Как научиться выступать


Как научиться выступать перед публикой, если вы интроверт

Я стою на сцене, смотрю поверх голов сотен людей, не сводящих с меня глаз — они ждут, когда я начну говорить, скажу хоть что-нибудь, — и внутренний голос напоминает мне: «Ты неподходящий для этого человек».

Своим выступлением я открывал конференцию TEDx, и значит, я должен был задать тон всему мероприятию. Это огромная ответственность и вдобавок одно из самых важных выступлений в моей жизни. В любых других обстоятельствах я бы ответил своему внутреннему голосу: «Да, ты прав. Я не должен быть здесь. Я интроверт. Я редактор. Я не могу даже в разговоре с собственной женой закончить предложение, не подумав о том, что можно было бы сказать иначе».

Но, к счастью, я подготовился заранее. Подготовил не только речь, но и знал, как справиться с такими деструктивными порывами. Я знал, что нужно сказать, я верил в то, что собирался говорить, у меня был план на случай, если идеальные обстоятельства, в которых я готовился, не будут таковыми в реальности.

Сегодня я могу стоять на сцене перед тысячами людей и уверенно говорить о том, что я думаю. Если мне повезёт, несколько уловок и пара шуток окажутся не совсем провальными. Но так было не всегда.

Когда дело касается публичных выступлений, вся моя уверенность — это результат колоссальной работы, разочарований, холодного пота и неловких ситуаций. Но я рад такому опыту, потому что благодаря ему я здесь — и могу поделиться некоторыми уроками, как из перепуганного неуклюжего идиота превратиться в спокойного, уверенного оратора.

Это, возможно, самая важная часть статьи для вас — просто знать, что можно научиться выступать перед аудиторией. Вы не обязаны были родиться с таким умением.

Как поделиться своей идеей не только с маленькой компанией друзей, а рассказать о ней с большой сцены тысячам незнакомых людей — существует несколько уроков (многие из них от спикеров куда лучше меня, я должен добавить). Эти уроки изменили меня, превратили из застенчивого, заикающегося докладчика в уверенного и респектабельного. Я надеюсь, они помогут и вам донести до других свои собственные идеи.

1. Не рассказывайте о том, в чём вы не разбираетесь

Звучит как бесполезный, очевидный совет. Это не так. Если вы будете в совершенстве следовать ему, остальные пункты из этой статьи будут вам не особо нужны — вы и так сделаете всё хорошо.

Однажды, после нескольких речей, когда вы зарекомендуете себя как хорошего спикера, вам будут открываться возможности выступать где-то в далёких местах с приятными слуху названиями. Есть одна загвоздка — содержание. Возможно, вы зарекомендовали себя в качестве эксперта по брачным играм канареек, а тут получаете email с приглашением посетить конференцию и рассказать о мировых тенденциях в продажах скрепок для бумаг.

Вы должны поблагодарить за приглашение и вежливо отказаться.

Причина проста: вы не знаете, что сказать об этом. Даже если вы попытаетесь собрать информацию за короткое время, хорошей презентации всё равно не получится — вас не интересует сама тема. На самом деле вы не хотите говорить об этом и приглашающая сторона не заинтересована в том, чтобы вы выступили с хорошим рассказом. Просто им хочется, чтобы вы присутствовали на мероприятии, потому что они увидели ваше видео и подумали, что вы известная личность.

Поэтому такому простому совету трудно следовать. Вы новичок, вы хотите выделиться, кажется, что это отличная возможность для вас.

Если вы когда-нибудь покупали вещь с надеждой, что она будет работать так, а на деле она работает не так (вспомните о рекламном ролике, который подтолкнул вас к необдуманной покупке), то вы понимаете то разочарование, которое ожидает обе стороны с самого начала.

И не забывайте: вы не всегда получаете больше, если говорите «да». Если вы хотите быть всемирно известным экспертом по скрепкам, то вперёд. Но если у вас есть сообщение, которым хотите поделиться с миром, придерживайтесь его. Вы можете адаптировать своё сообщение, чтобы привлекать новую аудиторию, но никогда не отступайте от него.

2. Укажите в сценарии переходы и ничего больше

Если вы похожи на меня, внутри у вас есть строгий редактор, который сидит у вас на плече с красным маркером в руках и парой очков на носу, готовый небрежно бросить: «Двойка! И останься после уроков», — на каждое предложение, что вы произнесли. Неважно, что вы сказали: чувство, что можно было сказать лучше, никогда вас не покидает.

При подготовке презентации люди вроде нас обычно пишут сценарий или план. Когда пишешь сценарий, есть все шансы найти правильную формулировку.

Как писал древний китайский стратег и воин Сунь Цзы: «Ни один план не выдерживает первой встречи с противником». В этом и есть главная проблема детального плана. В нашем случае, конечно, никакого врага нет, но есть мир, полный неопределённости. Стоит только ступить на сцену, всё становится по-настоящему и нет второго дубля. Чем более детальный у вас сценарий, тем больше вероятность всё испортить. Когда вы новичок в мире публичных выступлений, стоять на сцене и пытаться вспомнить, что же там дальше — последняя вещь, которая вам нужна.

Так что же нужно делать вместо этого? Просто импровизировать? Не совсем.

В то время как детальный сценарий принесёт вам больше проблем, чем помощи, вам понадобится план другого сорта. Нужно отталкиваться от отправных точек в вашей истории (вы знаете, есть вещи, о которых не получится забыть, даже если сильно постараться) и записать моменты переходов от одной мысли к другой.

Хорошо работают личные истории, потому что:

  1. Аудитория их любит, они помогают наладить общение.
  2. Вам не нужно их записывать, потому что вы и так их помните.

Мы рассказываем друг другу истории так же долго, сколько являемся людьми. Так мы передавали информацию задолго до изобретения бумаги. Мы генетически запрограммированы помнить их (поэтому их легче преподносить), и, что ещё более важно, аудитория генетически запрограммирована их слушать (и становиться счастливее, слушая истории).

