análisis de aprendizaje automático

aprendizaje de la lógica inherente a la división de la máquina

escenarios de entrenamiento escenario para obtener los datos determinados por el
tipo de tarea tarea está determinada por la salida deseada
conjunto de funciones método seleccionado

Sólo se especializan clasificación específica Classifacaiton, pero cada senerio contiene estas tareas, cada tarea contiene el método.

Fuentes de error

= Sesgo de error del modelo (error en el conjunto de entrenamiento) + varience (error en el conjunto de prueba)
con fines de formación:
en 1.Capacitación conjunto pequeño error, es decir, pequeño sesgo
2.traning encuentra cerca error conjunto de prueba de error, es decir, pequeña varience
modelo más complejo, el mejor es el ajuste, es decir, cuanto menor es el sesgo, pero la afectada conjunto de entrenamiento individual de puntos de datos es grande, que se prevé más puntos discretos, mayor será la varience.
Cuanto más simple sea el modelo, la menos afectada por el modelo de datos de entrenamiento individual que es más fuerte estabilidad, varience más pequeño, pero un comienzo ajuste de los datos de formación sobre el mal.

técnicas de ajuste de parámetros

• bn + Relu
• SGD + impulso, pero bien puede ser más lenta que la convergencia ADAM
• Adán y otro algoritmo de aprendizaje adaptativo de velocidad de datos tiene la ventaja escasa, y la convergencia rápida
• el seguimiento de los indicadores de formación tensorboard