Cuando estoy listo para entrenar a un modelo, me preparo para la fase de prueba. Entonces, cuando comienza el entrenamiento, normalmente empiezo a configurar experimentos para que una vez que se complete el entrenamiento modelo pueda probarlo en tareas cada vez más desafiantes para poder evaluar su efectividad. Sí, es posible dejar que el sistema se pruebe a sí mismo en los datos de prueba, pero tengo que decidir sistemáticamente en qué otras tareas debería probarlo dependiendo de su área de aplicación potencial.
A veces, si termino de preparar los experimentos antes de que se complete el entrenamiento del modelo, entonces me relajo mientras espero que el modelo termine el entrenamiento. Me relajo jugando videojuegos, Quora y TV. He descubierto que Facebook parece aumentar los niveles de estrés un poco innecesariamente, por lo que paso menos tiempo allí en estos días. En cambio, paso ese tiempo con la familia (todavía no tengo hijos).
Después de terminar la capacitación, comienzo los experimentos hasta que decido si el rendimiento del sistema es lo que quiero o no. Normalmente establezco un estándar. Para un sistema de visión, debe tener una precisión del 95% en MNIST antes de que pueda pasar a tareas más desafiantes.
- ¿Cuál es la tecnología detrás de la aplicación Summly recién adquirida por Yahoo?
- ¿Cuáles son las mejores medidas de rendimiento para un modelo de detección de anomalías?
- ¿Cuál es el papel del análisis de datos exploratorios (EDA) en el aprendizaje automático?
- Cómo elegir un tema de tesis doctoral en aprendizaje profundo
- Cómo proceder si no puedo desempeñarme mejor en un conjunto de datos en particular cuando intento ajustar un modelo de aprendizaje automático
También me gusta jugar con funciones de activación y arquitecturas extrañas, así que me muevo en círculos de diseño, implementación, capacitación y pruebas antes de encontrar la arquitectura que funciona.
Espero que esto ayude.
