AI / Mesterséges intelligencia és python program nyelv kapcsolata
Mesterséges neurális hálózat
- Olyan rendszereket értünk alatta, amik rendelkeznek tanulási és predikciós algoritmussal.
- Rendelkeznek egy vagy több réteggel is a tetszőleges probléma modellezésére, megoldására
Egy neuron használatnál négy elemet kell figyelembe venni :
- bemeneti- mátrix
- súly- mátrix,
- az eltolás (bias)
- az aktivációs függvény
Általában arra kell törekedni a betanítás során, hogy a modell megtanuljon általánosítani, hogy mindig csak a releváns információt tanulja meg, és eddig nem ismert bemenetet kapva a felidézési fázisban, jó választ tudjon adni.
Ezt úgy érhetjük el, hogy próbáljuk elkerülni a túltanítást különböző regularizációs módszerekkel.
Bár nem számít hiperparaméternek, fontos szerepet játszik a dropout is, ami magyarul kidobást jelent.
Ez alapvetően egy regularizációs módszer, azaz azt hivatott elősegíteni, hogy ne történjen túltanítás a modell tanítása közben.
Fontos hiperparaméter a tanulási ráta (learning rate), ami a súlyfrissítés mértékét szabályozza. A tanulási folyamat során érdemes ezeket iterációról iterációra változtatni, ezzel szabályozva a konvergencia sebességét, aminek lényege az lenne, hogy a lokális optimum helyett a globális optimum közelébe jussunk. A Keras modul optimizer elemei adaptív megoldást nyújtanak ezek ciklusonkénti frissítésére, automatizálására.
Milyen fő lépéseket kell bejárnunk:
- adathalmaz kiválasztása,
- modell kiválasztása,
- adatok előfeldolgozása,
- modell implementálása,
- modell hiperparaméter optimalizálása,
- előrejelzési eredmények kiértékelése.
Jeleztem már hogy az iteráció, a lépésenkénti finomítás és optimalizáció több ciklust igényel.
Hogyan is épül fel egy modell és milyen modulok használhatóak
Milyen modellel dolgozzunk:
Milyen célra alkalmazzuk:
Megjegyzések
Megjegyzés küldése