Так как одну и ту же историю можно свободно рассказывать каждый раз по-разному, вам не нужно записывать всё в точности до последнего слова. Хватит основных пунктов, обо всём остальном позаботятся ваши человеческие наклонности. Записанные основные пункты помогут связать истории между собой.

3. Практикуйтесь немного больше, чем вам нужно

Мой друг Крис Гиллибо (Chris Guillebeau), основатель и ведущий церемонии The World Domination Summit, в течение года каждый уикенд занимается тем, что произносит по меньшей мере 10 докладов во время переговоров. Иногда он рассказывает историю. В другой раз напоминает аудитории о 15 важных вещах, которые обсуждались до перерыва на ланч.

Как участник WDS и начинающий спикер, я однажды спросил у него: «Как ты вспоминаешь всё, что нужно сказать, причём в полном объёме, каждый раз, когда выходишь на сцену?» Я надеялся на секретный лайфхак, но его ответ — и это чистая правда — был самым обыкновенным: «Я много практикуюсь».

Теперь и я этим занимаюсь. И это работает. Всякий раз, когда мне предстоит произнести речь, я репетирую по меньшей мере 2–3 раза. Это требует времени, это зачастую скучно, приходится заниматься днями или неделями, и вам совсем не хочется практиковаться снова. Но вы делаете это не для себя. Вы делаете это для своей аудитории. Если вы хотите запомниться ей, придётся погрузиться в непривлекательную, скучную, однообразную работу.

4. Разбивайте свой доклад на части

Крис Гиллибо посоветовал не только много практиковаться. Также он упомянул, что работает над отдельными частями. Он пытается разбить свою презентацию на кусочки, а потом собирает их вместе.

Сейчас я делаю так же, и это уменьшает время на подготовку. Работая над частями, я могу разрабатывать и принимать решение о разных отрывках презентации параллельно. Если я спотыкаюсь на каком-то куске текста в середине (или, ещё хуже, в самом начале), мне не приходится ждать идеального рабочего состояния ничего не делая — я могу работать над другими частями, пока не утрясу вопрос с проблемной.

Быстрее заканчивайте свой доклад, больше времени практикуйтесь, до тех пор, пока это не войдёт в привычку. Ничто не влияет на уверенность больше, чем успех, и ничто не способствует успеху так, как постоянная практика.

Некоторые люди упражняются ровно столько, сколько нужно. Когда я говорю «практикуйтесь больше», я имею в виду, что репетировать надо больше, чем нужно.

5. Сбросьте скорость. Медленно спускайтесь

Общая проблема у всех интровертов вроде меня: если мы начали говорить, мы начинаем гнаться за мыслями, от которых пытались избавиться. Моя голова — это генератор идей, который постоянно движется вперёд. Мой рот, наоборот, говорит медленно, стараясь не совершить ошибку.

Но в один прекрасный момент вас прорывает, и вы выпускаете все накопившиеся мысли наружу. Пытаться поспеть за своим мозгом — то же, как если бы муравей пытался удерживать быка, мчащегося по склону горы. Но пытаться ускорить свою речь, чтобы произнести всё, что родилось в вашей голове, приводит к строго противоположному эффекту: вы начинаете заикаться, теряетесь, повторяетесь. Поэтому нервничаете ещё больше и отходите от запланированной речи.

Если ваша идея важна, то она заслуживает всего времени, которое необходимо, чтобы её выразить. Более полезный подход — думать медленнее. Не совсем медленно, конечно, скорее, с большей осторожностью.

Такая проблема появляется из-за небрежности: вы не связываете мысли друг с другом, а вместо этого начинаете скакать с одной на другую. Несколько скачков с дороги — и вы уже с трудом вспоминаете, где находитесь.

Зафиксироваться на одной мысли просто. Когда вы замечаете, что ваши мысли унесли вас далеко вперёд, просто вернитесь назад и повторите нужную идею.

6. Не теряйтесь!

Когда я готовился к выступлению на TEDx, я позвал своего друга Майка Паччионе (Mike Pacchione), специалиста по публичным выступлениям, чтобы тот указал мне на недостатки. Он поймал меня на том, что я часто отходил от темы.

Это происходит, когда идея, о которой ты говоришь, исчезает в никуда, и ты решаешь последовать за ней. Проблема в том, что блуждание в мыслях редко заканчивается на одной идее. Как только потеряешься один раз, продолжаешь все глубже проваливаться в кроличью нору.

Проблема не в том, что вы не можете рассказывать интересно, когда блуждаете, а в том, что стоит только начать блуждать, как вы совсем теряетесь. Как турист теряется в лесу? Он сходит на один шаг с тропы, чтобы посмотреть на растения. А потом: «О, грибы», — и ещё несколько шагов в сторону. «Хей, вон то дерево впереди выглядит здорово», — и только когда он решает вернуться обратно, осознаёт, что понятия не имеет, как это сделать.

Соблазн повитать в мыслях может быть высок, но потом очень сложно вернуться на правильный путь.

Есть два практических способа решения этой проблемы. Первый — следовать совету № 3 и много практиковаться. Чем больше ты практикуешься, тем больше собственных историй ты запоминаешь и знаешь, куда они могут привести. Другое решение заключается в том, что единственное, что может помочь, когда стоите на сцене и чувствуете, что уходите от темы, — это выбросить лишние мысли из головы.

Ваш мозг не хочет следовать за отвлечёнными мыслями, он хочет обдумать их. Лучший способ остаться на верном пути — напомнить себе, что вы можете их обдумать… но не прямо сейчас. Выбросите их из головы. Возможно, их можно будет использовать во время произнесения этого же доклада в будущем. Но, ради всего святого, не пытайтесь использовать их сейчас.

7. Придумайте успокаивающий ритуал

Моё сердце было готово пробить грудную клетку. Я чувствовал, что все мышцы напряжены, а поле зрения начинает сужаться. Дыхание стало учащаться. «Что происходит?» — спрашивал я себя. Я был на грани панической атаки. Мне нужно было сделать шаг на сцену, чтобы произнести самую важную речь в своей жизни, но единственное, о чём я мог думать, так это о том, что я собираюсь послать всё куда подальше. Это дало выход стрессовой реакции, и всё покатилось по наклонной.

