Google Cloud Machine Learning-ийн хүрээнд хиймэл оюун ухааны чиглэлээр загваруудыг сургах нь сургалтын үйл явцыг оновчтой болгох, таамаглалын нарийвчлалыг сайжруулахын тулд янз бүрийн алгоритмуудыг ашиглах явдал юм. Ийм алгоритмуудын нэг нь Gradient Boosting алгоритм юм.
Gradient Boosting бол шийдвэрийн мод гэх мэт олон сул суралцагчдыг нэгтгэн урьдчилан таамаглах хүчирхэг загвар бий болгох хүчирхэг сургалтын арга юм. Энэ нь өмнөх загваруудын алдаан дээр анхаарлаа төвлөрүүлж, ерөнхий алдааг аажмаар бууруулдаг шинэ загваруудыг давтах замаар сургах замаар ажилладаг. Энэ үйл явц нь хангалттай нарийвчлалын түвшинд хүрэх хүртэл давтана.
Gradient Boosting алгоритмыг ашиглан загварыг сургахын тулд хэд хэдэн алхамыг дагаж мөрдөх шаардлагатай. Нэгдүгээрт, өгөгдлийн багцыг сургалтын багц болон баталгаажуулалтын багц болгон хуваах замаар бэлтгэх шаардлагатай. Сургалтын багц нь загварыг сургахад хэрэглэгддэг бол баталгаажуулалтын багц нь гүйцэтгэлийг үнэлэх, шаардлагатай тохируулга хийхэд ашиглагддаг.
Дараа нь Gradient Boosting алгоритмыг сургалтын багцад хэрэглэнэ. Алгоритм нь өгөгдөлд анхны загварыг тохируулахаас эхэлдэг. Дараа нь энэ загварт гарсан алдааг тооцоолж, эдгээр алдааг багасгахад чиглэсэн шинэ загварыг сургахад ашигладаг. Энэ процесс нь тодорхой тооны давталтаар давтагддаг бөгөөд шинэ загвар бүр нь өмнөх загваруудын алдааг улам багасгадаг.
Сургалтын явцад загварын гүйцэтгэлийг оновчтой болгохын тулд гиперпараметрүүдийг тохируулах нь чухал юм. Гиперпараметрүүд нь суралцах хурд, давталтын тоо, сул суралцагчдын нарийн төвөгтэй байдал зэрэг алгоритмын янз бүрийн талыг хянадаг. Эдгээр гиперпараметрүүдийг тохируулах нь загварын нарийн төвөгтэй байдал ба ерөнхий ойлголтын хоорондох оновчтой тэнцвэрийг олоход тусалдаг.
Сургалтын үйл явц дууссаны дараа бэлтгэгдсэн загварыг шинэ, үл үзэгдэх өгөгдөл дээр таамаглахад ашиглаж болно. Загвар нь сургалтын багцаас суралцсан бөгөөд шинэ тохиолдлуудад таамаглалаа нэгтгэх чадвартай байх ёстой.
Google Cloud Machine Learning-ийн хүрээнд хиймэл оюун ухааны чиглэлээр загваруудыг сургахдаа алдааг багасгаж, таамаглалын нарийвчлалыг сайжруулах загваруудыг давтах байдлаар сургах Gradient Boosting зэрэг алгоритмуудыг ашигладаг. Загварын гүйцэтгэлийг оновчтой болгохын тулд гиперпараметрийг тохируулах нь чухал юм. Дараа нь бэлтгэгдсэн загварыг шинэ өгөгдөл дээр таамаглахад ашиглаж болно.
Сүүлийн үеийн бусад асуулт, хариулт Машин сургалтанд ахиц дэвшил гаргах:
- Машин сургалтын явцад том өгөгдлийн багцтай ажиллахад ямар хязгаарлалт байдаг вэ?
- Машины сургалт нь харилцан ярианы тусламж үзүүлж чадах уу?
- TensorFlow тоглоомын талбай гэж юу вэ?
- Хүсэл эрмэлзэлтэй горим нь TensorFlow-ийн тархсан тооцооллын функцийг саатуулдаг уу?
- Google үүлэн шийдлүүдийг том өгөгдөлтэй ML загварыг илүү үр дүнтэй сургах үүднээс тооцоололыг хадгалах сангаас салгахад ашиглаж болох уу?
- Google Cloud Machine Learning Engine (CMLE) нь загварын сургалт дууссаны дараа нөөцийг автоматаар олж авах, тохируулах, мөн нөөцийг зогсоохыг санал болгодог уу?
- Машин сургалтын загваруудыг дур зоргоороо том өгөгдлийн багц дээр ямар ч саадгүй сургах боломжтой юу?
- CMLE-г ашиглах үед хувилбар үүсгэхэд экспортлогдсон загварын эх сурвалжийг зааж өгөх шаардлагатай юу?
- CMLE нь Google Cloud хадгалах сангийн датаг уншиж, дүгнэлт гаргахдаа тусгайлан бэлтгэгдсэн загварыг ашиглаж чадах уу?
- Tensorflow-ийг гүн мэдрэлийн сүлжээг (DNN) сургах, дүгнэлт хийхэд ашиглаж болох уу?
Бусад асуулт, хариултыг "Machine Learning-д ахиц дэвшил" хэсгээс үзнэ үү