Topshirdi: qurbonov doniyor qabul qildi: sultonov s

SVM (qo'llab-quvvatlovchi Vektorli mashina)


SVM - chiziqli / logistik regressiya kabi chiziqli model. Farqi shundaki, u marjaga asoslangan yo'qotish funktsiyasiga ega. Yo'qotish funktsiyasini L-BFGS yoki SGD kabi optimallash usullaridan foydalanib optimallashtirishingiz mumkin.



SVM-larning bitta noyob ishi bu klass tasniflagichlari haqida bilishdir.


SVM klassifikatorlarni (hatto regressatorlarni) o'qitish uchun ishlatilishi mumkin.


Qayta yo'naltiriladigan neyron tarmoqlari


Asosan, bu ko'p bosqichli logistik regressiya tasniflagichlari. Og'irlikning ko'p qatlamlari nomutanosibliklar bilan ajratiladi (sigmasimon, tan, relu + yumshoq va yangi selu). Ularni ko'p qavatli in'ikoslar deb ham atashadi. FFNN-lar avtokoder sifatida tasniflash va nazoratsiz o'rganish uchun ishlatilishi mumkin.


FFNN klassifikatorni o'qitishda yoki avtokoder sifatida funktsiyalarni ajratishda ishlatilishi mumkin.


Konvolyutsion neyron tarmoqlari
Mashinada o'qitishning deyarli barcha zamonaviy yutuqlariga konvulsion neyron tarmoqlari yordamida erishildi. Ular tasvirni tasniflash, ob'ektni aniqlash yoki hatto rasm segmentatsiyasi uchun ishlatiladi. 90-yillarning boshlarida Yan Lekun tomonidan ixtiro qilingan tarmoqlar iyerarxik ob'ektni ekstraktori sifatida ishlaydigan konvolyutsion qatlamlarga ega. Siz ularni matn bilan ishlashda ishlatishingiz mumkin (va hatto grafika bilan ishlashda).




Takrorlanuvchi neyron tarmoqlari (RNN)
RNN modellar ketma-ketligi t og'irlik to'plamini t va kiritish vaqtidagi agregator holatiga rekursiv ravishda qo'llash orqali. Bugungi kunda sof RNN kamdan kam ishlatiladi, ammo LSTM va GRU kabi hamkasblari ko'p sonli ketma-ketlikni modellashtirish muammolari uchun eng zamonaviy hisoblanadi. Sof RNN-da oddiy zich qatlam o'rniga LSTM ishlatiladi.



Matnni har qanday tasniflash, mashinani tarjima qilish, tilni modellashtirish uchun RNN-dan foydalaning.