К счастью, я был проинструктирован, что делать, если такое случится. Ванесса Ван Эдвардс (Vanessa Van Edwards), одна из величайших спикеров, которых я имел удовольствие знать, помогла мне подготовиться. Она поделилась, что сама тоже нервничает перед большими презентациями. Если бы она сама мне это не сказала, я бы никогда и не подумал.

Секрет, который она использует? Успокаивающая техника. У каждого хорошего оратора такая есть, и каждый хороший оратор знает, что придерживаться её необходимо, чтобы показать себя с лучшей стороны.

Что делает Ванесса: она находит тихое место, где за несколько минут до запланированного выхода на сцену выпрямляет спину, глубоко дышит и представляет успех.

Это может прозвучать немного глупо, но это на самом деле работает. Я и сам пользуюсь этим способом.

Перед важным событием для тела абсолютно нормально начать выделять много гормона стресса — кортизола. Мы становимся особо чувствительны к стрессовым ситуациям. Просто тысячи лет назад чувствовать стресс и не реагировать на него могло бы стоить вам жизни.

Сегодня такое случается нечасто — я не могу вспомнить сообщения о «смерти из-за нерешительности», — но наша биология не поспевает за нами. Ужасная ирония в том, что чем больше вы позволяете стрессу охватить себя, тем больше вероятность совершить ошибку и плохо выступить.

Поэтому, перед тем как выйти на сцену, проверьте себя и свой уровень стресса. Волнение — это нормально. А нервозность — плохо. Всегда приберегите для себя несколько минут перед выходом, чтобы успокоиться.

8. Когда ошибаетесь, продолжайте говорить

Я был большим фанатом телевизионного шоу «Отчёт Кольбера». Я редко пропускал даже эпизод. Это были одни из самых популярных «новостей» в прямом эфире на телевидении. Если вы смотрели это шоу, вы могли заметить, что Стивен путал слова практически в каждом эпизоде. Он мог построить фразу так, что она теряла смысл, мог пропустить слово или неправильно его произнести.

Но вы могли и не заметить этого, потому что внешне Кольберт никак не реагировал. Когда он допускал ошибку, он не запинался и не пытался исправить. Он просто продолжал говорить, потому что знал то, что должны запомнить все выступающие публично интроверты:

контекст важнее деталей.

Он мог допустить ошибку и даже не обратить на это никакого внимания. И этого никто не замечал, потому что никто не вслушивался в каждое произнесённое слово. Все слушали контекст.

Куда хуже, чем небольшая ошибка, — привлечение к ней внимания. Если вы запнулись, используйте своё чувство юмора, чтобы сгладить ситуацию. Отшутитесь и двигайтесь дальше.

9. Помните, что аудитория хочет, чтобы всё прошло успешно

Скорее всего, самый простой совет, который дают все подряд, помог мне научиться использовать все предыдущие советы в действии:

Всегда помните, что аудитория не желает вам провала.

Когда вы волнуетесь из-за предстоящего большого события, эта простая истина может легко забыться. Ваша аудитория не собирается прогонять вас со сцены. Она хочет узнать то, чему вы хотите их научить. Собравшиеся тратят своё время и, возможно, деньги, чтобы послушать вас. Люди не отдают своё время и деньги за плохой опыт. А как раз наоборот.

Когда вы нервничаете перед выступлением, легко подумать: «Что, если кому-то не понравится то, что я скажу?» Эта мысль начинает распространяться, и вскоре вы начнёте спрашивать себя: «Что, если все меня ненавидят?»

Такой образ мышления приводит к плохим выступлениям. Не думайте так. Не позволяйте себе сворачивать на эту дорогу, потому что в действительности аудитория на вашей стороне. Она хочет, чтобы у вас всё получилось. И, если вы будете следовать этим девяти советам, у вас будут все преимущества, чтобы быть на высоте.

Учимся проводить анализ настроений в Twitter | by Euge Inzaugarat

Анализ настроений, также называемый «анализ мнений», является полезным инструментом обработки естественного языка, который позволяет нам идентифицировать, количественно оценивать и изучать субъективную информацию. В связи с тем, что каждый день создается квинтиллион байтов данных, этот метод дает нам возможность извлекать атрибуты этих данных, такие как отрицательное или положительное мнение о предмете, а также информацию о том, о каком предмете идет речь и какие характеристики имеют лица или организации, выражающие это мнение.

Twitter становится все популярнее, и в настоящее время люди ежедневно используют его для выражения мнений по различным темам, таким как продукты, фильмы, музыка, политики, события, общественные мероприятия и другие. Каждый год выходит много фильмов, но если вы такой же фанат Marvel, как и я, вам, вероятно, не терпится наконец посмотреть новый фильм «Мстители». Лично я хочу знать, что люди думают по этому поводу.

Ранее мы обсуждали, как мы можем использовать Twitter API для потоковой передачи твитов и сохранения их в реляционной базе данных.Теперь мы будем использовать эту информацию для анализа настроений. Но перед этим следует кое-что учесть. Прежде всего, мы транслировали наши твиты, используя термин «Мстители», но без каких-либо дополнительных соображений. Очень вероятно, что у нас есть тысячи повторных твитов. С точки зрения анализа настроений, их обработка не принесет никакой дополнительной ценности и, наоборот, потребует больших вычислительных ресурсов. Итак, нам нужно получить доступ к базе данных и удалить повторяющиеся твиты, сохранив первое появление.Во-вторых, у нас есть немаркированная база данных. Чтобы модель училась во время обучения, мы должны указать, являются ли твиты положительными или отрицательными. Идеальным решением было бы вручную пометить набор данных, что очень точно, но требует много времени. Однако есть несколько альтернатив, таких как использование инструмента маркировки наборов данных с открытым исходным кодом, такого как Stanford CoreNLP .

