Please enable JavaScript.

Coggle requires JavaScript to display documents.

REDES NEURAIS Conceitos fundamentais - Coggle Diagram

- - - - Características
        Simples
        
        Características
        mais abstradas
        
        Mapeamento a partir
        das característica
        
        Saída
- - - - Classificador Simples
        
        Vizinho mais próximo
        
        uso da distância
        
        desvantagens
        
        raramente usado sobre imagens brutas
        
        acurácia ruim durantes os testes
        
        distâncias entre imagens inteiras podem ser pouco intuitivas
    - - x e y são obtidas a partir de amostras de
        variáveis randômicas X e Y
      - Para predição, deseja-se conhecer pelo menos a distribuição condicional 𝑃(𝑌|𝑋), de
        forma que se possa determinar a distribuição dos alvos 𝑦 dada uma observação x
      - Modelo
        
        Uma aproximação 𝑃 (𝑌|𝑋) para a
        verdadeira distribuição 𝑃(𝑌|𝑋)
      - objetivo
        
        Construir modelos
        
        Computáveis (e talvez, simples e eficientes); e
        
        Capazes de fornecer predições próximas daquelas feitas pela verdadeira distribuição
      - tanto observações quanto alvos são tratados com amostras de variáveis randômicas no aprendizado estatístico
- - - - avalia a diferença (ou distância)
        entre a predição ^y e o dado y
      - Square Loss
    - - é a probabilidade logarítmica negativa de
        que todos os rótulos estejam corretos
      - equivale a minimizar a
        probabilidade correta como a
        perda em cada observação
        
        objetivo de obter um modelo
        de menor risco empírico
      - cross-entropy loss
      - A validação cruzada procura realizar uma série de avaliações, de modo a determinar a performance associada a um dado hiperparâmetro independentemente da maneira como os dados foram divididos em subconjuntos ou mesmo do conteúdo desses subconjuntos que são usados para treino e validação.
    - - Hinge Loss
      - usa a noção "margem máxima" para
        obter fronteiras com a maior
        distância dos dados
        
        diferença entre o score da
        classe correta e uma outra
        classe qualquer