Feature learning algorithms find th

Feature learning algorithms find the common patterns that are important to distinguish between classes and extract them automatically to be used in a classification or regression process. Feature learning can be thought of as Feature Engineering done automatically by algorithms. In deep learning, convolutional layers are exceptionally good at finding good features in images to the next layer to form a hierarchy of nonlinear features that grow in complexity (e.g. blobs, edges -> noses, eyes, cheeks -> faces). The final layer(s) use all these generated features for classification or regression (the last layer in a convolutional net is, essentially, multinomial logistic regression).

ผลลัพธ์ (ไทย) 1:

คุณลักษณะการเรียนรู้อัลกอริทึมค้นหารูปแบบทั่วไปที่สำคัญในการแยกแยะระหว่างเรียน และแยกโดยอัตโนมัติเพื่อใช้ในกระบวนการการจัดประเภทหรือถดถอย คุณลักษณะการเรียนรู้สามารถถือได้ว่า เป็นคุณลักษณะทางวิศวกรรมโดยอัตโนมัติโดยใช้อัลกอริทึม ในการเรียนรู้ลึก สลับลำดับข้อมูลชั้นที่มียอดในการหาคุณสมบัติที่ดีในรูปแบบลำดับชั้นของคุณลักษณะเชิงเส้นที่เติบโตในความซับซ้อนชั้นถัดไป (เช่น blobs ขอบ -> ดวงตา จมูก แก้ม -> ใบหน้า) Layer(s) สุดท้ายใช้สิ่งเหล่านี้สร้างขึ้นสำหรับการจัดประเภทหรือถดถอย (ชั้นสุดท้ายสุทธิสลับลำดับข้อมูลเป็น หลัก การถดถอยโลจิสติกก็ตาม)

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการเรียนรู้คุณลักษณะหารูปแบบทั่วไปที่มีความสำคัญที่จะแยกแยะระหว่างการเรียนและการสกัดพวกเขาโดยอัตโนมัติเพื่อนำมาใช้ในการจัดหมวดหมู่หรือถดถอยกระบวนการ การเรียนรู้คุณลักษณะที่สามารถจะคิดว่าเป็นวิศวกรรมคุณลักษณะทำโดยอัตโนมัติโดยขั้นตอนวิธีการ ในการเรียนรู้ลึกชั้นความสับสนเป็นสิ่งที่ดีเป็นพิเศษในการหาคุณสมบัติที่ดีในภาพไปยังชั้นถัดไปในรูปแบบลำดับชั้นของคุณสมบัติที่ไม่เป็นเชิงเส้นที่เจริญเติบโตในความซับซ้อน (เช่น blobs ขอบ -> จมูก, ดวงตา, ​​แก้ม -> ใบหน้า) ชั้นสุดท้าย (s) ใช้คุณสมบัติทั้งหมดเหล่านี้สร้างขึ้นสำหรับการจัดหมวดหมู่หรือการถดถอย (ชั้นสุดท้ายในสุทธิความสับสนเป็นหลักพหุนามถดถอยโลจิสติ)

ผลลัพธ์ (ไทย) 3:

คุณลักษณะการเรียนรู้ขั้นตอนวิธีการค้นหาแบบทั่วไปที่สำคัญมากที่จะแยกแยะระหว่างชั้นเรียนและสารสกัดจากพวกเขาโดยอัตโนมัติเพื่อใช้ในการจำแนกหรือเชิงกระบวนการ คุณลักษณะการเรียนรู้สามารถคิดเป็นวิศวกรรมคุณสมบัติทำได้โดยอัตโนมัติด้วยอัลกอริทึม ในการเรียนรู้ที่ลึก คอนชั้นจะโคตรดี ที่ค้นหาคุณลักษณะที่ดีในรูปชั้นต่อไปในรูปแบบลำดับชั้นของเส้นคุณลักษณะที่เติบโตในความซับซ้อน ( เช่น blobs , ขอบ - > จมูก , ตา , แก้ม - > หน้า ) ชั้นสุดท้าย ( s ) ใช้คุณสมบัติทั้งหมดเหล่านี้สร้างขึ้นเพื่อจำแนกหรือถดถอย ( ชั้นสุดท้ายในสุทธิขดเป็นหลัก , Multinomial Logistic Regression )