Существует большое количество фреймворков, которые можно использовать для задач машинного обучения, однако мы собираемся использовать Keras , потому что он предлагает последовательные и простые API, минимизирует количество необходимых действий пользователя и, что более важно, его легко изучить и использовать.Мы также будем использовать Natural Language Toolkit (NLTK), который предоставляет множество корпусных и лексических ресурсов, которые пригодятся для тегов, синтаксического анализа и семантического анализа, а также Scikit-learn , который предоставляет полезные инструменты для интеллектуального анализа данных и анализа данных.

Готовы начать? Посмотрим, что Керас может узнать о Мстителях.

Прежде всего, нам нужно получить твиты, которые мы ранее сохранили в нашей базе данных PostgreSQL.Для этой цели мы собираемся воспользоваться sqlalchemy , набором инструментов Python SQL и Object Relational Mapper, которые позволят нам легко подключаться и запрашивать базу данных. Одной из характеристик sqlalchemy является то, что он включает в себя диалект (систему, которую он использует для связи с базами данных) реализации для наиболее распространенных баз данных, таких как MySQL, SQLite и PostgreSQL, среди других. Мы будем использовать функцию create_engine () , которая создает объект Engine на основе заданного URL-адреса базы данных, который обычно выглядит следующим образом: диалект + драйвер: // имя пользователя: пароль @host : порт / база данных .В нашем случае диалект - PostgreSQL, а драйвер - psycopg2. После создания объекта движка мы будем использовать функцию read_sql_query из модуля pandas , чтобы запросить базу данных, чтобы получить все данные, хранящиеся в нашей таблице tweet ('select * from tweet_table'), и собрать информацию, полученную в a DataFrame :

Прежде чем мы углубимся в анализ общественного мнения о «Мстителях», нам необходимо сделать важный шаг: предварительную обработку текста твита.Но что это значит? Предварительная обработка текста включает в себя базовую очистку текста в соответствии с набором обычно используемых простых правил, а также передовые методы, учитывающие синтаксическую и лексическую информацию. В случае нашего проекта мы собираемся выполнить следующие шаги:

  • Преобразовать твиты в нижний регистр с помощью .lower () функции , чтобы привести все твиты в согласованный вид. Выполняя это, мы можем гарантировать, что дальнейшие преобразования и задачи классификации не пострадают от несогласованности или чувствительности к регистру наших данных.
  • Удалить 'RT' , UserMentions и ссылки: В тексте твита мы обычно видим, что каждое предложение содержит ссылку, которая является ретвитом ('RT'), упоминанием пользователя или URL. Поскольку это повторяется в большом количестве твитов и не дает нам никакой полезной информации о настроениях, мы можем удалить их.
  • Удалить числа: Точно так же числа не содержат никаких эмоций, поэтому их также обычно удаляют из текста твита.
  • Удалите знаки препинания и специальные символы: Поскольку это будет генерировать токены с высокой частотой, которая затрудняет наш анализ, важно их удалить.
  • Заменить удлиненные слова: удлиненное слово определяется как слово, которое содержит повторяющийся символ более двух раз, например ‘Awesoooome’. Замена этих слов очень важна, поскольку классификатор будет рассматривать их как слова, отличные от слов источника, что снижает их частоту.Хотя есть некоторые английские слова, содержащие повторяющиеся символы, в основном согласные, поэтому мы будем использовать wordnet из NLTK для сравнения с английской лексикой.
  • Удаление стоп-слов : стоп-слова - это служебные слова, которые часто встречаются во всех твитах. Нет необходимости анализировать их, потому что они не дают полезной информации. Мы можем получить список этих слов из функции NLTK Stopwords.
  • Обработка отрицания с антонимами : Одна из проблем, возникающих при анализе тональности, - это обработка отрицания и его влияние на последующие слова.Рассмотрим пример: предположим, что мы находим твит «Мне не понравился фильм» и отбрасываем игнорируемые слова, мы избавляемся от слов «я» и «не делал». Итак, наконец, мы получим жетоны «нравится» и «фильм», что является противоположным смыслом, который был у исходного твита. Есть несколько способов справиться с отрицанием, и по этому поводу ведется много исследований; однако, в частности, для этого проекта мы собираемся сканировать наши твиты и заменять антонимом (который мы получим из лемм в wordnet) существительного, глагола или прилагательного, следующего за нашим отрицательным словом.

После того, как мы очистили наши данные, но прежде, чем мы начнем строить нашу модель для анализа настроений, мы можем выполнить исследовательский анализ данных, чтобы увидеть, какие слова наиболее часто встречаются в наших твитах «Мстители». В этой части мы покажем графики для твитов, помеченных как положительные, отдельно от твитов, помеченных как отрицательные.

Мы начнем с использования WordCloud для представления употребления слов во всех твитах, изменяя размер каждого слова пропорционально его частоте. Несмотря на то, что этот график может показаться не самым подходящим по разным причинам, этот график дает анализ текста и общее представление о том, какие типы слов чаще встречаются в наших твитах.Python имеет библиотеку WordCloud , которая позволяет нам применять маску, используя изображение, которое мы загружаем с нашего жесткого диска, выбирать фон, цветовую карту слов, максимальное количество слов, размер шрифта и другие характеристики графика.

WordCloud для положительных твитов:

WordCloud для отрицательных твитов:

Когда мы наблюдали WordCloud для положительных твитов, некоторые слова, которые появляются в большем размере, не имеют особого смысла и могут быть интерпретированы как нейтральные, например «Капитан Марвел», «Война бесконечности».С другой стороны, другие слова, даже если они имеют меньший размер, могут быть объяснены как присутствующие в твитах в положительном смысле, такие как «хорошо», «отлично», «лучший» и «понравился». Напротив, WordCloud для негативных твитов показывал в основном нейтральные слова, такие как «фильм», «финал», и очень маленькие слова с отрицательной коннотацией, например «никогда» и «бля».

После этого мы можем представить на графике 50 наиболее часто встречающихся слов с термином «Мстители» для положительных и отрицательных твитов.Мы начнем с использования функции CountVectorizer из sklearn , которая преобразует набор твитов в матрицу счетчиков токенов, производя разреженное представление счетчиков. Затем мы суммируем все подсчеты для каждого токена, получаем частоту и сохраняем их как DataFrame.

