একটি এম্বেডিং একটি অপেক্ষাকৃত নিম্ন-মাত্রিক স্থান যেখানে আপনি উচ্চ-মাত্রিক ভেক্টর অনুবাদ করতে পারেন। এমবেডিংগুলি শব্দের প্রতিনিধিত্বকারী স্পার্স ভেক্টরের মতো বড় ইনপুটগুলিতে মেশিন লার্নিং করা সহজ করে তোলে। আদর্শভাবে, একটি এম্বেডিং এম্বেডিং স্পেসে একই ধরনের ইনপুটগুলিকে কাছাকাছি স্থাপন করে ইনপুটের কিছু শব্দার্থতত্ত্ব ক্যাপচার করে। একটি এমবেডিং শেখা এবং মডেল জুড়ে পুনরায় ব্যবহার করা যেতে পারে।
এমবেডিং
সহযোগিতামূলক ফিল্টারিং থেকে প্রেরণা
- ইনপুট: 1,000,000টি চলচ্চিত্র যা 500,000 ব্যবহারকারী দেখার জন্য বেছে নিয়েছে
- টাস্ক: ব্যবহারকারীদের সিনেমা সুপারিশ
এই সমস্যা সমাধানের জন্য কোন মুভিগুলো একে অপরের সাথে সাদৃশ্যপূর্ণ তা নির্ধারণ করার জন্য কিছু পদ্ধতি প্রয়োজন।
সাদৃশ্য দ্বারা চলচ্চিত্র সংগঠিত করা (1d)
সাদৃশ্য দ্বারা চলচ্চিত্র সংগঠিত করা (2d)
দ্বি-মাত্রিক এমবেডিং
দ্বি-মাত্রিক এমবেডিং
d-মাত্রিক এম্বেডিং
- ধরে নিই যে সিনেমার প্রতি ব্যবহারকারীর আগ্রহ মোটামুটিভাবে d দিক দিয়ে ব্যাখ্যা করা যেতে পারে
- প্রতিটি মুভি একটি d-মাত্রিক বিন্দুতে পরিণত হয় যেখানে d-এর মানটি চিত্রটি সেই দিকটির সাথে কতটা মানানসই হয় তা প্রতিনিধিত্ব করে
- এম্বেডিং ডেটা থেকে শেখা যায়
একটি গভীর নেটওয়ার্কে এমবেডিং শেখা
- কোন পৃথক প্রশিক্ষণ প্রক্রিয়ার প্রয়োজন নেই -- এম্বেডিং স্তরটি শুধুমাত্র একটি লুকানো স্তর যার প্রতি মাত্রা প্রতি একক
- তত্ত্বাবধানে থাকা তথ্য (যেমন ব্যবহারকারীরা একই দুটি সিনেমা দেখেছেন) পছন্দসই কাজের জন্য শেখা এমবেডিংগুলিকে টেইলার করে
- স্বজ্ঞাতভাবে লুকানো ইউনিটগুলি আবিষ্কার করে যে কীভাবে ডি-ডাইমেনশনাল স্পেসে আইটেমগুলিকে চূড়ান্ত উদ্দেশ্যকে সর্বোত্তমভাবে অপ্টিমাইজ করতে হয়।
ইনপুট প্রতিনিধিত্ব
- প্রতিটি উদাহরণ (এই ম্যাট্রিক্সের একটি সারি) বৈশিষ্ট্যগুলির একটি স্পার্স ভেক্টর (চলচ্চিত্র) যা ব্যবহারকারী দেখেছেন
- এই উদাহরণের ঘন উপস্থাপনা যেমন: (0, 1, 0, 1, 0, 0, 0, 1)
স্থান এবং সময়ের পরিপ্রেক্ষিতে দক্ষ নয়।
ইনপুট প্রতিনিধিত্ব
- প্রতিটি বৈশিষ্ট্যকে 0, ..., # চলচ্চিত্র - 1 থেকে একটি পূর্ণসংখ্যাতে ম্যাপিং একটি অভিধান তৈরি করুন৷
- স্পার্স ভেক্টরকে দক্ষতার সাথে উপস্থাপন করে ঠিক যেমন ব্যবহারকারী দেখেছেন সিনেমাগুলি। এই হিসাবে প্রতিনিধিত্ব করা যেতে পারে:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
বাড়ির বিক্রয় মূল্যের পূর্বাভাস দিতে রিগ্রেশন সমস্যা:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
বাড়ির বিক্রয় মূল্যের পূর্বাভাস দিতে রিগ্রেশন সমস্যা:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
বাড়ির বিক্রয় মূল্যের পূর্বাভাস দিতে রিগ্রেশন সমস্যা:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
বাড়ির বিক্রয় মূল্যের পূর্বাভাস দিতে রিগ্রেশন সমস্যা:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
বাড়ির বিক্রয় মূল্যের পূর্বাভাস দিতে রিগ্রেশন সমস্যা:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
