JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 13. Резюме, заключительные слова и дальнейшие источники информации
523
13.2. Краткий обзор технологического процесса 
глубокого обучения и алгоритмов 
в TensorFlow.js
С обзором истории покончено, и мы можем заняться техническими аспектами 
TensorFlow.js. В этом разделе мы опишем общий технологический процесс решения 
задач машинного обучения, указав несколько важнейших нюансов и распростра­
ненных подводных камней. А затем перечислим различные «кирпичики» (слои) 
нейронных сетей, обсуждавшиеся в этой книге. Кроме того, мы рассмотрим предо­
бученные модели из экосистемы TensorFlow.js, с помощью которых можно ускорить 
процесс разработки. В завершение раздела мы приведем спектр задач машинного 
обучения, которые можно решить с помощью указанных «кирпичиков». Подумайте, 
как написанные на TensorFlow.js глубокие нейронные сети могут помочь в решении 
стоящих перед вами задач машинного обучения.
13.2.1. Универсальный технологический процесс 
машинного обучения с учителем
Возможности глубокого обучения огромны. Но, как ни странно, зачастую больше 
всего времени и усилий из процесса машинного обучения занимают этапы, пред­
варяющие собственно проектирование и обучение моделей (а в случае предназна­
ченных для промышленной эксплуатации моделей также и следующие за ними). 
На этих непростых этапах необходимо разобраться в предметной области задачи 
достаточно хорошо для того, чтобы определить, какие данные нужны, какие пред­
сказания можно выполнить с достаточной степенью безошибочности и обобщения, 
какое место модель машинного обучения займет в общем программном решении, 
предназначенном для конкретной задачи, а также как оценить качество работы мо­
дели. И хотя без этого невозможен успех на практике никакой модели машинного 
обучения, автоматизировать эти действия библиотека программных модулей вроде 
TensorFlow.js не способна. Напомним вам вкратце, как выглядит типовой техноло­
гический процесс машинного обучения.
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.
2. 
Сформулировать задачу машинного обучения
. Определите, какие у вас имеются 
данные и что необходимо предсказать на их основе.
3. 
Убедиться, достаточно ли имеющихся данных
. Выясните, достаточно ли име­
ющегося объема данных для обучения модели. Возможно, придется собрать 

---

524