Метаобучение – одна из самых быстрорастущих областей исследований в области машинного обучения (МО) – изучает методы получения эффективных моделей и решений путем адаптации процессов МО и интеллектуального анализа данных. Для адаптации обычно применяют информацию из опыта решения других задач, а адаптивные процессы могут использовать подходы МО. AutoML занимается автоматизацией процессов машинного обучения и является очень актуальной темой, напрямую связанной с метаобучением. Метаобучение и AutoML помогают искусственному интеллекту научиться выбирать наиболее подходящие методы самообучения и быстрее находить новые решения без вмешательства пользователя. Издание адресовано исследователям в области машинного обучения, интеллектуального анализа данных и искусственного интеллекта, а также может быть полезно студентам и аспирантам.
В части I обсуждаются некоторые основные концепции, в том числе, например, что такое ме та обуче ние и как оно связано с автоматизированным машинным обучением (automated machine learning, AutoML). Далее следуют представление базовой архитектуры систем метаобучения/AutoML и обсуждение систем, использующих выбор алгоритма с использованием априорных метаданных, методологии, используемой при их оценке, и различных типов моделей метауровня, при этом упоминаются соответствующие главы, в которых можно получить более подробную информацию. Эта часть также содержит обсуждение методов, используемых для оптимизации гиперпараметров и разработки рабочего процесса. Часть II включает в себя обсуждение более продвинутых технологий и методов настройки конфигурационных пространств и проведения экспериментов. В последующих главах обсуждаются различные типы ансамблей, метаобучение в ансамблевых методах, алгоритмы, используемые для потоков данных, и перенос метамоделей между задачами. Одна глава посвящена метаобучению для глубоких нейронных сетей. В последних двух главах обсуждаются проблемы автоматизации различных задач обработки данных и попытки проектирования более сложных систем. Часть III относительно короткая. В ней обсуждаются репозитории метаданных (включая результаты экспериментов) и приводятся примеры информации, которую можно извлечь из этих метаданных. В последней главе представлены заключительные замечания.
Разместите ссылку на эту страницу в социальных сетях. Так о ней узнают тысячи человек:
Facebook
Twitter
Мой мир
Вконтакте
Одноклассники
Нашли ошибку? Сообщите администрации сайта: Выберите один из разделов меню и, если необходимо, напишите комментарий
За ложную информацию бан на месяц
Разместите, пожалуйста, ссылку на эту страницу на своём веб-сайте:
Код для вставки на сайт или в блог: Код для вставки в форум (BBCode): Прямая ссылка на эту публикацию:
Ошеломляющий успех коммерческих приложений машинного обучения (machine learning – ML) и быстрый рост этой отрасли создали высокий спрос на готовые методы ML, которые можно легко использовать без специальных знаний. Однако и сегодня успех практического применения в решающей степени зависит от экспертов – людей, которые вручную выбирают подходящие ар ...
Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, ...
В книге популярно изложены методы анализа данных, основанные на построении нейросетевых моделей. Рассматриваются различные типы нейронных сетей, алгоритмы их обучения и примеры решения конкретных задач с использованием пакета STATISTICA Neural Networks.
Нейросетевые методы в обработке естественного языка — Это классическое руководство посвящено применению нейросетевых моделей к обработке данных естественного языка (Natural Language Processing – NLP). В первой половине книги рассматриваются основы машинного обучения с учителем на лингвистических данных и применение векторных, а не символичес ...
Данный материал НЕ НАРУШАЕТ авторские права никаких физических или юридических лиц. Если это не так - свяжитесь с администрацией сайта. Материал будет немедленно удален. Электронная версия этой публикации предоставляется только в ознакомительных целях. Для дальнейшего её использования Вам необходимо будет приобрести бумажный (электронный, аудио) вариант у правообладателей.