Почему у Вас один слой свертки и одни пуллинга? Почему не два слоя свертки? Зачем делить на 255 значение каждого пикселя? Почему используете sequential? почему не используете другие возможности создания модели? Почему оптимизатор Адам именно? Почему у Вас 10 выходов в модели, почему не сделать один выход который сразу цифру давал бы предсказанную?
Почеум именно 5 эпох тут? model.fit(x_train, y_train, epochs=5) может она у Вас не обученная или уже переобученная?
Почему так сохраняете модель "model.save('my_model.keras')" ? Вы уверены что вы сохранили модель с лучшей точностью на 5 эпохе?
Почему не использовали аугментацию ? Зачем нужно строить свою модель, почему не взять уже готовую модель обученную и дообучить ее?
Дополните, пожалуйста, обязательно статью, очень много вопросов по статье.
Тема статьи не соответствует содержанию. Статья уж точне не должна называться "Введение...".
В статье сборная солянка, если хотели написать статью в стиле "Введение в..." нужно было бы начать так:
1) Вероятностное моделирование, применение принцыпов статистики к анализу данных;
2) Логистическая регрессия;
3) Наивный байеесовский алгоритм;
4) Ядерные методы
5) Деревья решений;
6) Случайные леса;
7) Градиентный бустинг;
8) Нейронные сети;
9) Отличительные черты глубокого обучения
10) Современное инструменты в ML по информации с Kaggle, с 2016 года по 23
11) Глубокое обучение.
Описать одиннадцать пунктов не углубляясь в них. Тогда бы читателю стало понятно что и откуда взялось в мире DS и почему на данный момент используют DL в некоторых задачах.
У Вас сборная солянка сразу же из глубокого обучения собранная не из лучших источников.
Упоминания о "биологическом" мозге сразу напомнило мне о научпоп статьях, где можно встретить эти сравнения и упоминания. Действительно часть идеи общих взята, но вернее считать метод - математическим инструментом для изучения представления данных.
Вы пишите "Искусственная нейронная сеть — это реляционная база данных...". Тут надо поподробнее. Конкретно в scikit-learn хранятся в объектах, которые по принципу напоминают словари. Если вы имеете ввиду HDF - иерархический формат данных. Он реализован на многомерных массивах.
Не вводите в заблуждение новичков заголовком, куча не точностей технических. Потом кто-нибудь на собес придет с скажет "Нейронная сеть - это база данных".
Сорян, респект и уважуха и поклонение продукту и все кто трудился, писал быстро, по душевному порыву, так что сорри за опечатки. Но надеюсь начинающим будет полезно.
Тут надо отметить, что вариант подключения не продовский, а для начинающих. Большие данные Postrgre и MS SQL дата инженеры не юзают, по крайней мере у нас. Но кстати как вариант хорошее подспорье для улучшения и разработки своего драйвера. Если сделать норм - будет мощно!
Да, согласен. Но статья студенческая, для прода не походит. Во многих универах требуются, вначале статьи указывал. Сам был студентом, стучался в свое время, но вот решил поделиться опытом.
Да, согласен. Статья для начинающих, не для коммерческого прода, вначале указал это. Тут статья подготовлена для CRUD приложухи с распред базой, во многих универах требуют. Так что статья больше студенческая, нежели для профи.
Там есть батчи (информация отправляется частями - батчами) в настройках, возможно дело в них. А вообще связанные серверы плохо работают с большим количеством данных и не очень эффективны. Поэтому, да с Вами полностью согласен, проблема актуальная.
Почему у Вас один слой свертки и одни пуллинга? Почему не два слоя свертки? Зачем делить на 255 значение каждого пикселя? Почему используете sequential? почему не используете другие возможности создания модели? Почему оптимизатор Адам именно? Почему у Вас 10 выходов в модели, почему не сделать один выход который сразу цифру давал бы предсказанную?
Почеум именно 5 эпох тут?
model.fit(x_train, y_train, epochs=5) может она у Вас не обученная или уже переобученная?
Почему не использовали аугментацию ? Зачем нужно строить свою модель, почему не взять уже готовую модель обученную и дообучить ее?Почему так сохраняете модель "model.save('my_model.keras')" ? Вы уверены что вы сохранили модель с лучшей точностью на 5 эпохе?
Дополните, пожалуйста, обязательно статью, очень много вопросов по статье.
Вы пытаетесь наскоком осилить сложные темы, что выдает очень сильно в Вас новичка в этой теме.
Рекомендую отложить DL и начать с самых базовых алгоритмов.
Обучение всегда начинается с Hello World,а вы пытаетесь сразу понять как работают Связанные списки, отсюда куча не точностей и недопонимания по теме.
Рекомендую Франсуа Школе, Эндрю трачу и А.Григорьева ну и статистику от П.Брюс, Э.Брюс и П.Гедек.
Тема статьи не соответствует содержанию. Статья уж точне не должна называться "Введение...".
В статье сборная солянка, если хотели написать статью в стиле "Введение в..." нужно было бы начать так:
1) Вероятностное моделирование, применение принцыпов статистики к анализу данных;
2) Логистическая регрессия;
3) Наивный байеесовский алгоритм;
4) Ядерные методы
5) Деревья решений;
6) Случайные леса;
7) Градиентный бустинг;
8) Нейронные сети;
9) Отличительные черты глубокого обучения
10) Современное инструменты в ML по информации с Kaggle, с 2016 года по 23
11) Глубокое обучение.
Описать одиннадцать пунктов не углубляясь в них. Тогда бы читателю стало понятно что и откуда взялось в мире DS и почему на данный момент используют DL в некоторых задачах.
У Вас сборная солянка сразу же из глубокого обучения собранная не из лучших источников.
Упоминания о "биологическом" мозге сразу напомнило мне о научпоп статьях, где можно встретить эти сравнения и упоминания. Действительно часть идеи общих взята, но вернее считать метод - математическим инструментом для изучения представления данных.
Вы пишите "Искусственная нейронная сеть — это реляционная база данных...". Тут надо поподробнее. Конкретно в scikit-learn хранятся в объектах, которые по принципу напоминают словари. Если вы имеете ввиду HDF - иерархический формат данных. Он реализован на многомерных массивах.
Не вводите в заблуждение новичков заголовком, куча не точностей технических. Потом кто-нибудь на собес придет с скажет "Нейронная сеть - это база данных".
Респект за код!
Сорян, респект и уважуха и поклонение продукту и все кто трудился, писал быстро, по душевному порыву, так что сорри за опечатки. Но надеюсь начинающим будет полезно.
Тут надо отметить, что вариант подключения не продовский, а для начинающих. Большие данные Postrgre и MS SQL дата инженеры не юзают, по крайней мере у нас. Но кстати как вариант хорошее подспорье для улучшения и разработки своего драйвера. Если сделать норм - будет мощно!
Да, согласен. Но статья студенческая, для прода не походит. Во многих универах требуются, вначале статьи указывал. Сам был студентом, стучался в свое время, но вот решил поделиться опытом.
Да, согласен. Статья для начинающих, не для коммерческого прода, вначале указал это. Тут статья подготовлена для CRUD приложухи с распред базой, во многих универах требуют. Так что статья больше студенческая, нежели для профи.
Там есть батчи (информация отправляется частями - батчами) в настройках, возможно дело в них. А вообще связанные серверы плохо работают с большим количеством данных и не очень эффективны. Поэтому, да с Вами полностью согласен, проблема актуальная.