JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
z
z
Объекты 
tf.Model
можно обучать непосредственно из 
tf.data.Dataset
с помо­
щью их метода 
fitDataset()
.
z
z
Проверка корректности и очистка данных требует времени и терпения, но жиз­
ненно необходима для любой системы машинного обучения, применяемой на 
практике. Обнаружение и исправление таких проблем, как систематическая 
ошибка, отсутствующие данные и аномальные значения на этапе обработки 
данных, экономит время на отладку на этапе моделирования.
z
z
Дополнение данных применяется для расширения набора псевдопримерами 
данных, генерируемыми программным образом, и позволяет модели охватить 
известные варианты данных, недостаточно представленные в исходном наборе.

---

В этой главе
z

Применение tfjs-vis для настраиваемых визуализаций данных.
z

Получаем полезную информацию, заглядывая внутрь моделей после обучения.
Визуализация — важный навык для любого специалиста­практика в области машин­
ного обучения, ведь она требуется на всех этапах технологического процесса ML. 
Данные изучаются с помощью визуализации перед созданием модели; во время 
проектирования и обучения модели проводится мониторинг процесса обучения 
посредством визуализации; затем визуализация позволяет понять, как работает уже 
обученная модель.
В главе 6 мы рассказали вам о преимуществах, которых можно добиться за счет 
визуализации и понимания данных до применения к ним машинного обучения. 
Мы описали использование Facets — браузерной утилиты, с помощью которой 
можно быстро и интерактивно исследовать данные. В этой главе мы познакомим 
вас с новой утилитой, tfjs­vis, позволяющей визуализировать данные программным 
образом, настраивая визуализацию под свои нужды. Преимущество такого способа, 
по сравнению с просмотром исходных данных или использованием готовых инстру­
ментов вроде Facets, состоит в более гибкой и универсальной парадигме, ведущей 
к более глубокому пониманию данных.
Помимо самой визуализации данных, мы покажем, как использовать ее для моде­
лей глубокого обучения 
после
их обучения. В нескольких захватывающих примерах 
заглянем внутрь «черных ящиков» нейронных сетей с помощью визуализации их 
7
Визуализация данных 
и моделей

---

288