Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
1) Qual a diferença entre Machine Learning e Deep Learning? o Machine Learning normalmente trabalha de forma linear, o Deep Learning trabalha em camadas encadeadas de forma hierárquica 2) O que vem a ser Deep Learning? Subconjunto de técnicas de ML que utilizam redes neurais de múltiplascamadas 3) Por que Deep Learning? Plausibilidade biológica – córtexvisual Problemas que podem ser representados com um número polinomial de nós com k camadas podem requerer número exponencial de nodos com k‐1 camadas Funções muito variáveis podem ser eficientemente representadas com arquiteturas profundas–Menos pesos/parâmetros para atualizar do que uma rede rasa menos eficiente Subcaracterísticas criadas em arquiteturas profundas podem ser compartilhadas entre múltiplas tarefas–Transferência deaprendizado 4) Apresente as características de: Convolutinal Neural Networks Cada camada combina (merge, suaviza) trechos (patches) das camadas anteriores–Tipicamente tenta comprimir dados grandes (imagens) em um conjunto menor de características robustas– Convoluções básicas podem ainda criar muitascaracterísticas Pooling–Esse passo comprime e suaviza os dados–Normalmente toma a média ou o valor máximo entre trechosdis juntos Frequentemente filtros de convolução e pooling são feitosmanualmente Após essa convolução manual/não treinada/parcialmente treinada o novo conjunto de características é usado para treinar um modelo supervisionado Requer regularidades na vizinhança no espaço de entrada. Greedy Layer-‐Wise Training 1.Treinar primeira camada utilizando dados semrótulos 2.Fixar os parâmetros da primeira camada e começaratreinar a segunda usando a saída da primeira camada como entrada não supervisionada da segundacamada 3.Repetir 1 e 2 de acordo com o número de camadas desejada (construindo um mapeamentorobusto) 4.Usar a saída da camada final como entrada para uma camada/modelo supervisionada e treinar de modo supervisionado (deixando pesos anterioresfixos) 5.Liberar todos os pesos e realizar ajuste fino da rede como um todo utilizando uma abordagem supervisionada
Compartilhar