Una definición de línea es cualquier algoritmo predictivo que use capas ocultas para predecir el aprendizaje profundo. De lo contrario, el algoritmo predictivo es la inclinación de la máquina.
Ahora vamos a entenderlo.
Suponga que desea predecir algún conjunto de datos Y a partir del conjunto de datos dado X.
- ¿Por qué se utilizan diferentes funciones de pérdida con diferentes algoritmos de aprendizaje automático?
- ¿Cuál es la diferencia entre la teoría de simulación por computadora del Universo y el diseño inteligente?
- ¿Cuáles son las diferencias entre simulación y emulación?
- ¿Cuál es la mejor computadora portátil para un estudiante entrante de CS en la Universidad de Cornell?
- ¿Cuáles son algunos de los famosos sitios web de redes sociales fundados por indios?
- El primer paso es hacer una predicción, X * (theta) = Y. Quieres hacer una conjetura salvaje de theta .
- En segundo lugar, desea comprobar qué tan correcta es theta . La forma más simple de encontrar el error es (Y predicho- Y real).
- Si la diferencia es muy grande, tome otra conjetura salvaje para theta y ahora tome una conjetura más grande (si la diferencia es muy grande) o tome una conjetura más pequeña
En todo momento desea estar bastante seguro de que cada vez que se le ocurra un nuevo theta, la diferencia (entre Y predicho y Y real) es menor que la última iteración. Esto se hace durante miles de iteraciones hasta que encontremos el mejor resultado. Este es un algoritmo de aprendizaje automático más simple.
Ahora veamos el algoritmo más simple de inclinación profunda:
- La capa de entrada representa X y la capa de salida representa Y. Primero se hace una predicción para la capa oculta a partir de X sy luego la capa oculta hace una predicción para Y s. (Esto se llama Propagación hacia adelante)
- Se calcula el costo. Error de significado calculado. Una función de costo es algo que desea minimizar. Por ejemplo, su función de costo podría ser la suma de errores al cuadrado sobre su conjunto de entrenamiento. (Su no suma de error al cuadrado es una inclinación profunda porque no es una función convexa)
- Del conjunto de Y predijimos que rastreamos los parámetros de las capas ocultas (esto se llama Back Propagation)
- Ahora actualizamos los parámetros en la capa oculta. Tal que la próxima vez el costo sea aún menor.
Esto se hace por miles de iteraciones hasta que encontremos el mejor resultado.
En Deep Learning tomamos la ayuda de las capas ocultas para predecir y a lo largo de la actualización de las capas ocultas, es como si involucramos a varios equipos en un trabajo. Mientras que Machine Learning es una asignación de UN equipo para un trabajo.
Para un conjunto de datos pequeño, un equipo (Aprendizaje automático) dará el mismo resultado que un grupo de equipos (Aprendizaje profundo) pero para un conjunto de fechas grande (millones de datos) El aprendizaje profundo definitivamente dará mejores resultados.