Hình 1 .6 Ví dụ về một số phép lọ c
Hình 1.16 Ví dụ về overfitting
Các hạn chế khác
Người học cũng có thể thất vọng vì “học nhầm bài”. Một ví dụ vềđồchơi là một bộ phân loại hình ảnh được đào tạo chỉ dựa trên hình ảnh của ngựa nâu và mèo đen có thể kết luận rằng tất cả các mảng màu nâu có khảnăng là ngựa. Một ví dụ trong thế giới thực là, không giống như con người, các nhà phân loại hình ảnh hiện tại thường khơng chủ yếu đưa ra phán đốn từ mối quan hệ khơng gian giữa các thành phần của hình ảnh và họ tìm hiểu mối quan hệ giữa các pixel mà con người khơng biết đến, nhưng điều đó vẫn tương quan với hình ảnh của một số loại vật thể thực. Việc sửa đổi các mẫu này trên một hình ảnh hợp pháp có thể dẫn đến các hình ảnh "đối nghịch" mà hệ thống phân loại sai.
1.2.3 Học sâu a. Định nghĩa a. Định nghĩa
Học sâu (còn được gọi là học có cấu trúc sâu) là một phần của họcác phương pháp học máy rộng hơn dựa trên mạng thần kinh nhân tạo với học đại diện. Việc học có thểđược giám sát, bán giám sát hoặc không giám sát.
Các kiến trúc học sâu như mạng thần kinh sâu, mạng tin cậy sâu, học tăng cường sâu, mạng thần kinh lặp lại và mạng thần kinh tích chập đã được áp dụng cho các lĩnh vực bao gồm thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, dịch máy, tin sinh học, thiết kế thuốc, phân tích hình ảnh y tế, kiểm tra vật liệu và các chương trình trị chơi trên bàn cờ, trong đó chúng đã tạo ra kết quả có thể so sánh được và trong một số trường hợp vượt qua hiệu suất chuyên gia của con người.
Tính từ "sâu" trong học sâu đề cập đến việc sử dụng nhiều lớp trong mạng. Nghiên cứu ban đầu cho thấy rằng một perceptron tuyến tính khơng thể là một bộ phân loại phổquát, nhưng một mạng có chức năng kích hoạt phi đơn thức với một lớp ẩn có chiều rộng khơng giới hạn thì có thể. Học sâu là một biến thể hiện đại liên quan đến sốlượng lớp có kích thước khơng giới hạn, cho phép ứng dụng thực tế và triển khai được tối ưu hóa, trong khi vẫn giữđược tính phổ qt lý thuyết.
16