LegközelebbKövetkező az AI Foundations
Az AI modellek magyarázata
Alapok
Alapok ÚTMUTATÓ
Az AI-képzés egy gépi tanulási modell kiigazításának folyamata példák és tanulási cél segítségével.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Tanult paramétereket állít elő, például súlyokat egy neurális hálózatban. A képzés különbözik attól, hogy utasításokat adunk egy már betanított modellnek.
A felügyelt edzési futás bemenetekkel és célválaszokkal kezdődik. A modell előrejelzi a választ, egy veszteségfüggvény méri az eltérést, és egy optimalizáló algoritmus frissíti a paramétereit. Ha ezt több mintadarabon keresztül megismétli, csökkentheti a veszteséget. Egy korszak a betanítási adatkészleten való áthaladást jelenti; ez nem garancia a haladásra. Az adatkészlet és a célkitűzés határozza meg, hogy a modellt mi jutalmazzák a tanulásért. A vásárlás előrejelzésére szolgáló modell betanítása más feladatra tanít, mint a vásárlói elégedettség becslésére való betanítás. Egy kényelmes címke rossz helyettesítője lehet a fontos eredménynek. Használjon érvényesítési példákat a beállítások kiválasztásához, majd értékelje ki a kiválasztott modellt egy külön tesztkészleten. Tartsa együtt az ugyanahhoz a személyhez, dokumentumhoz vagy eseményhez tartozó nyilvántartásokat, ha a felosztás különben információszivárogna. Előrejelzéshez inkább a későbbi időszakokban értékeljen, ahelyett, hogy a jövőbeli megfigyeléseket a korábbi előrejelzésekbe hagyná. Mentse el az adatverziót, az előfeldolgozási szabályokat, a modellkonfigurációt és az értékelési eredményeket minden egyes ellenőrzőponttal. Előfordulhat, hogy a mentett modell tokenizátora vagy jellemző transzformációi nélkül nem reprodukálja az eredeti viselkedést. A képzés csak egy meghatározott kísérletre fejeződött be; az eredmény telepítése nyomon követési és üzemeltetési felelősséggel jár.
04Működő példa
Használja a szemléltető modell előrejelzését = súly × bemenet, 2. bemenettel, 6. céllal és 1. kezdeti súllyal.
A négyzetes hiba (2 − 6)² = 16. Súlyhoz viszonyított deriváltja 2 × 2 × (2 − 6) = −16.
0,1 tanulási sebességnél a következő súlyozás 1 − 0,1 × (−16) = 2,6. Az új előrejelzés 5,2, a négyzetes hiba pedig 0,64.
Mit mutat
Ez az összeállított számítás paraméterfrissítést mutat. Az egyik továbbfejlesztett példa nem erősíti meg az új példák teljesítményét.
Tanítson meg egy kis osztályozót a felcímkézett támogatási kérelmekre, és értékelje ki egy későbbi héten.
Hasonlítsa össze a képzett kereslet-előrejelzést egy egyszerű múlt heti alapállapottal, mielőtt üzembe helyezné.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A felszólítás megváltoztatja az aktuális környezetet. Ez önmagában nem jelent súlyfrissítést. Az, hogy egy szolgáltatás később felhasználja-e az interakciót betanításra, a külön adatszabályzatától függ.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező az AI Foundations
Az AI modellek magyarázata
Alapok