Теперь мы можем построить эти значения в виде гистограммы, используя matplotlib function bar .

Мы видим, что первые частые слова являются общими для положительных и отрицательных твитов: «чудо», «финал» и, более того, большинство слов имеют нейтральный оттенок, за исключением таких слов, как «хорошо», «отлично», « люблю »,« любимый »и« лучший »в положительных твитах.

Мы наконец можем проверить, есть ли корреляция между частотой слов, которые появляются в положительных и отрицательных твитах. Мы объединим оба кадра DataFrames с частотой слов, а затем воспользуемся графиком seaborn regplot :

За исключением одной или двух точек, которые кажутся взаимосвязанными, из приведенного выше графика не может быть получена значимая связь между словами, появляющимися в положительном свете. и негативные твиты.

После визуализации наших данных следующим шагом является разделение нашего набора данных на обучающий и тестовый наборы.Для этого мы воспользуемся функциональностью train_test_split пакета sklearn . Мы возьмем 20% набора данных для тестирования по правилу 20–80%. Из оставшихся 80%, используемых для обучающего набора, мы сохраним часть для проверки нашей модели.

Нам также необходимо преобразовать наш столбец тональности в категории, которые наша модель может понять. Тогда мы будем использовать 0 для отрицательных твитов, 1 для нейтральных и 2 для положительных твитов.

Наконец, нам нужно обработать наш входной столбец твитов с помощью TfidfVectorizer , который преобразует коллекцию твитов в матрицу функций Term Frequency / Invert Document Frequency (TF-IDF).Что очень важно в этой функции, так это то, что она будет возвращать нормализованные частоты; Нормализация функций - ключевой шаг в построении алгоритма машинного обучения. После нескольких попыток было получено максимальное количество возвращенных функций 3500, которые лучше всего работали с нашей моделью.

Теперь пора построить нашу модель: нейронная сеть . Если вы не знакомы с тем, как работают нейронные сети, можете проверить мой предыдущий пост. К счастью, Keras делает построение нейронной сети очень простым и легким с помощью нескольких строк кода.

Давайте рассмотрим нашу модель: Sequential () - это тип сети, состоящей из слоев, которые сложены и выполняются в указанном порядке. Итак, какие слои у нас есть? Мы заметили, что мы добавили Dense слоев для наших трех слоев (входной, скрытый и выходной слой), что означает, что каждый узел в слое получает входные данные от всех узлов в предыдущем слое, реализуя следующую операцию: output = Activation (точка (ввод, веса) + смещение) . Между ними мы использовали метод Dropout , который принимает значение с плавающей запятой между 0 и 1 (которое мы передадим как drop и настроим позже), представляющее долю нейронов, которые будут случайно отброшены во время обучения, чтобы предотвратить переобучение. .Ключевые уровни - это вход и выход, потому что они будут определять форму нашей сети, и важно правильно знать, чего мы ожидаем. Поскольку мы будем использовать 3500 в качестве максимальных функций , возвращаемых в процессе векторизации, нам нужно использовать это точное число в качестве размера входной формы. Мы также включим, сколько выходных данных выйдет из первого слоя (передается как layer1 ), параметр, который мы изменим позже, чтобы сделать слой более простым или сложным.В этом случае мы выберем relu в качестве нашей функции активации, которая имеет ряд преимуществ перед другими, например, снижение вероятности исчезновения градиента. Для последнего слоя мы выберем три узла, соответствующие трем различным выходам, и, поскольку мы хотим получить категориальные распределения, мы будем использовать softmax в качестве функции активации. Для скрытого слоя мы также передадим размер как layer2 , который обычно составляет половину layer1 , и, поскольку это проблема классификации, мы будем использовать активацию sigmoid (если вы хотите узнать больше о том, какие функции активации должны пользуйтесь, посмотрите это видео).

После этого необходимо указать оптимизатор, который будет использоваться, и его параметры. Мы будем использовать AdamOptimizer с фиксированным затуханием и бета-версиями, но позже мы скорректируем скорость обучения и значение эпсилон. Адам - ​​это стохастическая оптимизация, которая имеет несколько преимуществ, таких как простота реализации, эффективность вычислений, небольшие требования к памяти, инвариантность к диагональному изменению масштаба градиентов и хорошо подходит для задач, больших с точки зрения данных и / или параметры.

Одним из последних шагов перед обучением является составление сети, уточняющей желаемую потерю. В этом случае мы будем использовать sparse_categorical_crossentropy из-за того, что у нас есть категории, представленные в виде чисел. Нам также нужно будет уточнить оптимизатор и метрики, которые будут оцениваться (для нас это будет точность). Более того, нам нужно подобрать модель, указав набор значений X и Y, размер пакета , (количество отсчетов, распространяемых по сети), эпох, (сколько раз мы будем сканировать все данные, параметр, который мы также отрегулируем), разбивку проверки (какой процент будет сохранен для проверки наших результатов), и если мы собираемся представлять данные каждый раз одинаково или, мы собираемся перемешать их ( перемешать ).

Попробовав несколько параметров для dropout , features , shuffle , Learning rate , layer size , epsilon , validation_split , epochs , мы наконец пришли к следующей модели :

Мы можем видеть, что наша окончательная точность проверки составила 71,91 для эпохи 1, улучшившись до 76,54% для эпохи 5. Более того, с увеличением, даже в большей степени, эпохи улучшили точность обучения, но снизили точность проверки.

Несмотря на то, что мы всегда хотим иметь более высокую точность, теперь мы можем продолжить и попытаться определить, каково мнение в новом наборе данных, который мы создали точно так же, как тот, который мы использовали для обучения и проверки.

Для этого мы собираемся запросить нашу новую базу данных, выполнить тот же этап предварительной обработки текста, токенизировать наши твиты и использовать нашу обученную модель для прогнозирования настроений в отношении «Мстителей» с помощью model.predict () . Если мы хотим сделать его более понятным для человека, мы можем преобразовать числовое предсказание в наши категориальные ярлыки «положительный, нейтральный и отрицательный».

