Barbara
[ad_1]
L’importance des BONS diagrammes en apprentissage automatique
Si vous faites partie des millions de personnes qui ont essayé d’apprendre les réseaux de neurones, vous avez probablement vu des diagrammes du style de celui ci-dessus. Mais il y a un problème : ces diagrammes sont souvent confus, incomplets et parfois même incorrects. Ces diagrammes sont utilisés dans les cours en ligne sur l’apprentissage algorithmique, mais il est difficile de comprendre leur signification. Aaron Master et Doron Bergman proposent une approche constructive et novatrice pour enseigner et apprendre les réseaux de neurones à travers des BONS diagrammes. Les BONS diagrammes se composent d’opérations simples telles que l’ajout, la multiplication et l’entrée / sortie de données. Les symboles représentatifs peuvent être combinés pour former un diagramme qui donne une représentation fidèle et succincte des mathématiques sous-jacentes aux réseaux de neurones.
LES BARBARES DIAGRAMMES
Les diagrammes ci-dessus, que l’on retrouve souvent sur Internet en recherche d’images, sont la norme en matière de représentation des réseaux de neurones. Pourtant, lorsqu’ils sont utilisés à des fins pédagogiques, ces diagrammes sont confus et souvent trompeurs. Les élèves doivent prendre des notes écrites ou mentales pour comprendre la signification des informations manquantes telles que les biais. Les cours de l’apprentissage algorithmique comportent souvent des séquences où l’instructeur doit répéter plusieurs fois que le réseau ne fonctionne pas de la manière représentée dans le diagramme. Les auteurs conviennent que les réseaux de neurones ne doivent pas être enseignés à travers de tels diagrammes.
INTRODUCTION AUX BONS DIAGRAMMES
Les BONS diagrammes peuvent être construits à partir d’opérations simples comme la multiplication, l’ajout, la fonction d’activation et l’entrée / sortie de données. Ces symboles peuvent être combinés pour former des diagrammes précis appelés Generally Objective Observable Depiction diagrams (GOOD). Les diagrammes GOOD montrent clairement et efficacement les données immuables et les opérations entrantes et sortantes pour une représentation correcte et concise des mathématiques sous-jacentes du réseau neuronal.
SYMBOLISATION SIMPLIFIÉE
Les BONS diagrammes se distinguent des diagrammes traditionnels par leur convention en matière de symbolisation. Les données et leur direction sont représentées par des flèches tandis que les opérations sont représentées par des formes. Les auteurs recommandent également l’utilisation de symboles stylisés pour les fonctions d’activation telles que R pour ReLU ou S pour la fonction sigmoïde. Les BONS diagrammes sont plus compacts et faciles à utiliser que les diagrammes traditionnels.
DIAGRAMME DE RÉGRESSION LOGISTIQUE
Pour illustrer l’utilisation des BONS diagrammes, les auteurs présentent un exemple simple de régression logistique. Les entrées comprennent deux dimensions qui sont multipliées par des constantes uniques, puis la somme des deux est ajoutée à une constante appelée bias b. Cette somme est ensuite soumise à une fonction d’activation sigmoïde. Les valeurs sont nommées pour une meilleure compréhension du diagramme. Le diagramme présente une représentation claire de toutes les opérations du réseau neuronal pour ce cas simple.
CONCLUSION
Les auteurs proposent l’utilisation de BONS diagrammes pour une représentation claire, efficace et précise des opérations sous-jacentes aux réseaux de neurones. Les symboles sont simples et faciles à comprendre, ce qui les rend plus utiles que les diagrammes traditionnels souvent confus et incompréhensibles. Les BONS diagrammes peuvent également inspirer de nouvelles méthodes d’enseignement pour faciliter l’apprentissage algorithmique pour tous.
[ad_2]
