Glossarju

Ottimizzazzjoni tal-ipperparametri

X'inhu Ottimizzazzjoni tal-ipperparametri?

L-ipperparametri huma settings stabbiliti qabel ma jitħarreġ mudell, bħar-rata tat-tagħlim, in-numru ta' saffi jew is-saħħa tar-regolarizzazzjoni. L-ottimizzazzjoni tal-ipperparametri tfittex sistematikament il-kombinazzjoni li tagħti l-aħjar prestazzjoni fuq data ta' validazzjoni, pereżempju permezz ta' grid search, random search jew ottimizzazzjoni Bayesjana. Valuri magħżula tajjeb itejbu l-eżattezza u jnaqqsu l-over- jew l-underfitting, iżda t-tiftix jiswa ħin tal-komputazzjoni.

Kif jgħin KI.ordo

KI.ordo ma tħarreġx mudelli; kontroll relatat huwa s-slider tat-“temperatura” tal-aġenti, setting waqt it-tħaddim li jirregola kemm it-tweġibiet ikunu varjati.

Sir af aktar

Suġġetti

Training
Kwalità tal-mudell
Tuning

Ipprova KI.ordo

Aġenti, flussi tax-xogħol u mudelli fi spazju tax-xogħol wieħed – demo b'xejn għal 24 siegħa.

Ibda d-demo

← It-termini kollha

Termini relatati

Overfitting

L-overfitting iseħħ meta mudell jimmemorizza d-data tat-taħriġ, inklużi l-partikolaritajiet każwali u l-istorbju, minflok ma jaqbad mudelli validi b'mod ġenerali. Imbagħad jidher eżatt ħafna fuq data familjari iżda jaħdem ħażin fuq data ġdida. Differenza kbira bejn l-iżball tat-taħriġ u dak tat-test hija sinjal tipiku. Il-kontromiżuri jinkludu aktar data jew data aktar varjata, mudelli aktar sempliċi, regolarizzazzjoni, dropout u validazzjoni inkrokjata.

kwalità tal-mudell
taħriġ
+1

Validazzjoni inkroċjata

Il-validazzjoni inkroċjata hija metodu biex jiġi vverifikat kemm mudell jiġġeneralizza tajjeb għal data ġdida li ma ra qatt. Fil-validazzjoni inkroċjata k-fold, id-data tinqasam f'k partijiet; il-mudell jitħarreġ k darbiet fuq k−1 partijiet u jiġi ttestjat fuq il-parti li tifdal kull darba, u mbagħad ir-riżultati jiġu mmedjati. Dan jgħin jinqabad l-overfitting u jitqabblu mudelli jew settings b'mod ġust, speċjalment meta tkun disponibbli ftit data.

Evalwazzjoni tal-mudelli
Validazzjoni
+1

Tagħlim awtomatiku

It-tagħlim awtomatiku huwa fergħa tal-intelliġenza artifiċjali li fiha l-kompjuters jislet mudelli mid-data minflok ma kull regola tiġi programmata b'mod espliċitu. Skont il-kompitu, il-mudelli jitgħallmu minn eżempji ttikkettati (issorveljat), minn data mhux ittikkettata (mhux issorveljat) jew permezz ta' premjijiet (rinforz). L-applikazzjonijiet jvarjaw minn filtri tal-ispam u tbassir tad-domanda sa rakkomandazzjonijiet tal-prodotti. Il-kwalità tiddependi ħafna mill-kwantità u l-kwalità tad-data tat-taħriġ.

fundamenti
IA
+1

Regolarizzazzjoni

Ir-regolarizzazzjoni tkopri tekniki li jwaqqfu mudell milli jadatta wisq mill-qrib għad-data tat-taħriġ tiegħu waqt it-taħriġ (overfitting). L-eżempji jinkludu penali fuq piżijiet kbar (regolarizzazzjoni L1 jew L2), tfi każwali ta' newroni (dropout) jew twaqqif tat-taħriġ fil-mument it-tajjeb (early stopping). L-għan huwa mudell aktar sempliċi li jaħdem b'mod aktar affidabbli fuq data ġdida li ma ratx qabel, anki jekk jikseb punteġġ kemmxejn inqas fuq id-data tat-taħriġ.

taħriġ
overfitting
+1