Gépi tanulás és néhány más dolog
A mai bejegyzés egy kicsit rendhagyó lesz abból a szempontból, hogy általában nem írok olyasmiről, amiről található jó a magyar irodalomban. A Python nyelvről pedig van, és a kivételkezelésről is. Az előzőek elhangzottak korábban azon a cégen belüli Python tréningen, amit tartok, és a kollégák szerint vicces. Viccesen írni erről a témáról pedig szvsz nehéz, … Kivételkezelés Pythonban olvasásának folytatása
Az elöző bejegyzésben megismerkedtünk a Bayes-tételel, ma körbejárjuk a tétel köré épített szemlélet miben tér el a klasszikus statisztikai szemlélettől. Szóval mi olyan különleges a Bayes-tételben? Bár elsőre talán nem látszik, de ez egy teljesen eltérő hozzáállás az adatokhoz és a tudományos bizonyításhoz, mint a klasszikus megközelítés. A klasszikus tudományos bizonyítás során az Megfigyelésből indulunk … Bayesian szemlélet — statisztika alapok olvasásának folytatása
A mai bejegyzésben egy nagyon elterjedt, és megbízhatónak tartott vizsgálati módszert fogunk megnézni, nevezetesen a „Randomizált, kontrollált vizsgálatot”. Ezt olyan esetekben használjuk, ha arra vagyunk kíváncsiak, hogy egy beavatkozásnak (kezelésnek) mi a várható eredménye. Gondolkozzunk el egy kicsit a felhasználási területén! Mint említettem, akkor használjuk, ha arra vagyunk kíváncsiak, hogy mi egy beavatkozás várható eredménye. … Randomizált, kontrollált vizsgálat — statisztikai alapok olvasásának folytatása
Az egyik legizgalmasabb terület számomra a statisztikában a Bayesian gondolkodás. Korábban írtam egy bejegyzést erről a témáról, de az elmélettel még nem foglalkoztam. Most ezt fogom pótolni. Kicsit távolról indítok, de feltétlenül tisztáznunk kell az elvárásokat a Bayesian statisztikával szemben, hogy értékelni lehessen a jelentőségét. Amikor Statisztikai analízist végzünk belülről haladunk kifele. Először megépítjük a … Bayes-tétel — statisztika alapok olvasásának folytatása
Az előző részben bemutattam, a kontrollált vizsgálat alapjait, és eljutottam annak felismeréséig, hogy az Átlagos kezelési hatás naiv alkalmazása teljesen rossz eredményt produkálhat bizonyos esetekben. Most megnézzük mit lehet tenni ezzel a problémával. Régi jó barátunk Ronard Fisher is felismerte a problémát, amivel mi találkoztunk. De volt két fontos különbség közte és a mi alapállásunk … Fisher egzakt p-érték olvasásának folytatása
Egy korábbi bejegyzésben volt szó a túlillesztés problémájáról. Ma az egyik lehetséges megoldási lehetőséget nézzük át: a regulációt. A reguralizáció az összetettebb modellek büntetése az egyszerűbbekkel szemben. Miért jó ez? Mint tudjuk, hajlamosak vagyunk olyan esetekben is összefüggéséket felfedezni, amikor nincsenek. Ennek köszönhetően egyre összetettebb modelleket alkotunk, amik újabb és újabb "összefüggésekkel" egészítik ki az … Reguláció olvasásának folytatása
A túlillesztésről szóló bejegyzésben volt szó a Dropoutról, mint egy eszközről, amivel elkerülhetjük ezt a problémát. Most ezt fogjuk megnézni részletesebben. Dropout teljesen kapcsolt hálózaton Teljesen kapcsolt neurális hálózatok esetén egy p valószínűséggel kihagyunk neuronokat a hálózatból a Dropout során. Nézzünk egy példát. A normális teljesen csatolt hálózat így néz ki: Ugye a A Mesterséges … Dropout réteg olvasásának folytatása
A mai bejegyzésben egy olyan problémáról fogunk beszélni, ami minden statisztikai elemzés szenved. Sőt igazából tovább mennék, valamibe, amitől rengetek ember is szenved. Általánosítás vs. Specializáció Minden modell a világ valamilyen szintű egyszerűsítése, aminek egyszerű számítástechnikai oka van: ahhoz, hogy a világot a teljesen részleteiben leírjuk annyi információ kellene tárolnunk mint maga a világ. Ez … A túlillesztés problémája olvasásának folytatása
Az előző részben megnéztük a Keras alapjait. Majd megformáztuk a megfigyeléseinket a keras.layers.LSTM() elvárásainak megfelelően, mind „stateless” mind „stateful” formában. A mai részben megnézzük, hogy tanítjuk ezeket a modelleket és össze fogjuk hasonlítani az eredményüket. Stateful modell Kezdjük a stateful modellel. Először is hozzunk létre egy stateful Keras modellt. Ehhez két réteget kell definiálunk: a … Hosszú munkamemóriájú Neurális Hálózat Kerassal — 2. rész olvasásának folytatása
Nem olyan régen szó volt a Hosszú munkamemóriájú Neurális Hálózatokról. Mai bejegyzésünkben egy gyakorlati példa megvalósítását fogjuk megnézni. Ehhez a Keras keretrendszert használjuk. Keras Mivel a blogon korábban nem volt szó a Kerasról, így érdemes talán egy kis áttekintéssel kezdeni. A Keras nem egy önálló könyvtár gépi tanulásra, hanem leginkább egy felhasználói felület más megvalósításokhoz. … Hosszú munkamemóriájú Neurális Hálózat Kerassal — 1. rész olvasásának folytatása
Sajó Zsolt Attila 