tailieunhanh - Bài giảng Học sâu và ứng dụng: Bài 12 - ĐH Bách khoa Hà Nội

Bài giảng Học sâu và ứng dụng: Bài 12 Mô hình sinh dữ liệu, cung cấp cho người học những kiến thức như: Giới thiệu về mô hình sinh; Mô hình tự mã hóa Autoencoder; GANs. Mời các bạn cùng tham khảo! | 1 Bài 12 Mô hình sinh dữ liệu 2 Nội dung Giới thiệu về mô hình sinh Mô hình tự mã hóa Autoencoder GANs 3 Giới thiệu về mạng sinh dữ liệu 4 Đâu là mặt thật đâu là mặt giả http 5 Học giám sát và không giám sát Học giám sát Học không giám sát Real-time stereo Dữ liệu x y Dữ liệu x x là dữ liệu y là nhãn x là dữ liệu không nhãn Mục đích Học hàm số Mục đích Học một cấu để ánh xạ x y trúc ẩn hay một cấu Ví dụ Phân loại hồi trúc nền tảng nào đó quy phát hiện đối của dữ liệu tượng phân đoạn ngữ Ví dụ phân cụm giảm nghĩa dịch máy chiều 6 Mô hình sinh Mục đích Nhận đầu vào một tập mẫu huấn luyện sinh ra từ một phân bố nào đó và học một mô hình để có thể biểu diễn lại phân bố đó Làm sao để học pmodel x tương tự với pdata x 7 Tại sao cần mô hình sinh Vì nó có thể khám phá ra các thông tin ẩn nền tảng trong dữ liệu Sử dụng phân bố ẩn học được để sinh ra dữ liệu đa dạng và cân bằng hơn debias 8 Tại sao cần mô hình sinh Phát hiện ngoại lệ outlier Làm sao để phát hiện một sự kiện mới học hiếm xảy ra Sử dụng mô hình sinh để học phân bố dữ liệu từ đó xác định ngoại lệ dựa trên phân bố học được. 9 Mô hình tự mã hóa Autoencoder 10 Autoencoder Là mô hình không giám sát cho phép học biểu diễn đặc trưng với số chiều nhỏ hơn từ tập huấn luyện không có nhãn Encoder học ánh xạ từ dữ liệu x vào không gian ẩn z có số chiều thấp hơn 11 Autoencoder Làm sao để học không gian ẩn Huấn luyện mô hình sử dụng đặc trưng ẩn z để khôi phục lại dữ liệu gốc ban đầu Decoder ánh xạ đặc trưng ẩn z ngược trở lại để khôi phục thông tin dữ liệu đầu vào 12 Autoencoder Làm sao để học không gian ẩn Huấn luyện mô hình sử dụng đặc trưng ẩn z để khôi phục lại dữ liệu gốc ban đầu Hàm mục tiêu không cần nhãn 13 Số chiều không gian ẩn ảnh hưởng chất lượng khôi phục dữ liệu Autoencoder là một kiểu nén dữ liệu. Số chiều không gian ẩn càng nhỏ càng tạo ra nút thắt cổ chai bottleneck lớn khi huấn luyện 14 Autoencoders để học biểu diễn Các lớp ẩn thắt cổ chai ép mạng học biểu diễn ẩn nén thông tin dữ