Теперь время истины! Мы можем определить количество наших твитов, которые входят в каждую категорию настроений, используя круговую диаграмму:

Как видите, 53,1% твитов имеют положительную коннотацию о «Мстителях», в то время как остальные 46,9% являются нейтральными или имеют отрицательную коннотацию. . Если бы я написал в Твиттере на эту тему, меня бы включили с положительной стороны, или, по крайней мере, я могу быть уверен на 76% в этом. А ты?

Далее мы собираемся использовать информацию из твитов для визуализации взаимодействия пользователей в Twitter с помощью NetworkX.

Если вы хотите узнать весь код этого проекта, посмотрите мой репозиторий GitHub .

.

научитесь выступать - Japonca çeviri - örnekler İngilizce

Бу örnekler aramanıza bağlı olarak kaba sözcükler içerebilir.

Bu örnekler aramanıza bağlı olarak günlük dilden sözcükler içerebilir.

Вы узнаете, как проводить совместные проверки с коллегами.

Узнайте, как выполнять операции в фоновом потоке с помощью асинхронных транзакций Realms.

バ ッ ク グ ラ ウ ン ス レ 書 き 込 み 処理 を 行 う 方法 に つ い て は 、 非 ト ラ ン ザ ク シ を 参照 し て さ

Узнайте, как выполнять операции в фоновом потоке с помощью асинхронных транзакций Realms. Управление жизненным циклом экземпляров Realm Выбор правильного жизненного цикла для экземпляра Realm - это баланс.

バ ッ ク グ ラ ウ ン ス レ 書 き 込 み 処理 を 行 う 方法 に つ い て は 、 非 ト ラ ン ザ ク シ を 参照 し て さ

В этом уроке вы узнаете, как выполнять операции жизненного цикла над объектами.

Теперь вы перейдете к и узнаете, как выполнить поиск по определенным атрибутам.

Вы узнаете , как выполнять следующие операции:

См. Сохранение сертификата ЦС на , чтобы узнать, как выполнить эту задачу.

Из этой заметки по применению вы узнаете, как выполнить автоматическую установку пакета ПО для камер Basler pylon 4.

の ア プ リ ケ ー で は 、 Пакет программного обеспечения камеры Basler pylon 4 サ イ レ ン ト ル す る 方法 い て 9000

Вы узнаете, как выполнять анализ соединений поверхностей на дефектных поверхностях.

В этом уроке вы узнаете, как выполнять анализ воздействия и использовать График воздействия для анализа отношений между объектами.

Это означает перенаправление сотрудников от их производственных задач, чтобы научился выполнять свои рабочие функции с помощью новой системы.

社員 が 新 し い シ ス テ を 使用 し 職務 遂行 方法 学習 で き る よ う 、 生産 性 高 い 作業 か ら 別 の 作業 社員 を 向 け

«Выполнение рекомендованного Oracle восстановления» и «Выполнение индивидуализированного восстановления» для узнайте, как выполнять операции ретрансляции , восстановления и восстановления.

フ ラ ッ シ ュ バ ッ ク 、 リ ス お よ び リ カ バ リ 実 行 方法 の 詳細 は 、 ラ ク ル 社 が 推 修復

Используйте следующие темы, чтобы узнать, как выполнить моделирование расчета и как использовать моделирование расчета для оценки времени расчета:

次 の 項目 で は 、 シ ュ レ ー ト 計算 の 実 行 方法 、 お よ び シ ミ ュ レ ー ト 計算 し て 計算 時間 を 見 方法 に つ い

Кроме того, «Факультет социологии», созданный в 2010 году, представляет собой новую кафедру, которая объединяет социальные науки и информатику, где можно научиться выполнять и анализировать социальные исследования с использованием информационных средств массовой информации.

さ ら に 、 2010 年 に 開設 し た 社会 、 社会 科学 と 情報 学 た 新 し い 学科 で す メ デ ィ ア を 利 活用 ら が ら ら 9000 9000 900 9000 9000

В процессе возрождения несколько иностранных учителей, посещавших Японию, познакомились с искусством Но и были впечатлены. Некоторые из них начали изучать литературное исследование искусства Но, а другие даже начали учиться исполнять Но.

そ の 過程 で 、 海外 か た 教師 ら 能 に 触 れ 、 感動 し の 文学 研究 に 手 を 染 め 、 さ ら に は 能 を 習 う う 者 ま

Чтобы узнать, как выполнить анализ гибкости , см. Следующие разделы: Установка метрики Анализ результатов на портале разработчика Получение результатов анализа с помощью API Установка метрики С точки зрения функции Application Analytics, элементы, которые измеряются в вашем приложении называются метриками.

こ こ で は, ア プ リ デ ー タ の 分析 を 行 う 方法 に つ い て , 以下 の 内容 説明 し ま す. メ ト リ ク ス の 設定 開 発 者 ポ ー タ ル で の 分析 API に よ ​​る 分析 結果 の 取得 メ ト リ ク ス の 設定 ア プ リ 分析 で は, ア プ リ ケ ー シ ョ ン 内で 測定 す る 対 象 を メ ト リ ク と 呼 び ま す。

Узнайте, как выполнить обновление до путем переноса, в разделе Обновление Plesk посредством переноса.

移 管 に よ る ア ッ プ レ ド の 実 方法 に つ し く は 、 移 管 に よ て Plesk を ア ッ プ ー ド す る

Узнайте, как выполнить операцию, использовать компьютерную томографию или магнитно-резонансную томографию головы, диагностировать анемию, лечить проблемы с пищеварением или летать на аварийном вертолете.

手術 、 頭部 КТ や МРТ ス キ ャ ン 、 診断 、 消化不良 の 治療 や 、 リ コ プ タ ー の 飛 ば し 方 を 学 び ま す。

Выберите Справка Enterprise Manager из меню «Справка», чтобы узнать, как выполнять стандартные задачи, связанные с текущей страницей.

| プ Help emcore≫ メ ニ ら Enterprise Manager ル プ Enterprise Manager Help emcore≫ を 選 の ペ ー ジ る 000 9 9 900 9 9

Если вы хотите узнать о постоянном решении, вам следует продолжить чтение этой статьи.Een deel 3: Выполнение постоянной разблокировки iPhone 6 iCloud Если вам нужно узнать, как выполнить постоянную разблокировку iPhone 6 iCloud , прочтите этот шаг.

