📚 Derin Öğrenmede Diğer Stratejiler

➰ Çoklu Görev Öğrenmesi (Multi-Task Learning)

Kısaca: Bir NN'nin aynı anda birkaç şey yapmasını sağlamaya başlıyoruz ve sonra bu görevlerin her biri diğer tüm görevlere yardımcı oluyor 🚀

Başka bir deyişle: Diyelim ki 4 nesne sınıfını tespit etmek için bir algılayıcı kurmak istiyoruz, Her sınıf için 4 NN oluşturmak yerine, dört sınıfı tespit etmek için bir NN oluşturabiliriz 🤔 (Çıkış katmanı 4 birimlidir)

🤔 Ne zaman kullanılması pratiktir?

  • 🤳 Ortak alt seviye özelliklere sahip olmanın faydalarından yararlanabilecek görevlerle ilgili eğitim yapma durumunda

  • ⛱ Her görev için sahip olduğumuz veri miktarı oldukça benzer (bazen) ⛱

  • 🤗 Tüm görevlerde başarılı olmak için yeterince büyük bir NN eğitebilir (her görev için ayrı bir ağ kurmak yerine)

👓 Çoklu görev öğrenmesi, öğrenme aktarmasına göre daha az kullanılır

👀 Görselleştirme

🏴 End to End Deep Learning

  • Özetle, Çok sayıda işlem aşaması gerektiren bazı veri işleme sistemleri veya öğrenme sistemleri olduğundan,

  • End to end learning tüm bu çoklu aşamaları alabilir ve sadece tek bir NN ile değiştirebilir

👩‍🔧 Uzun lafın kısası: aynı NN ile büyük görevi alt küçük görevlere bölmek

➕ Avantajlar:

  • 🦸‍♀️ Verinin gücünü gösterir

  • ✨ İşleiyişin tasarımına daha az elle müdahele edilir

➖ Dezavantajlar:

  • 💔 Büyük miktarda veriye ihtiyaç olabilir

  • 🔎 Excludes potentially useful hand designed components

    • Çeviremedim 😢

🚩 Kullanma Kararını Verme İçin Talimatlar

Anahtar soru: x ile y arasında eşlemek için gereken karmaşıklığın bir fonksiyonunu öğrenmek için yeterli veriye sahip misin?

🔃 End to End Learning vs Aktarma Öğrenmesi

🌞 Yazının Aslı