Deep learning: Cложный анализ данных простыми словами_Сергей Шелпук
•
2 likes•11,419 views
Конференция AI&BigData Lab, 12 апреля 2014
Recommended
Recommended
More Related Content
Viewers also liked
Viewers also liked (20)
More from GeeksLab Odessa
More from GeeksLab Odessa (20)
Deep learning: Cложный анализ данных простыми словами_Сергей Шелпук
- 1. Deep Learning сложный анализ данных простыми словами Сергей Шельпук sshel@softserveinc.com
- 2. Проблема классификации Отличить мотоцикл от Луны
- 3. Проблема классификации Классификатор © A. Ng и др.
- 5. Проблема классификации «Сырые» данные не описывают данные достаточно хорошо. Нам нужны какие-то «умные» представления. содержит колеса содержит «моря»
- 7. Извлечение признаков Есть ли лучшие способы? © A. Ng и др.
- 8. Автоэнкодер
- 9. Автоэнкодер © Honglak Lee и др. ▪См. Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations
- 10. Автоэнкодер © Quoc V. Le и др. См. Building high-level features using large scale unsupervised learning
- 11. Deep Learning Нейронные Сети Обучен предварительно как автоэнкодер Типичный классификатор Moon
- 12. Deep Learning Нейронные Сети © A. Ng и др.
- 13. Deep Learning Нейронные Сети © A. Ng и др.
- 14. Deep Learning Нейронные Сети Video Text/NLP Images ©A.Ngидр.
- 15. Deep Learning Нейронные Сети Особенности обучения Можно использовать немаркированные данные Легко переобучить Очень большой объем вычислений
- 17. Переобучение автоэнкодера Sparsity constraint – способ ограничения вариативности автоэнкодера Идея: ограничить активацию скрытого слоя на восстановление одного примера
- 18. Переобучение классификатора Dropout создает «ансамбль» нейронных сетей
- 19. Вычислительные ресурсы Тысячи ядер Частота: 300-900 МГц Память: 2-6 Gb Производительность: до 3.5 Tflops Instruction-level parallelism Shared memory До 4 устройств в кластере
- 22. Thank you