3 の iPhone 6 iCloud ロ ッ ク 解除 あ な 的 的 な iPhone を 実 行 す 方法 000 る. .

Learn how to perform - перевод на японский - примеры английский

Эти примеры могут содержать грубые слова на основании вашего поиска.

Эти примеры могут содержать разговорные слова, основанные на вашем поиске.

Вы узнаете, как проводить совместные проверки с коллегами.

Узнайте, как выполнять операции в фоновом потоке с помощью асинхронных транзакций Realms.

バ ッ ク グ ラ ウ ン ス レ 書 き 込 み 処理 を 行 う 方法 に つ い て は 、 非 ト ラ ン ザ ク シ を 参照 し て さ

Узнайте, как выполнять операции в фоновом потоке с помощью асинхронных транзакций Realms. Управление жизненным циклом экземпляров Realm Выбор правильного жизненного цикла для экземпляра Realm - это баланс.

バ ッ ク グ ラ ウ ン ス レ 書 き 込 み 処理 を 行 う 方法 に つ い て は 、 非 ト ラ ン ザ ク シ を 参照 し て さ

В этом уроке вы узнаете, как выполнять операции жизненного цикла над объектами.

Теперь вы перейдете к и узнаете, как выполнить поиск по определенным атрибутам.

Вы узнаете , как выполнять следующие операции:

См. Сохранение сертификата ЦС на , чтобы узнать, как выполнить эту задачу.

Из этой заметки по применению вы узнаете, как выполнить автоматическую установку пакета ПО для камер Basler pylon 4.

の ア プ リ ケ ー で は 、 Пакет программного обеспечения камеры Basler pylon 4 サ イ レ ン ト ル す る 方法 い て 9000

Вы узнаете, как выполнять анализ соединений поверхностей на дефектных поверхностях.

В этом уроке вы узнаете, как выполнять анализ воздействия и использовать График воздействия для анализа отношений между объектами.

Это означает перенаправление сотрудников от их производственных задач, чтобы научился выполнять свои рабочие функции с помощью новой системы.

社員 が 新 し い シ ス テ を 使用 し 職務 遂行 方法 学習 で き る よ う 、 生産 性 高 い 作業 か ら 別 の 作業 社員 を 向 け

«Выполнение рекомендованного Oracle восстановления» и «Выполнение индивидуализированного восстановления» для узнайте, как выполнять операции ретрансляции , восстановления и восстановления.

フ ラ ッ シ ュ バ ッ ク 、 リ ス お よ び リ カ バ リ 実 行 方法 の 詳細 は 、 ラ ク ル 社 が 推 修復

Используйте следующие темы, чтобы узнать, как выполнить моделирование расчета и как использовать моделирование расчета для оценки времени расчета:

次 の 項目 で は 、 シ ュ レ ー ト 計算 の 実 行 方法 、 お よ び シ ミ ュ レ ー ト 計算 し て 計算 時間 を 見 方法 に つ い

Кроме того, «Факультет социологии», созданный в 2010 году, представляет собой новую кафедру, которая объединяет социальные науки и информатику, где можно научиться выполнять и анализировать социальные исследования с использованием информационных средств массовой информации.

さ ら に 、 2010 年 に 開設 し た 社会 、 社会 科学 と 情報 学 た 新 し い 学科 で す メ デ ィ ア を 利 活用 ら が ら ら 9000 9000 900 9000 9000

В процессе возрождения несколько иностранных учителей, посещавших Японию, познакомились с искусством Но и были впечатлены. Некоторые из них начали изучать литературное исследование искусства Но, а другие даже начали учиться исполнять Но.

そ の 過程 で 、 海外 か た 教師 ら 能 に 触 れ 、 感動 し の 文学 研究 に 手 を 染 め 、 さ ら に は 能 を 習 う う 者 ま

Чтобы узнать, как выполнить анализ гибкости , см. Следующие разделы: Установка метрики Анализ результатов на портале разработчика Получение результатов анализа с помощью API Установка метрики С точки зрения функции Application Analytics, элементы, которые измеряются в вашем приложении называются метриками.

こ こ で は, ア プ リ デ ー タ の 分析 を 行 う 方法 に つ い て , 以下 の 内容 説明 し ま す. メ ト リ ク ス の 設定 開 発 者 ポ ー タ ル で の 分析 API に よ ​​る 分析 結果 の 取得 メ ト リ ク ス の 設定 ア プ リ 分析 で は, ア プ リ ケ ー シ ョ ン 内で 測定 す る 対 象 を メ ト リ ク と 呼 び ま す。

Узнайте, как выполнить обновление до путем переноса, в разделе Обновление Plesk посредством переноса.

移 管 に よ る ア ッ プ レ ド の 実 方法 に つ し く は 、 移 管 に よ て Plesk を ア ッ プ ー ド す る

Узнайте, как выполнить операцию, использовать компьютерную томографию или магнитно-резонансную томографию головы, диагностировать анемию, лечить проблемы с пищеварением или летать на аварийном вертолете.

手術 、 頭部 КТ や МРТ ス キ ャ ン 、 診断 、 消化不良 の 治療 や 、 リ コ プ タ ー の 飛 ば し 方 を 学 び ま す。

Выберите Справка Enterprise Manager из меню «Справка», чтобы узнать, как выполнять стандартные задачи, связанные с текущей страницей.

| プ Help emcore≫ メ ニ ら Enterprise Manager ル プ Enterprise Manager Help emcore≫ を 選 の ペ ー ジ る 000 9 9 900 9 9

Если вы хотите узнать о постоянном решении, вам следует продолжить чтение этой статьи.Een deel 3: Выполнение постоянной разблокировки iPhone 6 iCloud Если вам нужно узнать, как выполнить постоянную разблокировку iPhone 6 iCloud , прочтите этот шаг.

