باید بگویم ، با وجود اعتیاد به مواد مخدره در اطراف یادگیری ماشین ، بسیاری از افراد مستقیماً به سمت برنامه پرش می کنند بدون اینکه واقعاً درک کنند که چگونه کارها در پشت صحنه کار می کند. منبع: machinelearningmastery.com
یادگیری ماشین فقط مربوط به مدل های ساختمانی نیست. منبع: machinelearningmastery.com
گردش کار یادگیری ماشین به طور معمول شامل محاسبات عددی زیادی در قالب عملیات ریاضی و جبری بر روی داده های ذخیره شده به عنوان بردارهای بزرگ ، ماتریس ها یا حتی تانسور – همتایان ماتریس با سه یا چند بعد است. منبع: machinelearningmastery.com
مهندسی ویژگی یک فرآیند کلیدی در اکثر گردش کار تجزیه و تحلیل داده ها است ، به خصوص هنگام ساخت مدل های یادگیری ماشین. منبع: machinelearningmastery.com
این پست به سه قسمت تقسیم می شود. آنها عبارتند از: • درک تعبیه های کلمه ای • استفاده از تعبیه های کلمه ای از پیش داده شده • آموزش Word2Vec با Gensim • آموزش Word2Vec با Pytorch • تعبیه در مدل های ترانسفورماتور کلمات تعبیه شده کلمات را به عنوان بردارهای متراکم در یک … ادامه
مدل های یادگیری ماشین به طور فزاینده ای پیچیده شده اند ، اما این پیچیدگی اغلب به هزینه تفسیر می رسد. منبع: machinelearningmastery.com
کمیت یک استراتژی متداول است که برای مدل های یادگیری ماشین تولید ، به ویژه مدل های بزرگ و پیچیده اعمال می شود ، تا آنها را با کاهش دقت عددی پارامترهای مدل (وزنه ها) سبک کند-معمولاً از نقطه شناور 32 بیتی تا نمایش های پایین تر مانند عدد صحیح 8 بیتی. منبع: machinelearningmastery.com
این پست به پنج قسمت تقسیم می شود. آنها عبارتند از: • توکن سازی ساده لوح • نشاط و لیماتیزاسیون • رمزگذاری جفت بایت (BPE) • کلمه قطعه • جمله و unigram ساده ترین شکل توکن سازی متن را بر اساس فضای سفید به نشانه ها می بخشد. منبع: machinelearningmastery.com
توسعه مدل یادگیری ماشین اغلب مانند پیمایش در پیچ و خم ، هیجان انگیز اما پر از پیچ و تاب ، بن بست و غرق شدن زمان احساس می شود. منبع: machinelearningmastery.com
در توسعه مدل یادگیری ماشین ، مهندسی ویژگی نقش مهمی را ایفا می کند زیرا داده های دنیای واقعی اغلب با سر و صدا ، مقادیر از دست رفته ، توزیع های کم رنگ و حتی قالب های متناقض همراه است. منبع: machinelearningmastery.com
