مبانی یادگیری عمیق در متلب؛ داده، شبکه و ارزیابی

اول خروجی مطلوب را تعریف کن

می‌خواهی یک کلاس را تشخیص بدهی، یک مقدار پیوسته را تخمین بزنی یا آینده یک دنباله را پیش‌بینی کنی؟ این‌ها مسئله‌های یکسانی نیستند. شکل داده ورودی، لایه خروجی و معیار ارزیابی به پاسخ همین سؤال وابسته‌اند. بهتر است ابتدا یک مثال کوچک از ورودی و خروجی موردنظر را روی کاغذ بنویسی.

داده آموزش و داده ارزیابی را جدا نگه دار

شبکه در جریان آموزش پارامترهایش را با داده یادگیری تنظیم می‌کند. برای سنجیدن توان تعمیم باید داده‌ای داشته باشی که برای تنظیم وزن‌ها استفاده نشده باشد. اگر بارها روی داده آزمون تصمیم بگیری، آن مجموعه دیگر آزمون نهایی مستقلی نیست. برای داده زمانی، دسترسی به آینده را هم باید کنترل کنی.

سه مفهوم که به هم شبیه نیستند

از یک آزمایش کوچک و قابل تکرار شروع کن

یک خط مبنا بساز، یک تنظیم را تغییر بده و نتیجه را ثبت کن. اگر هم‌زمان معماری، داده و نرخ یادگیری را عوض کنی، معلوم نیست کدام تغییر مؤثر بوده است. نسخه نرم‌افزار، بذر تصادفی و روش تقسیم داده را همراه نتیجه نگه دار تا مقایسه معنی داشته باشد.

ارتباط این مباحث با دوره‌ها

برای برنامه‌نویسی عمومی و آشنایی اولیه با ابزارهای یادگیری ماشین، دوره جامع متلب را ببین. اگر هدف مشخصت پیش‌بینی داده‌های زمانی با LSTM است، دوره تخصصی آن مسیر مستقیم‌تری دارد. دوره LSTM را نباید آموزش جامع همه معماری‌های یادگیری عمیق، مانند CNN یا مدل‌های زبانی، در نظر گرفت.