Forum Posts

shohel rana
Aug 03, 2022
In Welcome to the Forum
起初,这些联想肯定是不正确的;但随着训练过程的进展,模型会调整并提高其在分配任务上的表现。起初,这些联想肯定是不正确的;但随着训练过程的进展,模型将调整并提高其在分配任务上的表现。 我们用图像说明的这个想法可以外推到我们正在讨论的其他类型的数据:如果我们想训练一个系统来学习如何将文本从英语翻译成西班牙语,我们将需要许多用两种语言编写的文本。为了从一个人的声音中推断出他们的情绪,我们需要人们说话的录音,以及相应的标签来表明他们是快乐还是悲伤。 如果我们想到一个自动检测放射图像病理的系统,我们将需要成 電話號碼列表 对的图像及其相应的医学诊断。或者,如果我们想训练一个模型来检测图像中的人脸,我们将需要一个包含人物照片的数据库,其中的标签指示每个人的脸所在的位置。 正如我们所看到的,数据在通过机器学习训练系统中起着至关重要的作用,因为它们是信息的来源,可以告诉系统什么时候得出正确的结论,什么时候没有得出正确的结论。在这个过程中,一个基本但并不总是被考虑在内的事情是, 很少构建一个系统来使用它被训练的数据进行预测。相反,期望模型能够对“学习”期间从未见过的数据(测试数据)得出正确的结论,并且这些数据的标签未知。鉴于仅在已知情况下成功的预测模型将毫无用处,这种泛化能力是一个基本特征。想象一下放射图像上的病理检测器,它可以仅使用同一个人的图像来预测一个人是否患有肺炎。或者只能翻译已翻译文本的英语到西班牙语翻译。一般来说,这些系统的工作假设是测试数据与训练数据有些相似,但又不一样。例如,如果我们训练一个模型来检测人类的肺炎,
期间从未见过的数据 content media
0
0
1
 

shohel rana

More actions