มูลนิธิ คณิตศาสตร์ แห่ง การ เรียน รู้ ที่ ยอด เยี่ยม: การ ค้น หา ฟังก์ชัน และ การ ทรง ตัว

การ เรียน รู้ ที่ มี ประสิทธิภาพ เป็น พื้น ฐาน หลัก ของ การ เรียน รู้ ของ เครื่องจักร ซึ่ง เกี่ยว ข้อง กับ การ ฝึก รุ่น โดย ใช้ ข้อมูล ที่ ติด ป้าย.

การ สูญ เสีย งาน ใน การ เรียน รู้ ที่ ทัน สมัย

การสูญเสียนั้นคํานวณค่าต่าง ๆ ระหว่างผลลัพธ์ที่คาดการณ์ไว้ ของโมเดลกับเครื่องหมายตัวเลข

ฟังก์ชัน สูญเสียทั่วไป รวมถึงการลดความผิดพลาด (MSE) สําหรับงานผิดพลาด และการสูญเสียการข้ามเวลาข้ามเวลา (Costtropy) สําหรับงานจําแนกประเภท

การ ทํา ให้ ความ สูญ เสีย เป็น รูป แบบ ชีวิต ที่ มี ค่า

การ ทํา แบบ นี้ แสดง ถึง ทิศ ทาง และ ความ สําคัญ ของ การ ปรับ เปลี่ยน ที่ จําเป็น เพื่อ ลด การ สูญ เสีย ระหว่าง การ ฝึก อบรม.

ตัวอย่างเช่น เกรเดียนของเอ็มซีเอ เทียบกับการทํานาย (hat {y} คือ (2(hot y)–y) โดย (y) เป็นชื่อจริง อนุพันธ์นี้นํากฎปรับปรุงในอัลกอริทึมเกรเดียน

การ มอง ใน แง่ ดี โดย ใช้ การ ทรง ตัว

การไล่ระดับความโปร่งแสงของอัลกอริทึมแบบแบบปรับค่าพารามิเตอร์ให้ทันสมัยได้โดยย้ายไปในทิศตรงข้ามกับค่าเกรเดียน โพรเซสนี้จะทําให้การทํางานสูญเสียน้อยที่สุด โดยการปรับปรุงความแม่นยําของโมเดลให้ถูกต้องมากขึ้นตามเวลา