JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
Резюме
z
z
С помощью TensorFlow.js можно легко, пятью строками JavaScript­кода, создать, 
обучить и оценить простую модель ML.
z
z
Градиентный спуск, алгоритмический фундамент глубокого обучения, по своей 
сущности прост и означает лишь многократное обновление параметров модели 
маленькими шагами в вычисленном направлении, что максимально улучшает 
подгонку модели.
z
z
Поверхность потерь модели иллюстрирует, насколько хорошо модель подогнана, 
для целой сетки значений параметров. Рассчитать поверхность потерь не всегда 
возможно из­за высокой размерности пространства параметров, но она очень 
наглядна и хорошо демонстрирует работу машинного обучения.
z
z
Одного плотного слоя вполне достаточно для решения некоторых простых задач 
и получения неплохих результатов на реальных задачах, связанных с ценами на 
недвижимость.

---

В этой главе
z

Что такое нелинейность и почему введение нелинейности в скрытые слои нейрон-
ной сети расширяет ее возможности и повышает точность предсказания.
z

Что такое гиперпараметры и как их подбирать.
z

Бинарная классификация с нелинейностью в выходном слое на примере выявле-
ния фишинговых сайтов.
z

Многоклассовая классификация и ее отличия от бинарной классификации на при-
мере набора данных «Ирисы Фишера».
В этой главе мы продолжим строить нейронные сети, основываясь на информации из 
главы 2, и научим их усваивать более сложные соответствия признаков меткам. Глав­
ным нашим усовершенствованием станет введение 
нелинейности
(nonlinearity) — 
такого соответствия входных данных выходным, которое нельзя описать простой 
взвешенной суммой входных элементов. Нелинейность серьезно расширяет возмож­
ности нейронных сетей по представлению данных и при правильном применении 
значительно повышает точность предсказаний во многих задачах. Для иллюстрации 
сказанного воспользуемся набором данных Boston­housing. Кроме того, в этой главе 
более подробно рассматриваются вопросы 
пере-
и 
недообучения
, благодаря чему 
вы узнаете, как обучить модели, которые не только будут демонстрировать хоро­
шие результаты на обучающих данных, но и давать высокую точность на данных, 
не встречавшихся им во время обучения, что и является в конечном счете главным 
показателем качества работы модели.
3
Вводим нелинейность: теперь 
не только взвешенные суммы

---

108