বাড়ির বিক্রয় মূল্যের পূর্বাভাস দিতে রিগ্রেশন সমস্যা:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
একটি হাতে লেখা অঙ্কের ভবিষ্যদ্বাণী করার জন্য মাল্টিক্লাস শ্রেণীবিভাগ:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
একটি হাতে লেখা অঙ্কের ভবিষ্যদ্বাণী করার জন্য মাল্টিক্লাস শ্রেণীবিভাগ:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
একটি হাতে লেখা অঙ্কের ভবিষ্যদ্বাণী করার জন্য মাল্টিক্লাস শ্রেণীবিভাগ:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
একটি হাতে লেখা অঙ্কের ভবিষ্যদ্বাণী করার জন্য মাল্টিক্লাস শ্রেণীবিভাগ:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
একটি হাতে লেখা অঙ্কের ভবিষ্যদ্বাণী করার জন্য মাল্টিক্লাস শ্রেণীবিভাগ:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
একটি হাতে লেখা অঙ্কের ভবিষ্যদ্বাণী করার জন্য মাল্টিক্লাস শ্রেণীবিভাগ:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
একটি হাতে লেখা অঙ্কের ভবিষ্যদ্বাণী করার জন্য মাল্টিক্লাস শ্রেণীবিভাগ:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
প্রস্তাবিত সিনেমাগুলির পূর্বাভাস দিতে সহযোগী ফিল্টারিং:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
প্রস্তাবিত সিনেমাগুলির পূর্বাভাস দিতে সহযোগী ফিল্টারিং:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
প্রস্তাবিত সিনেমাগুলির পূর্বাভাস দিতে সহযোগী ফিল্টারিং:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
প্রস্তাবিত সিনেমাগুলির পূর্বাভাস দিতে সহযোগী ফিল্টারিং:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
প্রস্তাবিত সিনেমাগুলির পূর্বাভাস দিতে সহযোগী ফিল্টারিং:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
প্রস্তাবিত সিনেমাগুলির পূর্বাভাস দিতে সহযোগী ফিল্টারিং:
একটি গভীর নেটওয়ার্কে একটি এমবেডিং স্তর
প্রস্তাবিত সিনেমাগুলির পূর্বাভাস দিতে সহযোগী ফিল্টারিং:
জ্যামিতিক দৃশ্যের সাথে সঙ্গতি
গভীর নেটওয়ার্ক
- লুকানো ইউনিটগুলির প্রতিটি একটি মাত্রার (সুপ্ত বৈশিষ্ট্য) অনুরূপ
- একটি মুভি এবং লুকানো স্তরের মধ্যে প্রান্তের ওজন হল সমন্বয় মান
একটি একক মুভি এমবেডিংয়ের জ্যামিতিক দৃশ্য
কতগুলি এমবেডিং ডিমস নির্বাচন করা হচ্ছে
- উচ্চ-মাত্রিক এম্বেডিং ইনপুট মানগুলির মধ্যে সম্পর্ককে আরও সঠিকভাবে উপস্থাপন করতে পারে
- কিন্তু আরো মাত্রা অতিরিক্ত ফিটিং এর সুযোগ বাড়ায় এবং ধীর প্রশিক্ষণের দিকে নিয়ে যায়
- অভিজ্ঞতামূলক নিয়ম-অনুষ্ঠান (একটি ভাল সূচনা পয়েন্ট কিন্তু বৈধতা ডেটা ব্যবহার করে টিউন করা উচিত): $$ dimensions \approx \sqrt[4]{possible\;values} $$
একটি টুল হিসাবে এমবেডিং
- এম্বেডিং ম্যাপ আইটেমগুলি (যেমন চলচ্চিত্র, পাঠ্য,...) নিম্ন-মাত্রিক বাস্তব ভেক্টরগুলিতে এমনভাবে যাতে অনুরূপ আইটেম একে অপরের কাছাকাছি থাকে
- একটি অর্থপূর্ণ মিল মেট্রিক তৈরি করতে ঘন ডেটাতে (যেমন অডিও) এমবেডিং প্রয়োগ করা যেতে পারে
- যৌথভাবে বিভিন্ন ধরনের ডেটা এম্বেড করা (যেমন পাঠ্য, ছবি, অডিও, ...) তাদের মধ্যে একটি সাদৃশ্য নির্ধারণ করে