Переобучение в нейронных сетях: просто о сложном | Как обнаружить и исправить | PyTorch для начин...

Добро пожаловать на курс «Учимся у доктора Джоти»! Почему нейронная сеть очень хорошо работает на обучающих данных, но плохо — на новых, ранее не встречавшихся данных? Ответ может заключаться в переобучении! В этом доступном для начинающих руководстве по глубокому обучению мы разберемся с переобучением на простых примерах из реальной жизни, кривых потерь на обучающей и валидационной выборках, а также с практическим кодом на PyTorch. Мы продолжим наш проект по классификации рака молочной железы и научимся определять, когда нейронная сеть запоминает обучающие данные вместо того, чтобы изучать закономерности, которые хорошо обобщаются. Что вы узнаете: • Что такое переобучение в нейронных сетях? • Понимание разницы между потерями на обучающей выборке и потерями на валидационной выборке • Как обнаружить переобучение с помощью кривых потерь • Что такое недообучение? • Недообучение, здоровое обучение и переобучение • Почему нейронные сети переобучаются? • Как разделить данные на обучающую, валидационную и тестовую выборки • Объяснение ранней остановки на примере • Визуальное объяснение Dropout • Снижение веса в PyTorch • Как больше данных и более простые модели могут помочь • Расчет потерь на валидационном наборе данных с помощью PyTorch • Построение кривых потерь на обучающем и валидационном наборах данных • Применение обнаружения переобучения к классификации рака молочной железы • Почему одной точности может быть недостаточно • Введение в точность, полноту, F1-меру и матрицу ошибок Практический пример PyTorch Мы будем использовать нашу существующую нейронную сеть для классификации рака молочной железы, используя такие признаки, как средний радиус и средняя текстура, чтобы понять, как потери на валидационном наборе данных помогают нам отслеживать производительность модели. Самый важный урок Уменьшение потерь на обучающем наборе данных не всегда означает, что ваша модель улучшается на неизвестных данных. Узнайте, как отслеживать производительность на валидационном наборе данных, распознавать возможное переобучение и выбирать подходящие методы для улучшения обобщения. Это видео идеально подходит для начинающих изучать машинное обучение, глубокое обучение, нейронные сети и PyTorch. ▶️Продолжить обучение Это видео является частью серии «Глубокое обучение для начинающих» на канале «Учимся с доктором Джоти».    • Deep Learning: Concepts, Intuition, Math &...   👍 Поставьте лайк видео 💬 Задавайте вопросы в комментариях 🔔 Подпишитесь на канал «Учимся с доктором Джоти», чтобы получать пошаговые уроки по машинному обучению, глубокому обучению, Python и практическому ИИ. Учитесь. Понимайте. Создавайте лучшие модели. #Переобучение #НейронныеСети #PyTorch #ГлубокоеОбучение #МашинноеОбучение #ПотериПриПроверке #Отсев #РанняяОстановка #УчимсяСДокторомДжоти