Uczenie maszynowe to praktyka polegająca na pomaganiu oprogramowaniu w wykonywaniu zadań bez wyraźnego programowania i reguł. W tradycyjnym programowaniu komputerowym programista określa zasady, których powinien używać komputer. ML wymaga jednak innego sposobu myślenia. ML w świecie rzeczywistym koncentruje się znacznie bardziej na analizie danych niż na kodowaniu. Programiści dostarczają zestaw przykładów, a komputer uczy się wzorców z danych. Możesz myśleć o uczeniu maszynowym jako o „programowaniu z wykorzystaniem danych”.

Proces uzyskiwania odpowiedzi z danych przy użyciu uczenia maszynowego składa się z wielu etapów. Aby zapoznać się z omówieniem krok po kroku, zapoznaj się z tym przewodnikiem , który przedstawia pełny przepływ pracy dotyczący klasyfikacji tekstu i opisuje ważne kroki, takie jak zbieranie zestawu danych oraz trenowanie i ocenianie modelu za pomocą TensorFlow.

Sieć neuronowa to rodzaj modelu, który można wytrenować w zakresie rozpoznawania wzorców. Składa się z warstw, w tym warstwy wejściowej i wyjściowej, oraz co najmniej jednej warstwy ukrytej . Neurony w każdej warstwie uczą się coraz bardziej abstrakcyjnych reprezentacji danych. Na przykład na tym diagramie widzimy neurony wykrywające linie, kształty i tekstury. Te reprezentacje (lub wyuczone cechy) umożliwiają klasyfikację danych.

Sieci neuronowe są trenowane poprzez opadanie gradientowe. Wagi w każdej warstwie zaczynają się od losowych wartości, które z biegiem czasu są iteracyjnie ulepszane, aby sieć była dokładniejsza. Funkcja straty służy do ilościowego określenia niedokładności sieci, a procedura zwana propagacją wsteczną służy do określenia, czy każdą wagę należy zwiększyć, czy zmniejszyć, aby zmniejszyć straty.

Uczenie maszynowe to praktyka polegająca na pomaganiu oprogramowaniu w wykonywaniu zadań bez wyraźnego programowania i reguł. W tradycyjnym programowaniu komputerowym programista określa zasady, których powinien używać komputer. ML wymaga jednak innego sposobu myślenia. ML w świecie rzeczywistym koncentruje się znacznie bardziej na analizie danych niż na kodowaniu. Programiści dostarczają zestaw przykładów, a komputer uczy się wzorców z danych. Możesz myśleć o uczeniu maszynowym jako o „programowaniu z wykorzystaniem danych”.

Proces uzyskiwania odpowiedzi z danych przy użyciu uczenia maszynowego składa się z wielu etapów. Aby zapoznać się z omówieniem krok po kroku, zapoznaj się z tym przewodnikiem , który przedstawia pełny przepływ pracy dotyczący klasyfikacji tekstu i opisuje ważne kroki, takie jak zbieranie zestawu danych oraz trenowanie i ocenianie modelu za pomocą TensorFlow.

Sieć neuronowa to rodzaj modelu, który można wytrenować w zakresie rozpoznawania wzorców. Składa się z warstw, w tym warstwy wejściowej i wyjściowej, oraz co najmniej jednej warstwy ukrytej . Neurony w każdej warstwie uczą się coraz bardziej abstrakcyjnych reprezentacji danych. Na przykład na tym diagramie widzimy neurony wykrywające linie, kształty i tekstury. Te reprezentacje (lub wyuczone cechy) umożliwiają klasyfikację danych.

Sieci neuronowe są trenowane poprzez opadanie gradientowe. Wagi w każdej warstwie zaczynają się od losowych wartości, które z biegiem czasu są iteracyjnie ulepszane, aby sieć była dokładniejsza. Funkcja straty służy do ilościowego określenia niedokładności sieci, a procedura zwana propagacją wsteczną służy do określenia, czy każdą wagę należy zwiększyć, czy zmniejszyć, aby zmniejszyć straty.