Недообучение и переобучение в машинном интеллекте — Константин Воронцов / ПостНаука
13 510
7.8
ПостНаука1.36 млн
Следующее
03.09.21 – 225 2551:55:48Популярные
171 день – 9 7701:01
02.01.22 – 179 61715:01Опубликовано 2 сентября 2021, 10:47
В новом видео ПостНауки математик Константин Воронцов расскажет о машинных алгоритмах, исследовании данных, нейронных сетях и многом другом. Отдельно мы остановимся на обучении машинного интеллекта, а именно недообучении и переобучении и способах решения данной проблемы. Приятного просмотра!
Читать расшифровку лекции здесь: postnauka.ru/video/154955 Заведите личный кабинет на ПостНауке, чтобы сохранять избранные курсы, видеть историю пройденных вами материалов и получать персональные рекомендации — postnauka.ru/link/profile
В машинном обучении существуют две важные проблемы: недообучение и переобучение. Алгоритмы машинного интеллекта обучаются по прецедентам, когда есть некая модель — параметрическое семейство функций. Предполагается, что в семействе функций есть одна или несколько функций, которые описывают зависимость, наблюдаемую в данных. Роль данных или обучающей выборки здесь играют точки. Точки — пары X и Y, где X — объект, Y — ответ. Следовательно, ответ — показатель, который соответствует данному объекту. Изначально нужно научиться предсказывать эти ответы на объектах. Для этого ученые занимаются моделированием и выбирают из параметрического семейства функций модель, которая лучше описывает данные.
Машинное обучение: postnauka.ru/courses/74896
Классическое моделирование: postnauka.ru/video/74185
Константин Воронцов (postnauka.ru/author/vorontsov) — доктор физико-математических наук, профессор РАН, руководитель лаборатории Машинного интеллекта МФТИ, заведующий отделом Интеллектуальных систем ФИЦ ИУ РАН
Поддержать ПостНауку — postnauka.ru/donate
Больше лекций, интервью и статей о фундаментальной науке и ученых, которые ее создают, смотрите на сайте postnauka.ru/. ПостНаука — все, что вы хотели знать о науке, но не знали, у кого спросить.
Следите за нами в социальных сетях:
VK: vk.com/postnauka
FB: facebook.com/postnauka
Twitter: twitter.com/postnauka
Одноклассники: ok.ru/postnauka
Telegram: t.me/postnauka
Читать расшифровку лекции здесь: postnauka.ru/video/154955 Заведите личный кабинет на ПостНауке, чтобы сохранять избранные курсы, видеть историю пройденных вами материалов и получать персональные рекомендации — postnauka.ru/link/profile
В машинном обучении существуют две важные проблемы: недообучение и переобучение. Алгоритмы машинного интеллекта обучаются по прецедентам, когда есть некая модель — параметрическое семейство функций. Предполагается, что в семействе функций есть одна или несколько функций, которые описывают зависимость, наблюдаемую в данных. Роль данных или обучающей выборки здесь играют точки. Точки — пары X и Y, где X — объект, Y — ответ. Следовательно, ответ — показатель, который соответствует данному объекту. Изначально нужно научиться предсказывать эти ответы на объектах. Для этого ученые занимаются моделированием и выбирают из параметрического семейства функций модель, которая лучше описывает данные.
Машинное обучение: postnauka.ru/courses/74896
Классическое моделирование: postnauka.ru/video/74185
Константин Воронцов (postnauka.ru/author/vorontsov) — доктор физико-математических наук, профессор РАН, руководитель лаборатории Машинного интеллекта МФТИ, заведующий отделом Интеллектуальных систем ФИЦ ИУ РАН
Поддержать ПостНауку — postnauka.ru/donate
Больше лекций, интервью и статей о фундаментальной науке и ученых, которые ее создают, смотрите на сайте postnauka.ru/. ПостНаука — все, что вы хотели знать о науке, но не знали, у кого спросить.
Следите за нами в социальных сетях:
VK: vk.com/postnauka
FB: facebook.com/postnauka
Twitter: twitter.com/postnauka
Одноклассники: ok.ru/postnauka
Telegram: t.me/postnauka
11 дней – 53 6341:45:45
13 дней – 5 7771:00
14 дней – 5 6264:38Случайные видео
143 дня – 795:37
245 дней – 6 9150:27
20.07.23 – 7 67039:42
06.06.23 – 7541:04:31
04.04.23 – 4 6311:44:28
15.04.17 – 14 3631:29:29
21 час – 12 7141:00
1 день – 38 43220:34
1 день – 7133:33
3 дня – 100 1683:29:16
3 дня – 1 5546:47
4 дня – 39 96321:27
5 дней – 1 7471:11:50
16 часов – 12 1730:49
1 день – 19 79520:27