວນແລະສະແດງຄວາມຄິດເຫັນກ່ຽວກັບຫຼັກສູດການຮຽນຮູ້ຂອງເຄື່ອງຈັກ google

ຂ້ອຍຫາກໍ່ເຮັດຫຼັກສູດນັກພັດທະນາ ສຳ ລັບ ຫຼັກສູດການຂັດຂ້ອງຂອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກ Google. ຫຼັກສູດເບື້ອງຕົ້ນ, ບ່ອນທີ່ພວກເຂົາໃຫ້ພື້ນຖານແກ່ເຈົ້າແລະເບິ່ງຕົວຢ່າງຂອງການຈັດຕັ້ງປະຕິບັດຕົວຈິງກັບ TensorFlow. ຕົວຢ່າງເຫຼົ່ານີ້ແມ່ນສິ່ງທີ່ໄດ້ຊຸກຍູ້ໃຫ້ຂ້ອຍເຮັດແນວນັ້ນ.

ອຸປະຕິເຫດ vs ຫຼັກສູດການຮຽນຮູ້ເຄື່ອງຈັກ

ມັນເປັນຫຼັກສູດທີ່ງ່າຍກວ່າຫຼາຍກວ່າວິຊາຮຽນ ການຮຽນຮູ້ເຄື່ອງຈັກ Coursera ແລະພາກປະຕິບັດຫຼາຍຂຶ້ນ. ສົມມຸດວ່າຫຼັກສູດ Coursera ເນັ້ນໃຫ້ເຈົ້າເຂົ້າໃຈວິທີການເຮັດວຽກຂອງຄະນິດສາດໃນຂະນະທີ່ຢູ່ໃນ Google Crash ຂັ້ນຕອນວິທີເຫຼົ່ານັ້ນເກືອບຄ້າຍຄືກັບກ່ອງດໍາ, ພວກມັນໃຫ້ຄໍາອະທິບາຍເລັກນ້ອຍແລະສອນເຈົ້າໃຫ້ປະຕິບັດມັນດ້ວຍ Tensor Flow.

ແລະນີ້ແມ່ນຄວາມແຕກຕ່າງອັນໃຫຍ່ຫຼວງ. ຫຼັກສູດ Google, ເຖິງວ່າຈະມີການອະທິບາຍໃນຄວາມເລິກຫຼາຍ ໜ້ອຍ ກວ່າແນວຄວາມຄິດແລະລະບົບວິທີການທີ່ແຕກຕ່າງກັນຂອງ Machine Learning, ສອນໃຫ້ພວກເຮົາ ນຳ ໃຊ້ພວກມັນແລະເລີ່ມ ນຳ ໃຊ້ TensorFlow ແລະ Keras.

ການອອກກໍາລັງກາຍທັງຫມົດແມ່ນເຮັດດ້ວຍ google colabເຊິ່ງພວກເຮົາໄດ້ກະກຽມສະພາບແວດລ້ອມການພັດທະນາແລ້ວ. ມັນເປັນຄວາມແຕກຕ່າງອັນໃຫຍ່ຫຼວງກັບຫຼັກສູດ Cursera ທີ່ເຮັດວຽກຮ່ວມກັບ Matalab ຫຼື Octave ເພື່ອຈັດຕັ້ງປະຕິບັດສູດການຄິດໄລ່. ແຕ່ເຈົ້າບໍ່ເຫັນຫຍັງຈາກ Tensorflow ຫຼືວິທີການແກ້ໄຂບັນຫາຕົວຈິງ.

ການອ້າງອີງ ຄຳ ເຫັນຂອງຂ້ອຍໃນການທົບທວນຫຼັກສູດນັ້ນ

ມັນແມ່ນທິດສະດີຂ້ອນຂ້າງ. ແຕ່ບາງທີນັ້ນອາດແມ່ນເຫດຜົນທີ່ມັນເບິ່ງຄືວ່າເປັນວິທີທີ່ດີທີ່ຈະເລີ່ມຕົ້ນເພາະວ່າທ່ານບໍ່ພຽງແຕ່ຮຽນຮູ້ສິ່ງທີ່ຄວນເຮັດແຕ່ເປັນຫຍັງທ່ານຈິ່ງເຮັດມັນ.

- ເວລາໃດທີ່ຈະເລືອກເອົາ ໜຶ່ງ ສູດຫຼືວິທີອື່ນ.

- ວິທີການເລືອກແລະກໍານົດຕົວກໍານົດທີ່ແຕກຕ່າງກັນ.

- ບັນຫາອັນໃດທີ່ສາມາດເກີດຂື້ນໄດ້ກັບລະບົບການຄິດໄລ່ແລະໂດຍສະເພາະແມ່ນມາດຕະການທີ່ຈະດໍາເນີນ.

