Trong học sâu, "backpropagation" được sử dụng để làm gì?

Sự đánh đổi giữa độ phức tạp của mô hình và khả năng tổng quát hóa

Sự đánh đổi giữa độ chính xác và tốc độ của mô hình

Sự đánh đổi giữa việc học từ dữ liệu được gán nhãn và không được gán nhãn

Sự đánh đổi giữa việc sử dụng các thuật toán khác nhau

Việc chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

Việc xử lý và làm sạch dữ liệu trước khi đưa vào mô hình

Tạo ra các mô hình dự đoán từ dữ liệu

Đánh giá hiệu suất của mô hình trên dữ liệu kiểm tra

Quá trình tinh chỉnh các siêu tham số của mô hình để cải thiện hiệu suất

Quá trình xây dựng các đặc trưng mới từ dữ liệu ban đầu

Quá trình giảm kích thước của mô hình

Quá trình chia tập dữ liệu thành các phần riêng biệt để đánh giá mô hình

Regression

Classification

Clustering

Tất cả các phương án trên

Tạo ra các đặc trưng mới từ dữ liệu ban đầu

Chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

Chuẩn hóa dữ liệu đầu vào để đảm bảo mô hình hoạt động hiệu quả

Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

Đánh giá hiệu suất của mô hình trên tập dữ liệu huấn luyện

Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

Đo lường sai số giữa dự đoán và giá trị thực tế

Tất cả các phương án trên

Giảm số chiều của dữ liệu để giảm độ phức tạp của mô hình

Tăng số chiều của dữ liệu để cải thiện hiệu suất của mô hình

Chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

Tạo ra các đặc trưng mới từ dữ liệu ban đầu

Long Short-Term Memory

Linear Sequential Memory

Learning Stateful Memory

Layered Short-Term Memory

Chia tập dữ liệu thành tập huấn luyện và tập kiểm tra

Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

Đánh giá hiệu suất của mô hình và tối ưu hóa siêu tham số

Đánh giá độ chính xác của mô hình trên tập dữ liệu huấn luyện

Một loại mô hình học sâu

Một loại mô hình học có giám sát

Một thuật toán phân loại

Một phương pháp học không giám sát