Yerleştirme, yüksek boyutlu vektörleri çevirebileceğiniz, nispeten düşük boyutlu bir alandır. Katıştırmalar, kelimeleri temsil eden seyrek vektörler gibi büyük girişler üzerinde makine öğrenimi yapmayı kolaylaştırır. İdeal olarak, yerleştirme, semantik olarak benzer girişleri yerleştirme alanına yakın bir şekilde yerleştirerek girişin semantiğinin bir kısmını yakalar. Yerleştirme öğrenilebilir ve tüm modellerde yeniden kullanılabilir.
Yerleştirme
Ortak Çalışma Filtrelemeden Motivasyon
- Giriş: 500.000 kullanıcının izlemeyi seçtiği 1.000.000 film
- Görev: Kullanıcılara film önerme
Bu sorunu çözmek için hangi filmlerin birbirine benzediğini belirlemek üzere bir yöntem gerekir.
Filmleri Benzerliğe Göre Organize Etme (1 gün)
Filmleri Benzerliğe Göre Organize Etme (2g)
İki Boyutlu Yerleştirme
İki Boyutlu Yerleştirme
D Boyutlu Gömmeler
- Kullanıcının filmlere olan ilgisinin kabaca d özelliklerine göre açıklanabileceği varsayılır
- Her film, d boyutundaki değerin filmin ilgili boyuta ne kadar sığdığını temsil ettiği d boyutlu bir nokta haline gelir
- Yerleştirme, verilerden öğrenilebilir
Derin Ağda Yerleştirmeleri Öğrenme
- Ayrı bir eğitim sürecine gerek yoktur. Yerleştirme katmanı, her boyut için bir birim içeren gizli bir katmandır
- Gözetimli bilgiler (ör. kullanıcılar aynı iki filmi izledi) öğrenilen yerleştirmeleri istenen göreve uygun hale getiriyor
- Gizli birimler sezgisel olarak, nihai hedefi en iyi şekilde optimize etmek için d boyutlu alandaki öğeleri nasıl düzenleyeceğini keşfeder
Giriş temsili
- Her örnek (bu matristeki bir satır) kullanıcının izlediği az özellikli özellikler (filmler) vektörüdür
- Bu örneğin yoğun temsili: (0, 1, 0, 1, 0, 0, 0, 1)
Alan ve zaman açısından verimli değildir.
Giriş temsili
- Her özelliği 0, ..., # filmden bir tam sayı ile eşleyen bir sözlük oluşturun - 1
- Seyrek vektörü verimli bir şekilde yalnızca kullanıcının izlediği filmler olarak temsil edin. Bu şu şekilde temsil edilebilir:
Derin Ağa Yerleştirme Katmanı
Ev fiyatlarının tahmin edilmesiyle ilgili regresyon sorunu:
Derin Ağa Yerleştirme Katmanı
Ev fiyatlarının tahmin edilmesiyle ilgili regresyon sorunu:
Derin Ağa Yerleştirme Katmanı
Ev fiyatlarının tahmin edilmesiyle ilgili regresyon sorunu:
Derin Ağa Yerleştirme Katmanı
Ev fiyatlarının tahmin edilmesiyle ilgili regresyon sorunu:
Derin Ağa Yerleştirme Katmanı
Ev fiyatlarının tahmin edilmesiyle ilgili regresyon sorunu:
Derin Ağa Yerleştirme Katmanı
Ev fiyatlarının tahmin edilmesiyle ilgili regresyon sorunu:
Derin Ağa Yerleştirme Katmanı
El yazısıyla bir basamağı tahmin etmek için çok sınıflı sınıflandırma:
Derin Ağa Yerleştirme Katmanı
El yazısıyla bir basamağı tahmin etmek için çok sınıflı sınıflandırma:
Derin Ağa Yerleştirme Katmanı
El yazısıyla bir basamağı tahmin etmek için çok sınıflı sınıflandırma:
Derin Ağa Yerleştirme Katmanı
El yazısıyla bir basamağı tahmin etmek için çok sınıflı sınıflandırma:
Derin Ağa Yerleştirme Katmanı
El yazısıyla bir basamağı tahmin etmek için çok sınıflı sınıflandırma:
Derin Ağa Yerleştirme Katmanı
El yazısıyla bir basamağı tahmin etmek için çok sınıflı sınıflandırma:
Derin Ağa Yerleştirme Katmanı
El yazısıyla bir basamağı tahmin etmek için çok sınıflı sınıflandırma:
Derin Ağa Yerleştirme Katmanı
Önerilecek filmleri tahmin etmek için Ortak Çalışma Filtreleme:
Derin Ağa Yerleştirme Katmanı
Önerilecek filmleri tahmin etmek için Ortak Çalışma Filtreleme:
Derin Ağa Yerleştirme Katmanı
Önerilecek filmleri tahmin etmek için Ortak Çalışma Filtreleme:
Derin Ağa Yerleştirme Katmanı
Önerilecek filmleri tahmin etmek için Ortak Çalışma Filtreleme:
Derin Ağa Yerleştirme Katmanı
Önerilecek filmleri tahmin etmek için Ortak Çalışma Filtreleme:
Derin Ağa Yerleştirme Katmanı
Önerilecek filmleri tahmin etmek için Ortak Çalışma Filtreleme:
Derin Ağa Yerleştirme Katmanı
Önerilecek filmleri tahmin etmek için Ortak Çalışma Filtreleme:
Geometrik Görünüme Karşılık
Derin Ağ
- Gizli birimlerin her biri bir boyuta (gizli özellik) karşılık gelir
- Film ve gizli katman arasındaki kenar ağırlıkları koordinat değeridir
Tek bir film yerleştirmenin geometrik görünümü
Kaç Yerleştirilmiş Öğenin Bulunduğunu Seçme
- Daha büyük boyutlu yerleştirmeler, giriş değerleri arasındaki ilişkileri daha doğru şekilde temsil edebilir
- Ancak daha fazla boyut kullanılması, aşırı uygun olma ihtimalini artırır ve eğitim sürecini yavaşlatır
- Genel kural (iyi bir başlangıç noktasıdır ancak doğrulama verileri kullanılarak ayarlanmalıdır): $$ dimensions \approx \sqrt[4]{possible\;values} $$
Araç olarak yerleştirme
- Harita öğelerinin (ör. filmler, metin, vb.) benzer boyutlu öğelerin birbirine yakın olacağı şekilde, düşük boyutlu gerçek vektörlere yerleştirilmesi
- Yerleştirme, anlamlı bir benzerlik metriği oluşturmak için yoğun veriler (ör. ses) kullanılarak da uygulanabilir
- Çeşitli veri türlerini (ör. metin, resimler, ses vb.) birlikte yerleştirmek, bunlar arasındaki benzerliği tanımlar