Kas yra reguliavimas?
07, ketvirtadienis, lapkričio 2024 by Preethi Parayil Mana Damodaran
Reguliavimas mašininio mokymosi kontekste yra svarbi technika, naudojama siekiant pagerinti modelių apibendrinimo našumą, ypač kai kalbama apie didelės apimties duomenis arba sudėtingus modelius, kurie gali būti per daug pritaikyti. Per didelis pritaikymas įvyksta, kai modelis išmoksta ne tik pagrindinius mokymo duomenų modelius, bet ir triukšmą, todėl
- paskelbta Dirbtinis intelektas, EITC/AI/GCML „Google Cloud Machine Learning“, Pirmieji mašininio mokymosi žingsniai, 7 mašininio mokymosi žingsniai
Tagged pagal: Dirbtinis intelektas, Iškristi, L1 reguliavimas, L2 reguliavimas, Perteklinis, Reguliavimas
Kaip reguliavimas gali padėti išspręsti mašininio mokymosi modelių per didelio pritaikymo problemą?
Šeštadienis, 05 Rugpjūtis 2023 by EITCA akademija
Reguliavimas yra galingas mašininio mokymosi metodas, galintis veiksmingai išspręsti per didelio modelių pritaikymo problemą. Pernelyg pritaikymas įvyksta, kai modelis per gerai išmoksta mokymo duomenis ir tampa pernelyg specializuotas ir nesugeba tinkamai apibendrinti nematomų duomenų. Sureguliavimas padeda sušvelninti šią problemą pridedant baudos terminą
- paskelbta Dirbtinis intelektas, EITC/AI/TFF „TensorFlow“ pagrindai, Perkėlimo ir per mažos problemos, Modelio permontavimo ir netinkamo pritaikymo problemų sprendimas – 2 dalis, Egzamino peržiūra
Tagged pagal: Dirbtinis intelektas, L1 reguliavimas, L2 reguliavimas, Mašininis mokymasis, Perteklinis, Reguliavimas