Недообучение и переобучение в машинном интеллекте — Константин Воронцов / ПостНаука
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: https://postnauka.ru/video/154955 Заведите личный кабинет на ПостНауке, чтобы сохранять избранные курсы, видеть историю пройденных вами материалов и получать персональные рекомендации — https://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.
Константин Воронцов (https://postnauka.ru/author/vorontsov) — доктор физико-математических наук, профессор РАН, руководитель лаборатории Машинного интеллекта МФТИ, заведующий отделом Интеллектуальных систем ФИЦ ИУ РАН
Больше лекций, интервью и статей о фундаментальной науке и ученых, которые ее создают, смотрите на сайте http://postnauka.ru/. ПостНаука — все, что вы хотели знать о науке, но не знали, у кого спросить.
Следите за нами в социальных сетях:
VK: https://vk.com/postnauka
FB: https://www.facebook.com/postnauka/
Twitter: https://twitter.com/postnauka
Одноклассники: https://ok.ru/postnauka
Telegram: https://t.me/postnauka
