A mesterséges neurális hálózatról akkor beszélhetünk, ha a rendszer rendelkezik tanulási és predikciós algoritmussal és általában több rétegbe szerveződik.
A hálózat átalakításánál lényegében négy elemre kell koncentrálnunk:
- a bemeneti mátrix,
- súly mátrix,
- az eltolás (bias),
- az aktivációs függvény
Problémamegoldó folyamat lépések neurális háló használatnál:
adathalmaz kiválasztása,
modell kiválasztása,
adatok előfeldolgozása,
modell implementálása,
modell hiperparaméter optimalizálása,
tanító és teszt adatok cseréje,
eredmények kiértékelése
Az adathalmaz kiválasztása :
A bemenet a bemeneti értékeket jelenti vektor formájában.
A súlyok jelentik a neurális hálózat paramétereit, ezeknek kívánjuk
az iteratív tanítás során megtalálni a megfelelő értékeit (hiperparaméter).
Adat tisztítás, megfelelően előkészített bemeneti adatok kiválasztása.
Az előfeldolgozásra azért van szükség, mert általában a rendelkezésre álló adathalmaz hiányos,
hibákkal, adat tüskékkel tűzdelt, zajos, és/vagy inkonzisztens.
A modell kiválasztása:
A leggyakrabban használt „építőelemek” struktúrák, háló architektúrák:
- az előrecsatolt,
- a rekurrens,
- a konvolúciós rétegek.
A különböző architektúrák jellemzően más problémák esetén teljesítenek jobban,
sőt építőelemekként kezelve őket, kombinálni is lehet ezeket.
Neurális hálózat kialakítása nagyon bonyolult.
A közkedvelt kódtárak segítségével (Microsoft Cognitive Toolkit és a TensorFlow)
is több száz sornyi kód szükséges egy neurális hálózat kialakításához.
Ez a mély-tanulással foglalkozó munkánkat a Keras jelentősen leegyszerűsíti.
A Keras nyílt forráskódú Python-kódtár, amely a neurális hálózatok készítését támogatja,
egyszerűsíti le.
A Neurális hálózat tanítása
betanítható képek kategorizálására, szövegek hangulatelemzésére,
természetes nyelvi feldolgozásra és más olyan feladatokra,
amelyekben a mély-tanulás kiemelkedően eredményes.
A modell hiperparaméter optimalizálása
Hálózat hangolása,ideális paramétereinek megtalálása, a hiperparaméter optimalizálása.
Az munkát hiperparaméter optimalizációhoz Hyperopt és Hyperas könyvtárak használatával
lehet egyszerűsíteni.
A hálózat átalakításánál lényegében négy elemre kell koncentrálnunk:
- a bemeneti mátrix,
- súly mátrix,
- az eltolás (bias),
- az aktivációs függvény
Problémamegoldó folyamat lépések neurális háló használatnál:
adathalmaz kiválasztása,
modell kiválasztása,
adatok előfeldolgozása,
modell implementálása,
modell hiperparaméter optimalizálása,
tanító és teszt adatok cseréje,
eredmények kiértékelése
Az adathalmaz kiválasztása :
A bemenet a bemeneti értékeket jelenti vektor formájában.
A súlyok jelentik a neurális hálózat paramétereit, ezeknek kívánjuk
az iteratív tanítás során megtalálni a megfelelő értékeit (hiperparaméter).
Adat tisztítás, megfelelően előkészített bemeneti adatok kiválasztása.
Az előfeldolgozásra azért van szükség, mert általában a rendelkezésre álló adathalmaz hiányos,
hibákkal, adat tüskékkel tűzdelt, zajos, és/vagy inkonzisztens.
A modell kiválasztása:
A leggyakrabban használt „építőelemek” struktúrák, háló architektúrák:
- az előrecsatolt,
- a rekurrens,
- a konvolúciós rétegek.
A különböző architektúrák jellemzően más problémák esetén teljesítenek jobban,
sőt építőelemekként kezelve őket, kombinálni is lehet ezeket.
Neurális hálózat kialakítása nagyon bonyolult.
A közkedvelt kódtárak segítségével (Microsoft Cognitive Toolkit és a TensorFlow)
is több száz sornyi kód szükséges egy neurális hálózat kialakításához.
Ez a mély-tanulással foglalkozó munkánkat a Keras jelentősen leegyszerűsíti.
A Keras nyílt forráskódú Python-kódtár, amely a neurális hálózatok készítését támogatja,
egyszerűsíti le.
A Neurális hálózat tanítása
betanítható képek kategorizálására, szövegek hangulatelemzésére,
természetes nyelvi feldolgozásra és más olyan feladatokra,
amelyekben a mély-tanulás kiemelkedően eredményes.
A modell hiperparaméter optimalizálása
Hálózat hangolása,ideális paramétereinek megtalálása, a hiperparaméter optimalizálása.
Az munkát hiperparaméter optimalizációhoz Hyperopt és Hyperas könyvtárak használatával
lehet egyszerűsíteni.
Megjegyzések
Megjegyzés küldése