Derin öğrenme nerede ve neden parlıyor?


20

Tüm medya bugünlerde derin öğrenme hakkında konuşup hype ile, bazı temel şeyler okudum. Verilerdeki kalıpları öğrenmenin sadece başka bir makine öğrenme yöntemi olduğunu buldum. Ama sorum şu: bu yöntem nerede ve neden parlıyor? Neden şu anda bu konudaki tüm konuşmalar? Yani yaygara ne hakkında?


4
Neden bu kadar iyi olduğuna dair kolay bir genel bakış için Geoff Hinton ve Andrew Ng'in kalitatif youtube derslerine bakın.
Jase

Yanıtlar:


22

Ana iddia edilen faydalar:

(1) Doğrusal olmayan öğrenme problemleri için el mühendisi özelliklerini kullanmanıza gerek yoktur (zamandan tasarruf edin ve geleceğe ölçeklenebilir, çünkü el mühendisliği bazıları tarafından kısa vadeli yara bandı olarak görülür)

(2) Öğrenilen özellikler bazen en iyi el yapımı özelliklerden daha iyidir ve o kadar karmaşık olabilir (bilgisayar görme - örneğin yüz benzeri özellikler), mühendisliği yapmak için çok fazla zaman alacaktır.

(3) Ağı önceden eğitmek için etiketlenmemiş verileri kullanabilir. Diyelim ki 1000000 etiketsiz resim ve 1000 etiketli resim var. Şimdi derin öğrenme ile 1000000 etiketlenmemiş görüntüler üzerinde önceden eğitim alarak denetimli bir öğrenme algoritmasını önemli ölçüde geliştirebiliriz. Buna ek olarak, bazı alanlarda çok fazla etiketlenmemiş veri var, ancak etiketlenmiş verileri bulmak zor. Bu etiketlenmemiş verileri sınıflandırmayı iyileştirmek için kullanabilen bir algoritma değerlidir.

(4) Ampirik olarak, derin öğrenme yöntemlerinin tanıtılmasına kadar sadece artımlı iyileştirmeler gören birçok kriteri parçaladı.

(5) Aynı algoritma ham (belki de küçük ön işleme) girdileri olan birden fazla alanda çalışır.

(6) Ağa daha fazla veri beslendikçe gelişmeyi sürdürür (sabit dağılımlar vs. varsayarak).


1

Yukarıdakilere ek olarak bir başka önemli nokta (sadece bir yorum olarak eklemek için yeterli temsilcim yok) üretken bir model (en azından Derin İnanç Ağları) olması ve böylece öğrenilen dağılımlardan örnek alabilmeniz - bu öğrenilen sınıflara / kümelere karşılık gelen sentetik veriler üretmek istediğiniz bazı uygulamalarda bazı önemli faydalar sağlar.


1
Bu derin öğrenmenin genel bir özelliği değil, söz konusu somut modelin özelliğidir. Örneğin, bir Gauss'tan örnek alabilirsiniz, ancak lojistik regresyondan örnek olamazsınız. Ayrıca, derin derin inanç ağları, derin Boltzmann makineleri, Derin gizli Gauss modelleri, vb. Gibi çeşitli derin öğrenme modellerinden de örnek alabilirsiniz. uygulamalar.
bayerj

... Neden lojistik regresyondan örnek alamıyorsunuz?
Hong Ooi

p(c|x)

1
Fakat aynı şey, eğer temel doğrusal regresyon demekse, bir gaussian regresyon modeli için de geçerlidir.
Hong Ooi
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.