- Definujte učení se supervizí a bez supervize.
- Prozkoumejte, jak nákladové funkce ovlivňují proces učení.
- Zjistěte, jak se modely optimalizují gradientním sestupem.
- Experimentujte s rychlostmi učení a zjistěte, jak můžou ovlivnit trénování.
Epizoda
Vytváření klasických modelů strojového učení s využitím učení pod dohledem – Epizoda 2
Připojte se k JasonOvi DeBoeverovi a Glennu Stephensovi živě na Learn TV a prozkoumejte tento devítidílný seriál Základy datových věd pro strojové učení. Každý týden vás budeme provázet moduly Learn a živě odpovídat na vaše otázky. Od základních klasických modelů strojového učení až po průzkumné analýzy dat a přizpůsobení architektury – budete se řídit snadno přehledným koncepčním obsahem a interaktivními poznámkovými bloky Jupyter a dozvíte se o základních konceptech a také o tom, jak se dostat k vytváření modelů pomocí nejběžnějších nástrojů strojového učení.
Vytváření klasických modelů strojového učení s učením pod dohledem: Epizoda 02
Učení pod dohledem je forma strojového učení, kde se algoritmus učí z příkladů dat. Postupně vykreslujeme obrázek toho, jak učení pod dohledem automaticky generuje model, který dokáže vytvářet předpovědi o skutečném světě. Dotkneme se také toho, jak se tyto modely testují, a potíží, které mohou nastat při jejich trénování. V této epizodě vás čeká:
Připojte se k JasonOvi DeBoeverovi a Glennu Stephensovi živě na Learn TV a prozkoumejte tento devítidílný seriál Základy datových věd pro strojové učení. Každý týden vás budeme provázet moduly Learn a živě odpovídat na vaše otázky. Od základních klasických modelů strojového učení až po průzkumné analýzy dat a přizpůsobení architektury – budete se řídit snadno přehledným koncepčním obsahem a interaktivními poznámkovými bloky Jupyter a dozvíte se o základních konceptech a také o tom, jak se dostat k vytváření modelů pomocí nejběžnějších nástrojů strojového učení.
Vytváření klasických modelů strojového učení s učením pod dohledem: Epizoda 02
Učení pod dohledem je forma strojového učení, kde se algoritmus učí z příkladů dat. Postupně vykreslujeme obrázek toho, jak učení pod dohledem automaticky generuje model, který dokáže vytvářet předpovědi o skutečném světě. Dotkneme se také toho, jak se tyto modely testují, a potíží, které mohou nastat při jejich trénování. V této epizodě vás čeká:
- Definujte učení se supervizí a bez supervize.
- Prozkoumejte, jak nákladové funkce ovlivňují proces učení.
- Zjistěte, jak se modely optimalizují gradientním sestupem.
- Experimentujte s rychlostmi učení a zjistěte, jak můžou ovlivnit trénování.
Chcete se podělit o svůj názor? Tady můžete odeslat problém.