د ماشین زده کړې په شرایطو کې د روزنې لپاره 80٪ وزن او د ارزونې لپاره 20٪ وزن تخصیص د ډیری فکتورونو پراساس یو ستراتیژیک پریکړه ده. د دې توزیع هدف د زده کړې پروسې د ښه کولو او د ماډل د فعالیت دقیق ارزونه ډاډمن کولو ترمنځ توازن ساتل دي. په دې ځواب کې، موږ به د دې انتخاب تر شا دلایلو ته پام وکړو او د ډیډاکټیک ارزښت چې دا وړاندیز کوي وپلټو.
د 80٪ روزنې او 20٪ ارزونې ویش تر شا دلیل درک کولو لپاره، د ماشین زده کړې اوو مرحلو پوهیدل خورا مهم دي. دا مرحلې، چې د معلوماتو راټولول، د معلوماتو چمتو کول، د ماډل روزنه، د ماډل ارزونه، د ماډل ټونینګ، د ماډل ځای پرځای کول، او د ماډل څارنه شامل دي، د ماشین زده کړې ماډلونو جوړولو لپاره یو جامع چوکاټ جوړوي.
لومړنی ګام، د معلوماتو راټولول، د ماډل روزلو لپاره د اړونده معلوماتو راټولول شامل دي. دا ډاټا بیا د معلوماتو چمتو کولو مرحله کې دمخه پروسس کیږي او چمتو کیږي. یوځل چې ډاټا چمتو شي، د ماډل روزنې مرحله پیل کیږي، چیرته چې ماډل د نمونو او اړیکو زده کولو لپاره د روزنې ډیټاسیټ سره مخ کیږي. د ماډل فعالیت بیا د ماډل ارزونې مرحله کې د جلا ډیټاسیټ په کارولو سره ارزول کیږي.
د روزنې لپاره د 80٪ وزن او ارزونې لپاره 20٪ وزن تخصیص کولو پریکړه د دې حقیقت څخه رامینځته کیږي چې روزنه لومړنی مرحله ده چیرې چې ماډل د معلوماتو څخه زده کوي. د روزنې په جریان کې، ماډل خپل داخلي پیرامیټونه تنظیموي ترڅو د روزنې ډیټاسیټ کې د اټکل شوي محصولاتو او حقیقي پایلو ترمنځ توپیر کم کړي. پدې پروسه کې د اصلاح کولو الګوریتمونو لکه تدریجي نزول په کارولو سره د ماډل پیرامیټرې په تکراري ډول تازه کول شامل دي.
روزنې ته د لوړ وزن په ټاکلو سره، موږ د ماډل وړتیا ته لومړیتوب ورکوو چې د معلوماتو څخه زده کړي او پیچلي نمونې ونیسي. د روزنې مرحله هغه ځای دی چیرې چې ماډل خپله پوهه ترلاسه کوي او د روزنې ډیټا سیټ څخه عمومي کوي ترڅو د نه لیدل شوي معلوماتو وړاندوینې وکړي. هرڅومره چې د روزنې ډیټا موډل سره مخ کیږي ، هومره ښه کولی شي زده کړي او عمومي کړي. له همدې امله، روزنې ته د ارزونې پروسې د پام وړ برخه وقف کول دا یقیني کوي چې ماډل د اغیزمنې زده کړې لپاره د روزنې ډیټا ته کافي توضیحات لري.
له بلې خوا، د ارزونې مرحله د نه لیدل شوي معلوماتو په اړه د ماډل فعالیت ارزولو کې مهم رول لوبوي. د ارزونې ډیټاسیټ، چې د روزنې ډیټاسیټ څخه جلا دی، د ریښتینې نړۍ سناریوګانو لپاره د پراکسي په توګه کار کوي. دا موږ ته اجازه راکوي چې دا معلومه کړو چې ماډل څومره ښه کولی شي خپل زده کړه نوي او نه لیدل شوي مثالونو ته عمومي کړي. د موډل د فعالیت ارزونه اړینه ده چې د هغې دقت، دقیقیت، یادولو، یا کوم بل اړوند میټریک اندازه کړئ، د ځانګړي ستونزې ډومین پورې اړه لري.
