Недообучение и переобучение в машинном интеллекте — Константин Воронцов / ПостНаука
13 503
7.8
ПостНаука1.36 млн
Следующее
03.09.21 – 225 1431:55:48Популярные
13.04.23 – 641 2893:24:07
26.12.22 – 14 71612:28Опубликовано 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
Свежие видео
7 дней – 18 78256:30
7 дней – 4211:28
Случайные видео
36 дней – 1 5270:15
100 дней – 1 5664:49
340 дней – 119 97526:19
07.05.23 – 35 7591:06
19.01.23 – 2 5586:19
19.04.18 – 7521:33:25
2 дня – 5 4676:37
2 дня – 10 0961:31:01
2 дня – 7 3373:00:11
3 дня – 47 0821:26:04
3 дня – 45 31025:52
5 дней – 78 3260:23
5 дней – 87 86124:24
1 день – 1 9951:49:51
