Image Classification?

どこにどんなイメージがありますか.認識/認識/認識/区分
コンピュータは画像をテンソル形式(3 D)と見なしているからです.
ターゲット:画像を入れるときに何がわかるか

デフォルトの使用方法
MLㅤㅤデータ-Approachデータの駆動を主とする

3正解(ラベル)

を3つ作成

機械学習アルゴリズムを用いて

を学習する

初めて子供に会った->正解予測

# 학습
def train(image, labels): #(데이터 이미지, 정답)
	return model

#예측
def predict(model, test_images): #(위에서 받은 모델, 새로운애)
	return test_labels			#예상 답 도출

/

Nearest Neighbor Classifier

제일 비효율ㅋ.. predict예측이 느리다. 감잡기 위해서만 이해하자
사례: 추천시스템, 페이스북search

train() O(1)모든 (image, labels) 다 메모함 -> model==train data 만들고predict() O(N)test_images가 들어오면, train data에서 가장 비슷한 애 선택. Distance 가장 작은 애つまり、勉強が速く、予測が遅いということです.

KNN : K-Nearest Neighbor

KNN
自分に近いK個のポイントを比較
K=通常奇数#スーパーパラメータ
Distanceメトリックもいろいろあります(Manhattan,Euclidean...)#hyperparametershyperparameters決定要因ex)KNNにおけるK,Distanceメトリックparameters学習可能要素.モデルで学習する要素.
ex)Linear ClassifierのW,b
Overfittingに最適

Low bias, High variance
トレーニングデータセットのノイズにより学習が困難になる.
ノイズを含むデータを学習します.

Kは小さいほど口を尖らせます.高分散、オーバーフィットの確率が高い
——Kが大きいほど遅い…

bias私たちが勉強した結果はどんな偏向性がありますか.varianceはどれだけ散布しましたか

HyperParametersをセットアップ!

K낮으면 train은 잘되지만, predict 불확실할수도 있음 사용하는 구조(이미지,텍스트etc)에 따라 결정해야 할수도 있음

여기서 training set은 (images, labels) > 학습함
test set은 (image)만 딱 있는거		> 얘의 label이 뭔지 예측

一番いい方法は?3つのデータに分かれます!
3つのtrainで勉強し、
validationセットに戻り、パフォーマンスの良いスーパーパラメータを設定すると、
最後にtest setの検査結果、ある程度の性能であることがわかりました.
Cross-Validation:複数のfoldに分割
あまり使わない…!Butはよく洗いました.
/

Linear Classifier

Data Driven Approachにもっと追加して、Parametric Approachです!(KNNより速い)

우리가 가지고 있는 데이터셋의 특징을 잘 학습할수있는 parameter를 두어서 사용
Neural Network(ex.AlexNet, ResNet)도 여러개의 Linear classifiers를 쌓아놓은것임!
- CNN,RNN..etc의 구조도 기본적으로 Wx+b 연산을 계속하는 것임

Wx+b 선을 그었을때, "이건 비행기다" 선의 위에 있으면 비행기O / 아래있으면 비행기X

f(x, W) = Wx (+b)

x:入力,W:パラメータ/weights
b:bias多様性サイクルを作成するため(グラフィックを描くと原点を通過しない)(通常はWに貼り付けて計算するだけ)


==

私が持っているデータを最も特徴的に表現する必要があります.
高い場合はハイライト、低い場合は低く

難点

Algebraic Viewpointに表示するように画像を展開すると、画像特徴

は反映されない.

のテンプレートでは、Visual Viewpointの下で矢印が指す写真のように2つの馬頭があるはずがありません.

は以下の動作に対してよくX
赤と青の分割が困難な部分

后でこれらがどのように解决するのなことを见ます!
=>また、Wパラメータが良好かどうかを見て、どのようにWを確定/更新します!>>loss func