ارزونې ته ورکړل شوی 20٪ وزن ډاډ ورکوي چې ماډل په نه لیدل شوي معلوماتو باندې په کلکه ازمول شوی او د دې وړتیاو ریښتیني ارزونه وړاندې کوي. د ارزونې دا مرحله د ماډل په وړاندوینو کې د هر ډول احتمالي مسلو په څیر د اضافي فټینګ، کم فټینګ، یا تعصب په موندلو کې مرسته کوي. دا د فعالیت ښه کولو لپاره د هایپرپرامیټرونو او ماډل جوړښت ښه ټیوننګ هم وړوي.
د دې مفهوم د روښانه کولو لپاره، راځئ چې یو عملي مثال په پام کې ونیسو. فرض کړئ چې موږ د ماشین زده کړې ماډل روزو ترڅو د پیشو او سپي عکسونو طبقه بندي کړو. د روزنې مرحلې په جریان کې ، ماډل د لیبل شوي عکسونو لوی ډیټاسیټ تحلیل کولو سره د پیشو او سپي ځانګړتیاو ترمینځ توپیر زده کوي. هرڅومره چې موډل کولی شي ډیر عکسونه وروزل شي ، نو دا به د دوه ټولګیو ترمینځ په توپیر کې ښه شي.
یوځل چې روزنه بشپړه شي ، ماډل د جلا ډیټا سیټ په کارولو سره ارزول کیږي چې هغه عکسونه لري چې مخکې یې هیڅکله ندي لیدلي. د ارزونې دا مرحله د ماډل وړتیا ازموي چې خپل زده کړه عمومي کړي او په سمه توګه نوي، نه لیدل شوي عکسونه طبقه بندي کړي. د ارزونې لپاره د 20٪ وزن په تخصیص کولو سره، موږ ډاډ ترلاسه کوو چې د ماډل فعالیت په نه لیدل شوي معلوماتو باندې په بشپړه توګه ارزول کیږي، د دې د اغیزمنتیا یو باوري اندازه چمتو کوي.
د روزنې لپاره د 80٪ وزن او د ماشین زده کړې ارزونې لپاره 20٪ وزن ویش یو ستراتیژیک انتخاب دی چې هدف یې د زده کړې پروسې ښه کول دي پداسې حال کې چې د ماډل فعالیت دقیق ارزونه یقیني کول. د ارزونې پروسې د پام وړ برخې روزنې ته په وقف کولو سره، موږ د ماډل وړتیا ته لومړیتوب ورکوو چې د معلوماتو څخه زده کړي او پیچلي نمونې ونیسي. په ورته وخت کې، د ارزونې مرحله په سخته توګه د نه لیدل شوي معلوماتو په اړه ماډل ازموینه کوي، د دې وړتیاوو حقیقي ارزونه وړاندې کوي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/GCML د ګوګل بادل ماشین زده کړه:
- متن ته وینا (TTS) څه شی دی او دا څنګه د AI سره کار کوي؟
- د ماشین زده کړې کې د لوی ډیټاسیټونو سره کار کولو محدودیتونه څه دي؟
- ایا د ماشین زده کړه یو څه ډیالوژیکي مرسته کولی شي؟
- د TensorFlow د لوبې ډګر څه شی دی؟
- لوی ډیټاسیټ واقعیا څه معنی لري؟
- د الګوریتم د هایپرپرامیټرونو ځینې مثالونه څه دي؟
- د انسابل زده کړه څه ده؟
- څه که چیرې د ماشین زده کړې الګوریتم غوره نه وي او څنګه کولی شي ډاډ ترلاسه کړي چې سم انتخاب کړئ؟
- ایا د ماشین زده کړې ماډل د روزنې پرمهال څارنې ته اړتیا لري؟
- د عصبي شبکې پر بنسټ الګوریتم کې کارول شوي کلیدي پیرامیټونه کوم دي؟
نورې پوښتنې او ځوابونه په EITC/AI/GCML د ګوګل کلاوډ ماشین زده کړې کې وګورئ