JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III
Продвинутые 
возможности глубокого 
обучения с TensorFlow.js
Если вы прочитали части I и II, то уже знакомы с основами глубокого обучения на 
TensorFlow.js. Часть III предназначена для тех пользователей, кто хотел бы лучше по-
нять, что такое глубокое обучение, и овладеть его методиками. В главе 6 обсуждаются 
методики ввода и обработки, преобразования и работы с данными в контексте машинного 
обучения. В главе 7 описываются инструменты визуализации данных и моделей. В главе 8 
мы сосредоточим внимание на важных проблемах недообучения и переобучения, а также 
способах их эффективного решения. Далее представим универсальный технологический 
процесс машинного обучения. В главах 9–11 обсуждаются практические вопросы трех 
продвинутых сфер глубокого обучения: последовательностей моделей, ориентирован-
ных на обработку, генеративных моделей и обучения с подкреплением соответственно. 
В этих главах вы познакомитесь с наиболее интересными функциями глубокого обучения.

---

В этой главе
z

Обучение моделей на больших наборах данных с помощью API 
tf.data
.
z

Исследование данных: поиск и исправление потенциальных проблем.
z

Повышение качества модели за счет создания новых псевдопримеров данных 
с помощью дополнения данных.
Нынешней революцией машинного обучения мы во многом обязаны широкой до­
ступности больших массивов данных. Без свободного доступа к большим объемам 
высококачественных данных такое взрывное развитие сферы машинного обучения 
было бы невозможно. Наборы данных сейчас доступны по всему Интернету, они сво­
бодно распространяются на таких сайтах, как Kaggle и OpenML, равно как и эталоны 
современных уровней производительности. Целые отрасли машинного обучения 
продвигаются вперед прежде всего за счет доступности «трудных» наборов данных, 
задавая планку и эталон для всего сообщества машинного обучения
1
. Если считать, 
что развитие машинного обучения — «космическая гонка» нашего времени, то дан­
ные можно считать «ракетным топливом»
2
благодаря их большому потенциалу, цен­
ности, гибкости и критической важности для работы систем машинного обучения. 
1 
Как, например, ImageNet привел к развитию сферы распознавания объектов или конкурс 
Netflix — сферы коллаборативной фильтрации.
2 
Эта аналогия взята из статьи: 
Dumbill E.
Big Data Is Rocket Fuel // Big Data. Vol. 1. No. 2. 
Pp. 71–72.
6
Работа с данными

---