Úvod

  • 2 min

Tento modul zkoumá proces označovaný jako učení pod dohledem, ve kterém se modely strojového učení učí z příkladů.

Když pochopíme učení pod dohledem, začneme se podrobněji zabývat jednotlivými komponentami procesu učení a přesně tím, jak může tento proces vylepšit model. V příkladech se také podíváme, jak je správné nastavení tohoto procesu učení pro dosažení vysoce výkonného modelu důležité.

V tomto modulu použijeme následující scénář k vysvětlení procesu učení pod dohledem. Tento scénář obsahuje příklad toho, jak můžete tyto koncepty splnit při programování.

Vaše rodina spravuje nejdéle běžící farmu ve státě Washington State po několik generací, ale zdraví vašeho stáda se pomalu zhoršilo po celá desetiletí. Je dobře známo, že vaše farma chov elku by neměla být podávána zrno, když noční teploty v průměru nad bodem mrazu (32°F nebo 0°C). Z tohoto důvodu jste vždy sledovali zemědělský kalendář svého dědečka a po 31. lednu jste přešli z krmiv na zrno.

Nedávno jste si přečetli informace o změně klimatu, která ovlivňuje zemědělské postupy. Mohla by tato změna vysvětlit horší zdraví elk v posledních letech? S některými historickými údaji o počasí na vaší straně se snažíte zjistit, jestli se místní teploty změnily ze dne vašeho dědečka a jestli je potřeba aktualizovat váš zemědělský kalendář.

Požadavky

Měli byste mít základní znalost vstupů, výstupů a modelů.

Cíle výuky

V tomto modulu:

  • Definujte učení pod dohledem a bez dohledu.
  • Prozkoumejte, jak nákladové funkce ovlivňují proces učení.
  • Zjistěte, jak jsou modely optimalizované podle gradientní sestupu.
  • Experimentujte s mírami učení a zjistěte, jak mohou ovlivnit trénování.