Pokud jste četli mé předchozí články, budete vědět, co bude následovat. V této části internetu bereme složité pojmy a děláme je zábavnými a zajímavými tím, že je objasňujeme. Pokud jste nečetli mé předchozí články, vřele vám doporučuji začít se sérií článků, které se týkají daného tématu Základy strojového učení Protože zjistíte, že velká část zde probíraného materiálu je zde relevantní.
Dnes se budeme věnovat velkému tématu – úvodu do neuronových sítí, které jsou typem modelu strojového učení. Toto je jen první článek z celé série, kterou plánuji udělat o hlubokém učení. Zaměří se na to, jak se jednoduchá umělá neuronová síť může učit a poskytovat vám informace hluboký (Ha, slovní hříčka) Pochopení toho, jak se staví neuronová síť, neuron po neuronu, je… vynikající Zásadní, protože na těchto znalostech budeme i nadále stavět. Zatímco se budeme ponořit do matematických detailů, nebojte se, protože každý krok rozebereme a vysvětlíme. Na konci tohoto článku si uvědomíte, že je to jednodušší, než se zdá.
Ale než to prozkoumáme, možná se ptáte: proč potřebujeme neuronové sítě? Proč si vybrat neuronové sítě s tolika dostupnými algoritmy strojového učení? Odpovědí na tuto otázku je mnoho Bylo to široce diskutovánoTakže se v tom nebudeme vrtat. Ale stojí za zmínku, že neuronové sítě jsou neuvěřitelně výkonné. Mohou identifikovat složité vzory v datech, se kterými by se klasické algoritmy setkaly, řešit velmi složité problémy strojového učení (jako je zpracování přirozeného jazyka a rozpoznávání obrazu) a snížit potřebu rozsáhlého inženýrství funkcí a manuálního úsilí.
Ale všechno, co bylo řečeno, problémy s neuronovými sítěmi se z velké části scvrkají do dvou hlavních kategorií – klasifikace, predikce diskrétního označení pro daný vstup (např.: Je to obrázek kočky nebo psa? Je tato filmová recenze pozitivní nebo negativní?) nebo regrese, predikce hodnoty Spojitý pro daný vstup (např.: předpověď počasí).
Dnes se zaměříme na regresní problém. Zvažte jednoduchý scénář: Nedávno jsme se přestěhovali do nového města a momentálně hledáme nový domov. Zaznamenáváme však, že ceny domů v regionu se velmi liší.
Jelikož město neznáme, naším jediným zdrojem informací je to, co víme…
„Přátelský průkopník popkultury. Hodně padá. Sociální média geek. Obecný fanatik do kávy. Televizní nadšenec. Potížista.“
