|
Часть 2. Обучение с подкреплением 2-qism. Mustahkamlangan o'qitish
|
| bet | 15/20 | | Sana | 05.01.2024 | | Hajmi | 12,38 Mb. | | #130821 |
Bog'liq 1-лекция - Mashina atrof-muhitdagi millionlab simulyatsiyalarni haydab chiqaradi, barcha mavjud vaziyatlarni va ulardan maksimal foyda keltirgan chiqishlarni eslab qoladi. Ammo biz qachon ma'lum vaziyatni boshdan kechirganimizni va qachon butunlay yangi bo'lganini qanday tushunish mumkin?
- Boshqalar esa chuqurroq borib, bu ishni neyron tarmoqlariga berishadi, hamma narsani oʻzlari topishsin. Shunday qilib, Q-learning o'rniga, biz Deep Q-Network (DQN) bor.
- Oddiy odam uchun Reinforcement Learning haqiqiy aqlga o'xshaydi. Chunki voy, mashinaning o'zi haqiqiy vaziyatlarda qaror qabul qiladi! U hozir xaypda, tezda oldinga intilmoqda va yanada aniqroq bo'lish uchun neyron tarmog'ida faol harakat qilmoqda.
- Shunday qilib, genetik algoritmlar ham mustahkamlashni o'rganish bilan bog'liq va ular ko'p yillik amaliyot bilan tasdiqlangan eng muhim xususiyatga ega.
Часть 3. Ансамбли 3-qism. Ansambllar - Bugungi kunda ular quyidagilar uchun ishlatiladi:
- * Klassik algoritmlar mos keladigan hamma narsa (lekin aniqroq ishlaydi)
- * Qidiruv tizimlari (★)
- * Kompyuterni ko'rish
- * Ob'ektni aniqlash
- Ommabop algoritmlar: Random Forest, Gradient Boosting
Часть 3. Ансамбли 3-qism. Ansambllar - Ansambllar va neyron tarmoqlar muqarrar o'ziga xoslik yo'lida bizning asosiy jangchilarimizdir. Bugungi kunda ular eng aniq natijalarni beradi va ishlab chiqarishdagi barcha yirik kompaniyalar tomonidan qo'llaniladi.
- Ansamblni xohlaganingizcha yig'ish mumkin. Shuning uchun ansambllarni tayyorlashning uchta isbotlangan usuli mavjud.
Часть 3. Ансамбли 3-qism. Ansambllar - Stacking.
- Biz bir nechta turli xil algoritmlarni o'rgatamiz va ularning natijalarini yakuniy qarorni qabul qiladiganga o'tkazamiz. Misol, Qanday qilib qizlar birinchi navbatda yigit bilan uchrashish yoki qilmaslik to'g'risida qaror qabul qilish uchun barcha qiz do'stlarini so'roq qilishadi.
- Kalit so'z turli xil algoritmlardir, chunki bir xil ma'lumotlarda o'qitilgan bir xil algoritm mantiqiy emas.
- Faqat tajribadan-stacking amalda kamdan-kam qo'llaniladi, chunki boshqa ikkita usul odatda aniqroq.
Часть 3. Ансамбли 3-qism. Ansambllar - Беггинг? Bu Bootstrap AGGregatING. Biz bitta algoritmni dastlabki ma'lumotlardan tasodifiy namunalarda ko'p marta o'rgatamiz. Eng oxirida biz javoblarni o'rtacha hisoblaymiz.
-
- Tasodifiy namunalardagi ma'lumotlar takrorlanishi mumkin. Ya'ni, 1-2-3 to'plamidan biz 2-2-3, 1-2-2, 3-1-2 namunalarini olishimiz mumkin va hokazo. Ularda biz bir xil algoritmni bir necha marta o'qitamiz va oxirida javobni oddiy ovoz berish orqali hisoblaymiz.
Часть 3. Ансамбли 3-qism. Ansambllar - Begging-ning eng mashhur namunasi-bu Random Forest algoritmidir. Telefoningizda kamerani ochganingizda va u ramkadagi odamlarning yuzlarini sariq to'rtburchaklar bilan qanday tasvirlaganini ko'rsangiz, bu ularning ishi.
- Neyron tarmog'i real vaqtda juda sekin bo'ladi, ammo begging mukammal.
- Parallellashtirish qobiliyati beggingga hatto aniqroq ishlaydigan, lekin faqat bitta potokda ishlaydigan keyingi usuldan ham ustunlik beradi.
Часть 3. Ансамбли 3-qism. Ansambllar - Kuchaytirish-Бустинг. . Biz algoritmlarni ketma-ket o'qitamiz, har bir keyingisi avvalgisi xato qilgan holatlarga alohida e'tibor beradi.
- Beggin da bo’lgani kabi, biz asl ma'lumotlardan namunalar olamiz, ammo hozir bu tasodifiy ma’lumotlar emas. Har bir yangi namunada biz oldingi algoritm noto'g'ri ishlagan ma'lumotlarning bir qismini olamiz. Boshqacha qilib aytganda, yangi algoritmni avvalgisining xatolaridan oʻrganyapmiz.
- Agar sizga boosting qanday ishlashiga haqiqiy misol kerak bo'lsa, Yandex-ni oching va so'rov kiriting. Matrixnetning daraxtlarni sarosimasidan eshitib, natijalaringizni qayd eta olasizmi? Aynan shunday, yandexning hammasi hozirda yanada boostingda. Google haqida bilmayman.
|
| |
