गहरी शिक्षा बनाम निर्णय के पेड़ और बढ़ावा देने के तरीके


18

मैं ऐसे पत्रों या ग्रंथों की तलाश कर रहा हूं, जिनकी तुलना और चर्चा (अनुभवजन्य या सैद्धांतिक रूप से):

साथ में

विशेष रूप से, क्या किसी को ऐसे पाठ के बारे में पता है जो गति, सटीकता या अभिसरण के संदर्भ में एमएल विधियों के इन दो ब्लॉकों की चर्चा या तुलना करता है? इसके अलावा, मैं ऐसे ग्रंथों की तलाश कर रहा हूं जो दूसरे ब्लॉक में मॉडल या विधियों के बीच अंतर (जैसे कि पेशेवरों और विपक्ष) को समझाते हैं या संक्षेप करते हैं।

इस तरह की तुलनाओं को संबोधित करने वाले किसी भी बिंदु या उत्तर की बहुत सराहना की जाएगी।

जवाबों:


1

क्या आप उन डेटा के प्रकारों के बारे में अधिक विशिष्ट हो सकते हैं जिन्हें आप देख रहे हैं? यह भाग में यह निर्धारित करेगा कि किस प्रकार का एल्गोरिथ्म सबसे तेजी से अभिसरण करेगा।

मुझे यह भी पता नहीं है कि बूस्टिंग और डीएल जैसे तरीकों की तुलना कैसे की जाती है, क्योंकि बूस्टिंग वास्तव में सिर्फ तरीकों का एक संग्रह है। बूस्टिंग के साथ आप किस अन्य एल्गोरिदम का उपयोग कर रहे हैं?

सामान्य तौर पर, डीएल तकनीकों को एनकोडर / डिकोडर्स की परतों के रूप में वर्णित किया जा सकता है। सिग्नल को एन्कोडिंग करके, सिग्नल को डीकोडिंग करके, फिर पुनर्निर्माण त्रुटि को मापकर, प्रत्येक परत को पहले से प्रशिक्षित करके अनपर्वलाइज्ड प्री-ट्रेनिंग का काम करता है। फिर ट्यूनिंग का उपयोग बेहतर प्रदर्शन प्राप्त करने के लिए किया जा सकता है (जैसे कि यदि आप स्टैकिंग-ऑटोएन्कोडर्स का उपयोग करते हैं तो आप बैक-प्रचार का उपयोग कर सकते हैं)।

डीएल सिद्धांत के लिए एक अच्छा प्रारंभिक बिंदु है:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.73.795&rep=rep1&type=pdf

साथ ही ये:

http://portal.acm.org/citation.cfm?id=1756025

(क्षमा करें, SPAM निस्पंदन प्रणाली के कारण अंतिम लिंक को हटाना पड़ा)

मैंने आरबीएम पर कोई जानकारी शामिल नहीं की, लेकिन वे बारीकी से संबंधित हैं (हालांकि व्यक्तिगत रूप से पहले समझने में थोड़ा मुश्किल है)।


धन्यवाद @f (x), मुझे (2 डी या 3 डी) पिक्सेल सेगमेंट या पैच के वर्गीकरण में दिलचस्पी है, लेकिन मैं मूल प्रश्न को यथासंभव सामान्य रखना चाहता था। यदि विभिन्न प्रकार के डेटासेट पर अलग-अलग तरीके सबसे अच्छा काम करते हैं, तो मुझे इन अंतरों को संबोधित करने में एक चर्चा में दिलचस्पी होगी।
Amelio Vazquez-Reina

1
आम तौर पर छवि प्रसंस्करण के संदर्भ में, डीएल विधियां फीचर एक्सट्रैक्टर्स के रूप में कार्य करेंगी जिन्हें तब वर्गीकरण करने के लिए एसवीएम के साथ जोड़ा जा सकता है। ये विधियाँ आमतौर पर SIFT, SURF और HOG जैसे हाथ से संचालित होने वाले दृष्टिकोणों की तुलना में हैं। डीएल तरीकों gated CRBMs, और ISA के साथ वीडियो के लिए बढ़ाया गया है। हाथ से चलने वाले तरीकों में HOG / HOF, HOG3d, और eSURF शामिल हैं (एक अच्छी तुलना के लिए वांग एट बोड 2009 देखें)।
उपयोगकर्ता 5268

1

महान प्रश्न! एडाप्टिव बूस्टिंग और डीप लर्निंग दोनों को संभाव्य लर्निंग नेटवर्क के रूप में वर्गीकृत किया जा सकता है। अंतर यह है कि "डीप लर्निंग" में विशेष रूप से एक या एक से अधिक "न्यूरल नेटवर्क" शामिल होते हैं, जबकि "बूस्टिंग" एक "मेटा-लर्निंग अल्गोरिथम" है जिसमें एक या एक से अधिक लर्निंग नेटवर्क की आवश्यकता होती है, जिसे कमजोर शिक्षार्थी कहा जाता है, जो "कुछ भी" (यानी) हो सकता है तंत्रिका नेटवर्क, निर्णय पेड़, आदि)। बूस्टिंग एल्गोरिथ्म अपने कमजोर सीखने वाले नेटवर्क में से एक या एक से अधिक लेता है जिसे "मजबूत शिक्षार्थी" कहा जाता है, जो समग्र शिक्षण नेटवर्क परिणामों (यानी माइक्रोसॉफ्ट के वायोला और जोन्स फेस डिटेक्टर, ओपनसीवी) को महत्वपूर्ण रूप से "बढ़ावा" दे सकता है।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.