- Digamos que la red neuronal está entrenada en el conjunto de datos A. Trate la red como un transformador de características genérico. Luego, use esas características para entrenar un modelo lineal (SVM o regresión logística) en el conjunto de datos B, y vea cómo funciona en comparación con el reentrenamiento de la red en el conjunto de datos B (u otros métodos en el conjunto de datos B). Esto le da una sensación de generalización de características.
- En la visión, también puede visualizar las unidades aprendidas (neuronas) a través de una variedad de métodos para ver qué partes de una imagen activan más una unidad determinada. Hay una variedad de métodos para esto: mover las activaciones hacia atrás a través de la red para “reconstruir” las partes de la imagen que más contribuyeron a una activación dada (propagación hacia atrás guiada: la red convolucional total). También puede usar la optimización para ver la imagen artificial que activa al máximo una unidad (Jason Yosinski). Esto le permite evaluar cualitativamente las características aprendidas.
¿Cuál es el mejor enfoque para medir la “calidad de las características” en una red neuronal?
Related Content
¿Cuáles son todas las debilidades que Lee Sedol encontró en el juego de AlphaGo?
¿Dónde aplicarías algoritmos de aprendizaje automático en tu vida diaria? ¿Por qué?
More Interesting
¿Cómo sabes que tienes que "maximizar" el lagrangiano para resolver el problema dual?
¿Cuál es la relación de la matriz de curvatura y el aprendizaje profundo?
¿Sería posible leer mentes usando una máquina?
Cómo decidir si usar modelos de aprendizaje automático supervisados o de refuerzo
¿Cuántas estadísticas y probabilidades debo saber para sumergirme en el aprendizaje automático?
Cómo calcular un proceso de red neuronal artificial
Investigadores de aprendizaje automático, ¿algún día los robots nos matarán a todos?
Cómo comenzar a aprender ciencia de datos y convertirse en un maestro en ello
¿Qué está sucediendo en este gráfico de pérdida de precisión de la red?