تنظیم دقیق ( Fine - Tuning ) فرایندی است که در آن پارامترهای یک مدل باید به صورت خیلی دقیقی تنظیم شوند تا مدل با مشاهدات مشخصی تناسب پیدا کند. این فرایند در یادگیری ماشین یک فرایند بسیار متداول است که در آن با اضافه کردن لایه های جدید مدل از پیش آموزش داده شده ای، سعی می شود که پارامتر های آن مدل حاصل به گونه ای تنظیم شود که دقت مدل روی یک مجموعه داده ی جدید نیز بالا رود.
• یادگیری انتقالی ( Transfer Learning )
در مدل های شبکه عصبی پردازش تصویر که کار آن ها دسته بندی ( Classification ) است، ابتدا لایه آخر را که فرضاً یک لایه n نورونی به m نورون ( که در اینجا m نشان دهنده ی تعداد کلاس های دیتاست اصلی مدل است ) را حذف می کنیم. سپس لایه آخر را یک لایه ی n به k ( که در اینجا k نشان دهنده ی تعداد کلاس های دیتاستی میباشد که میخواهیم مدل را روی آن تنظیم دقیق کنیم ) می گذاریم. حال وزن های همه لایه ها به جز لایه آخر که خودمان اضافه کردیم را ثابت میکنیم و حال دوباره مدل را آموزش می دهیم تا روی این دیتاست به دقت بالایی برسد.
واضح است که یادگیری انتقالی یک روش کارامد است و درک مناسبی از اینکه چرا کارامد می باشد داریم. مدل، ویژگی ( Feature ) های بسیاری را از تصاویری که قبلاً روی آنها آموزش داده شده است یادگرفته تا یک تصویر کلی مناسبی از اینکه دسته بندی تصاویر چگونه است داشته باشد.
• Ensemble
در مسائل Ensemble هدف این است که به مدلی دستیابی پیدا کنیم که بتواند به بهترین شکل ممکن، خروجی را پیش بینی کند. در نتیجه به جای ساختن یک مدل و امید داشتن به آن که این مدل بهترین پیش بینی را از خروجی میکند، روش های مجموعه ای مدل های بی شماری را در نظر می گیرند و آن مدل ها را برای تولید یک مدل نهایی میانگین می گیرند. توجه به این نکته مهم است که Ensemble learning تنها شکل متدهای گروهی نیستند، بلکه امروزه محبوب ترین و مرتبط ترین روش ها در Data Science هستند. BAGGing یا Bootstrap AGGregating. BAGGing نام خود را به این دلیل گرفت که Bootstrapping و Aggregation را برای تشکیل یک مدل گروه ترکیب می کند. با توجه به نمونه ای از داده ها، چندین نمونه فرعی بوت استرپ کشیده می شوند. یک درخت تصمیم بر روی هر یک از نمونه های فرعی بوت استرپ تشکیل می شود. پس از تشکیل هر زیرنمونه درخت تصمیم، از الگوریتمی برای تجمیع درختان تصمیم برای تشکیل کارآمدترین پیش بینی کننده استفاده می شود. که در این مرحله معمولاً از Major voting استفاده می شود.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلف• یادگیری انتقالی ( Transfer Learning )
در مدل های شبکه عصبی پردازش تصویر که کار آن ها دسته بندی ( Classification ) است، ابتدا لایه آخر را که فرضاً یک لایه n نورونی به m نورون ( که در اینجا m نشان دهنده ی تعداد کلاس های دیتاست اصلی مدل است ) را حذف می کنیم. سپس لایه آخر را یک لایه ی n به k ( که در اینجا k نشان دهنده ی تعداد کلاس های دیتاستی میباشد که میخواهیم مدل را روی آن تنظیم دقیق کنیم ) می گذاریم. حال وزن های همه لایه ها به جز لایه آخر که خودمان اضافه کردیم را ثابت میکنیم و حال دوباره مدل را آموزش می دهیم تا روی این دیتاست به دقت بالایی برسد.
واضح است که یادگیری انتقالی یک روش کارامد است و درک مناسبی از اینکه چرا کارامد می باشد داریم. مدل، ویژگی ( Feature ) های بسیاری را از تصاویری که قبلاً روی آنها آموزش داده شده است یادگرفته تا یک تصویر کلی مناسبی از اینکه دسته بندی تصاویر چگونه است داشته باشد.
• Ensemble
در مسائل Ensemble هدف این است که به مدلی دستیابی پیدا کنیم که بتواند به بهترین شکل ممکن، خروجی را پیش بینی کند. در نتیجه به جای ساختن یک مدل و امید داشتن به آن که این مدل بهترین پیش بینی را از خروجی میکند، روش های مجموعه ای مدل های بی شماری را در نظر می گیرند و آن مدل ها را برای تولید یک مدل نهایی میانگین می گیرند. توجه به این نکته مهم است که Ensemble learning تنها شکل متدهای گروهی نیستند، بلکه امروزه محبوب ترین و مرتبط ترین روش ها در Data Science هستند. BAGGing یا Bootstrap AGGregating. BAGGing نام خود را به این دلیل گرفت که Bootstrapping و Aggregation را برای تشکیل یک مدل گروه ترکیب می کند. با توجه به نمونه ای از داده ها، چندین نمونه فرعی بوت استرپ کشیده می شوند. یک درخت تصمیم بر روی هر یک از نمونه های فرعی بوت استرپ تشکیل می شود. پس از تشکیل هر زیرنمونه درخت تصمیم، از الگوریتمی برای تجمیع درختان تصمیم برای تشکیل کارآمدترین پیش بینی کننده استفاده می شود. که در این مرحله معمولاً از Major voting استفاده می شود.
wiki: تنظیم دقیق