JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
8.3. Универсальный технологический процесс 
машинного обучения
На текущий момент вы уже познакомились со всеми важными этапами проектиро­
вания и обучения моделей МО, включая получение, форматирование, визуализацию 
и ввод данных, узнали, как выбрать подходящую для набора данных топологию 
модели и функции потерь, а также рассмотрели само обучение модели. Вы также 
уже видели некоторые важнейшие типы некорректной работы модели, порой воз­
никающие во время обучения: переобучение и недообучение. Так что самое время 
окинуть взглядом все изученное и задуматься, какие процессы машинного обучения 
моделей — общие для различных наборов данных. Полученная в результате абстрак­
ция называется 
универсальным технологическим процессом машинного обучения
(the 
universal workflow of machine learning). Мы перечислим по очереди составляющие 
этого технологического процесса и подробнее обсудим ключевые соображения для 
каждого из шагов.
1. 
Выяснить, является ли машинное обучение правильным подходом
. Во­первых, 
необходимо обдумать, хорошо ли подходит машинное обучение для решения 
поставленной задачи, и переходить к следующим шагам только в том случае, 
если ответ на этот вопрос положительный. В некоторых случаях не основанный 
на машинном обучении подход даст ничуть не худшие, а то и лучшие результаты 
при меньших затратах. Например, потратив достаточно усилий на настройку 
модели, можно научить нейронную сеть «предсказывать» сумму двух целых чи­
сел по этим числам в виде текстовых входных данных (см. пример addition­rnn 
в репозитории tfjs­examples). Но это далеко не самое эффективное или надежное 
решение данной задачи: вполне достаточно старой доброй операции сложения 
на CPU.
2. 
Сформулировать задачу машинного обучения и определить, что мы пытаемся 
предсказать на основе имеющихся данных
. На этом шаге необходимо ответить на 
два вопроса.
•
Данные какого вида у нас есть?
При обучении с учителем можно научиться 
что­либо предсказывать только при наличии маркированных обучающих 
данных. Например, описанная ранее в главе модель предсказания погоды воз­
можна лишь благодаря наличию набора данных Jena­weather. На этом этапе 
ограничивающим фактором обычно является доступность данных. Если же 
доступных данных недостаточно, необходимо собрать еще или, скажем, нанять 
людей для маркирования вручную немаркированного набора данных.
•
О задаче какого типа идет речь?
Бинарной классификации, многоклассовой 
классификации, регрессии или чем­то еще? Именно тип задачи определяет 
выбор архитектуры модели, функции потерь и т. д.
Перейти к следующему шагу нельзя, пока мы не определимся с входными и вы­
ходными сигналами, а также используемыми данными. Необходимо отдавать 
себе отчет в неявных гипотезах, принимаемых на этом шаге.

---