Ahmedov Humoyunning " Sun’iy intellekt va neytronto’rli texnalogiyalar "

Bagaj va tasodifiy o'rmon
Tasodifiy o'rmon juda mashhur va samarali mashina o'rganish algoritmi. Bu bagging deb nomlangan ansambl algoritmining bir turi.
Bootstrap - o'rtacha qiymatga o'xshash narsani baholash uchun samarali statistik usul. Siz o'zingizning ma'lumotlaringizdan ko'plab kichik namunalarni olib, har birining o'rtacha qiymatini hisoblaysiz, so'ngra o'rtacha o'rtacha qiymatning eng yaxshi bahosini olish uchun natijalarni o'rtacha hisoblaysiz.
Bagging xuddi shu yondashuvni qo'llaydi, ammo barcha statistik modellarni baholash uchun qaror daraxtlari eng ko'p ishlatiladi. O'quv ma'lumotlari bir nechta namunalarga bo'linadi, ularning har biri uchun model yaratiladi. Agar bashorat qilish kerak bo'lsa, har bir model buni amalga oshiradi, shundan so'ng prognozlar o'rtacha natijaga yaxshiroq baho berish uchun amalga oshiriladi.
Tasodifiy o'rmon algoritmida o'quv ma'lumotlaridan olingan barcha namunalar uchun qaror daraxtlari qurilgan. Daraxtlar qurishda har bir tugunni yaratish uchun tasodifiy xususiyatlar tanlanadi. Olingan modellar individual ravishda juda aniq emas, lekin ular birlashtirilganda prognozlash sifati sezilarli darajada yaxshilanadi.
Agar katta farqlarga ega bo'lgan algoritm, masalan qarorlar daraxti, sizning ma'lumotlaringizga yaxshi ta'sir ko'rsatsa, ko'pincha bu natijani yukxalta qo'llash orqali yaxshilash mumkin.

Chuqur o'rganish modellarini qanday yaratish va o'rgatish

Ob'ektlar tasnini amalga oshirish uchun odamlar chuqur o'rganishdan foydalanadigan eng keng tarqalgan uchta
usul:

Noldan trening
Chuqur tarmoqni noldan o'rgatish uchun siz juda katta etiketli ma'lumotlar to'plamini to'playsiz va xususiyatlar va
modelni o'rganadigan tarmoq arxitekturasini loyihalashtirasiz. Bu yangi ilovalar yoki ko'p sonli chiqish toifalariga
ega bo'lgan ilovalar uchun yaxshi. Bu kamroq tarqalgan yondashuv, chunki katta hajmdagi ma'lumotlar va
o'rganish tezligi bilan bu tarmoqlar odatda o'qitish uchun bir necha kun yoki hafta vaqt oladi.

Ko'pgina chuqur o'rganish ilovalari oldindan tayyorlangan modelni sozlashni o'z ichiga olgan jarayonni o'tkazish

usulidan foydalanadi. Siz AlexNet yoki GoogLeNet kabi mavjud tarmoqdan boshlaysiz va avval noma'lum
sinarni o'z ichiga olgan yangi ma'lumotlar bilan ta'minlanasiz. Tarmoqqa biroz o'zgartirishlar kiritganingizdan
so'ng, siz 1000 xil ob'ekt o'rniga faqat itlar yoki mushuklarni toifalarga ajratish kabi yangi vazifani bajarishingiz
mumkin. Bu, shuningdek, kamroq ma'lumotga muhtoj bo'lgan afzalliklarga ega (millionlab emas, minglab
tasvirlarni qayta ishlash), shuning uchun hisoblash vaqti daqiqalar yoki soatlarga qisqaradi.

Transferni o'rganish oldindan mavjud tarmoqning ichki qismlariga interfeysni talab qiladi, shuning uchun uni
jarrohlik yo'li bilan o'zgartirish va yangi vazifa uchun yaxshilash mumkin. MATLAB da o'rganishni o'tkazishda
yordam beradigan vositalar va funksiyalar mavjud.

Chuqur o'rganish uchun biroz kamroq tarqalgan, ko'proq ixtisoslashgan yondashuv tarmoqdan xususiyatni

ajratuvchi sifatida foydalanishdir . Barcha qatlamlarga tasvirlardan ma'lum xususiyatlarni o'rganish
topshirilganligi sababli, biz ushbu xususiyatlarni o'quv jarayonida istalgan vaqtda tarmoqdan tortib olishimiz
mumkin. Keyinchalik bu xususiyatlar vektorli mashinalarni qo'llab-quvvatlash (SVM) kabi mashinani o'rganish
modeliga kirish sifatida ishlatilishi mumkin .

GPU bilan chuqur o'rganish modellarini tezlashtirish
Chuqur o'rganish modelini o'rgatish uzoq vaqt talab qilishi mumkin, bir necha kundan haftalargacha. GPU
tezlashuvidan foydalanish jarayonni sezilarli darajada tezlashtirishi mumkin. MATLAB-dan GPU bilan foydalanish
tarmoqni o'qitish uchun zarur bo'lgan vaqtni qisqartiradi va tasvirni tasniash muammosini o'qitish vaqtini
kundan-kunga qisqartirishi mumkin.
Chuqur o'rganish modellarini o'rgatishda MATLAB GPU-larni (mavjud
bo'lganda) aniq GPU-larni qanday dasturlashni tushunishingizni talab qilmasdan ishlatadi.