ເຈົ້າສາມາດເຮັດຫຼັກສູດ Crash Machine Learning ຂອງ Google ໄດ້ເຖິງແມ່ນວ່າເຈົ້າບໍ່ມີຄະນິດສາດໃນລະດັບສູງກໍ່ຕາມ, ແຕ່ Coursera ຂອງ Andrew Ng ບໍ່ໄດ້

ວາລະ: ສິ່ງທີ່ເຫັນຢູ່ໃນຫຼັກສູດ

ຫຼັກສູດເບື້ອງຕົ້ນການຮຽນຮູ້ເຄື່ອງຈັກ

ທຳ ອິດ, ເຈົ້າເລີ່ມດ້ວຍ ຄຳ ອະທິບາຍວ່າ Machine Learning ແມ່ນຫຍັງ, ແນວຄວາມຄິດຫຼັກແລະປະເພດຂອງບັນຫາ. ແລະດ້ວຍອັນນີ້, ມັນເຖິງເວລາແລ້ວທີ່ຈະເວົ້າກ່ຽວກັບຈຸດຕໍ່ໄປນີ້. ໃຫ້ອະໄພທີ່ມີຫຼາຍ ຄຳ ສັບຢູ່ໃນພາສາອັງກິດ, ແຕ່ຫຼັກສູດແມ່ນເປັນພາສາອັງກິດ (ເຖິງແມ່ນວ່າມັນງ່າຍຫຼາຍທີ່ຈະປະຕິບັດຕາມມັນ) ແລະກະແຈຫຼາຍອັນກໍ່ບໍ່ມີການແປ, ຫຼືເມື່ອແປແລ້ວມັນເສຍຄວາມຮູ້ສຶກ, ເພາະວ່າຢູ່ໃນສະພາບການ ຂອງ Machine Learning ທຸກຄົນແລະໃນທຸກສະຖານທີ່ເວົ້າເຂົາເຈົ້າເປັນພາສາອັງກິດ.

  • ການຖົດຖອຍຂອງເສັ້ນຊື່ຫຼືການຖົດຖອຍຂອງເສັ້ນ
  • Squared loss: ໜ້າ ທີ່ສູນເສຍຍອດນິຍົມ
  • Gradient Down ແລະ Gradient Stochastic Down
  • ອັດຕາການຮຽນຫຼືອັດຕາການຮຽນຮູ້.
  • ໂດຍທົ່ວໄປ
  • ພໍດີ
  • ຊຸດການກວດສອບ
  • ລັກສະນະການຂ້າມດ້ວຍເສັ້ນດ່າງວັກ ໜຶ່ງ ຮ້ອນ
  • ນິທານພື້ນເມືອງ
  • ການເຮັດໃຫ້ເປັນປົກກະຕິ (ຄວາມລຽບງ່າຍແລະຄວາມແຕກຕ່າງ) (L1 ແລະ L2)
  • ການຖົດຖອຍທາງດ້ານ logistic
  • ການຈັດປະເພດ
  • ຄວາມຖືກຕ້ອງ, ຊັດເຈນແລະ Recall
  • ROC Curve ແລະ AUC
  • ເຄືອຂ່າຍ Neural (ການTrainingຶກອົບຮົມ, ໜຶ່ງ vs ທັງ,ົດ, Softmax)
  • ການັງຕົວ

ດັ່ງທີ່ຂ້ອຍໄດ້ເວົ້າ, ມັນເຮັດວຽກກັບ Google Colab.

ສຳ ລັບໃຜມັນ

ຖ້າເຈົ້າກໍາລັງເລີ່ມຕົ້ນແລະຕ້ອງການຮຽນຮູ້ການຈັດຕັ້ງປະຕິບັດຕົວຢ່າງງ່າຍ simple. ມັນເປັນວິທີທີ່ດີທີ່ຈະເລີ່ມຕົ້ນ.

ແນ່ນອນມີ 15 ຊົ່ວໂມງທີ່ເຈົ້າສາມາດເຮັດໄດ້ຕາມຈັງຫວະຂອງເຈົ້າເອງ, ແລະເຖິງແມ່ນວ່າມີການອອກກໍາລັງກາຍທີ່ເຈົ້າບໍ່ຈໍາເປັນຕ້ອງໄປສົ່ງລູກຫຼືຜ່ານການກວດໃດ any.

ຫຼັກສູດແມ່ນບໍ່ໄດ້ເສຍຄ່າ.

ແລະດຽວນີ້ບໍ?

ຍ້ອນວ່າເຂົາເຈົ້າໄວຂ້ອຍແນ່ນອນຈະເບິ່ງສ່ວນທີ່ເຫຼືອທີ່ເຂົາເຈົ້າມີຢູ່ໃນ Google.

ນອກ ເໜືອ ໄປຈາກການສືບຕໍ່ທົດສອບບາງສ່ວນຂອງ ຫຼັກສູດທີ່ພວກເຮົາປະໄວ້ຢູ່ໃນລາຍການ ເພື່ອເບິ່ງວ່າເຂົາເຈົ້າເປັນແນວໃດແລະຖ້າຂ້ອຍເຮັດບາງຢ່າງທີ່ຈິງຈັງແລ້ວແມ່ນກ້າວ ໜ້າ ກວ່າ.

ຂ້ອຍມີໂຄງການທີ່ຈິງຈັງກໍາລັງສ້າງເຄື່ອງມືຢູ່ບ່ອນເຮັດວຽກແລະສິ່ງທີ່ຂ້ອຍຕ້ອງການຕອນນີ້ຄືການເລີ່ມນໍາໃຊ້ທຸກຢ່າງທີ່ຂ້ອຍໄດ້ຮຽນມາໃນເວລານີ້ແລະເພື່ອຕໍ່ສູ້ກັບບັນຫາທີ່ແທ້ຈິງ.

ຂ້ອຍຈະສືບຕໍ່ລາຍງານຄວາມຄືບ ໜ້າ ຂອງຂ້ອຍຢູ່ໃນ blog.

Leave a comment