Глубокое обучение и машинное обучение меняют то, как мы видим мир. Эти два слова помогают новым компаниям создавать новые продукты, облегчающие жизнь людей. Машинное обучение - это то же самое, что и новорожденный ребенок, в этом случае ребенок является моделью, и новорожденный ребенок, и модель сначала ничего не знают, но когда мы даем им данные, которые они начинают изучать, они начинают узнавать паттерны, но единственное различие между ними состоит в том, что новорожденному ребенку требуется меньше времени и меньше данных, чем модели.
В этом посте я расскажу вам, как я обучил свою модель с помощью набора данных каннада. Чтобы обучить модель, вы должны знать, о чем ваш набор данных, и под этим я не имею в виду набор данных каннада, это означает, что вы должны знать, откуда пришел ваш набор данных, а также знать, является ли это смещенным набором данных ( охватывающий только определенный тип слов или букв) или нет.
Набор данных: https://www.kaggle.com/c/Kannada-MNIST/data
Импорт соответствующих библиотек
Первым шагом к решению каждой проблемы машинного обучения является импорт соответствующих библиотек, необходимых для решения этой проблемы. Для этой проблемы вам необходимо импортировать соответствующие библиотеки.
Подготовка данных
Всякий раз, когда вы готовите данные или берете их из Интернета. Предположим, что всякий раз, когда вы выходите на вечеринку ночью после усталого рабочего дня в офисе, школе или колледже, вам нужно принять ванну, чтобы освежиться, а после этого вы готовитесь к вечеринке, например, духи и другие вещи, которые вы используете, чтобы хорошо выглядеть. . Подготовка данных такая же, как и вышеупомянутая аналогия, сначала мы собираем набор данных из общедоступных источников или из Интернета, а затем подготавливаем его в соответствии с нашей проблемой, например, удаляем нерелевантные вещи, настраиваем нулевые значения и другие вещи (это то же самое, что и получение готов перед вечеринкой), и после этого мы обучаем нашу модель на нашем подготовленном наборе данных (Идем на вечеринку).
Обучение ваших данных
Вы создаете свою собственную модель или можете использовать ту же модель, что и сам тензорный поток. Если у вас есть некоторые знания о том, как создать эффективную модель для вашего набора данных, то создание вашей собственной модели действительно работает лучше, но это не всегда так. Итак, здесь я сделал свою модель для тренировок.
После создания модели вам просто нужно скомпилировать модель и поместить ее в подготовленный набор данных. Это можно сделать в 4 строчки кода.
Модель Точность
Мы делаем все это с высочайшей точностью, потому что, если у вас нет наивысшей точности, очень высока вероятность того, что она не даст лучшего прогноза. Иногда для достижения максимального результата мы обучаем 5–6 моделей, а затем сравниваем их, чтобы увидеть, какая из них лучше. Модель - это не единственная причина, которая влияет на точность, гораздо более ответственны за это данные. Если мы получаем низкую точность, это означает, что наши данные содержат нерелевантные данные, или могут быть наши данные, которые содержат только некоторую группу людей, или многие другие факторы. Но в этой задаче мы получили точность около 99,5%, что означает, что всякий раз, когда наша модель что-то предсказывает, есть 99,5 шансов, что это будет правильно.
Ссылка на YouTube: https://youtu.be/0hEAWrPn8LE
Спасибо !!