3 の iPhone 6 iCloud ロ ッ ク 解除 あ な 的 的 な iPhone を 実 行 す 方法 000 る. .

Подробное практическое руководство по передаче обучения с реальными приложениями в глубоком обучении | Автор: Дипанджан (DJ) Саркар

Людям присуща способность передавать знания между задачами. То, что мы приобретаем как знания, изучая одну задачу, мы используем таким же образом для решения связанных задач. Чем больше связаны задачи, тем легче нам передавать или перекрестно использовать наши знания. Вот несколько простых примеров:

  • Уметь ездить на мотоцикле ⮫ Научиться водить машину
  • Уметь играть на классическом пианино ⮫ Научиться играть на джазовом пианино
  • Знать математику и статистику ⮫ Изучить машинное обучение

В каждом из вышеперечисленных сценариев мы не изучаем все с нуля, когда пытаемся изучить новые аспекты или темы.Мы передаем и используем наши знания из того, что мы узнали в прошлом!

Традиционные алгоритмы машинного обучения и глубокого обучения до сих пор традиционно разрабатывались для работы изолированно. Эти алгоритмы обучены решать конкретные задачи. После изменения пространственного распределения модели необходимо перестраивать с нуля. Трансферное обучение - это идея преодоления изолированной парадигмы обучения и использования знаний, полученных для одной задачи, для решения связанных. В этой статье мы подробно рассмотрим концепции, объем и реальные приложения трансферного обучения и даже продемонстрируем некоторые практические примеры.Чтобы быть более конкретным, мы рассмотрим следующее.

  • Мотивация для трансферного обучения
  • Понимание трансферного обучения
  • Стратегии трансферного обучения
  • Трансферное обучение для глубокого обучения
  • Стратегии глубокого трансферного обучения
  • Типы
  • Типы
  • Типы
  • Приложения трансферного обучения
  • Пример 1: Классификация изображений с ограничением доступности данных
  • Пример 2: Мультиклассовая классификация детализированных изображений с большим количеством классов и меньшей доступностью данных
  • Преимущества трансфертного обучения
  • Задачи трансфертного обучения
  • Заключение и перспективы на будущее

Мы рассмотрим трансфертное обучение как общую концепцию высокого уровня, которая зародилась еще со времен машинного обучения и статистического моделирования, wever, в этой статье мы больше сосредоточимся на глубоком обучении.

Примечание: Все тематические исследования будут охватывать пошаговые детали с кодом и выходными данными. Приведенные здесь тематические исследования и их результаты основаны исключительно на реальных экспериментах, которые мы провели, когда реализовывали и тестировали эти модели во время работы над нашей книгой: « Практическое занятие по переносу обучения с Python » (подробности в конце этой статьи).

Цель этой статьи - попытаться охватить теоретические концепции, а также продемонстрировать практические примеры приложений глубокого обучения в одном месте, учитывая информационную перегрузку, которая присутствует в Интернете.Все примеры будут рассмотрены на Python с использованием keras с бэкэндом tensorflow, что идеально подходит для людей, которые являются ветеранами или только начинают работать с глубоким обучением! Заинтересованы в PyTorch? Не стесняйтесь преобразовывать эти примеры и обращаться ко мне, и я опубликую ваши работы здесь и на GitHub!

Мы уже вкратце обсуждали, что люди не изучают все с нуля и не используют и не переносят свои знания из ранее изученных областей в новые области и задачи.Учитывая повальное увлечение True Artificial General Intelligence , трансфертное обучение - это то, что, по мнению ученых и исследователей, может способствовать нашему прогрессу в направлении AGI . Фактически, Эндрю Нг , известный профессор и специалист по обработке данных, который был связан с Google Brain, Baidu, Stanford и Coursera, недавно представил в NIPS 2016 замечательный учебник под названием 'Гайки и болты по созданию приложений ИИ с использованием глубокого обучения ' , где он упомянул,

После контролируемого обучения - трансферное обучение станет следующим фактором коммерческого успеха ML

Я рекомендую заинтересованным людям ознакомиться с его интересным руководством от NIPS 2016.

Фактически, трансферное обучение - это не концепция, которая возникла только в 2010-х годах. Нейронные системы обработки информации (NIPS) 1995, семинар «Учимся учиться: консолидация и передача знаний в индуктивных системах» , как полагают, послужили первоначальной мотивацией для исследований в этой области. С тех пор такие термины, как Learning to Learn , Knowledge Consolidation и Inductive Transfer , стали взаимозаменяемыми с трансферным обучением.Неизменно разные исследователи и академические тексты дают определения из разных контекстов. В своей знаменитой книге Deep Learning Гудфеллоу и др. Рассматривают трансферное обучение в контексте обобщения. Их определение выглядит следующим образом:

Ситуация, когда то, что было изучено в одной настройке, используется для улучшения обобщения в другой настройке.

Таким образом, ключевой мотивацией, особенно с учетом контекста глубокого обучения, является тот факт, что большинство моделей, которые решают сложные проблемы, требуют большого количества данных, а получение больших объемов помеченных данных для контролируемых моделей может быть действительно затруднительным, учитывая время и усилия, необходимые для маркировки точек данных.Простой пример будет ImageNet набор данных , , который имеет миллионы изображений, относящихся к различным категориям, благодаря лет напряженной работы, начиная с Stanford!

Популярная задача ImageNet, основанная на базе данных ImageNet

Однако получить такой набор данных для каждого домена сложно. Кроме того, большинство моделей глубокого обучения очень специализированы для определенной области или даже конкретной задачи. Хотя это могут быть современные модели, с действительно высокой точностью и превосходящие все тесты, они будут применяться только на очень конкретных наборах данных и в конечном итоге будут иметь значительную потерю производительности при использовании в новой задаче, которая может быть похожей. к тому, на котором он был обучен.Это формирует мотивацию для трансфертного обучения, которое выходит за рамки конкретных задач и областей, и пытается увидеть, как использовать знания из предварительно обученных моделей и использовать их для решения новых проблем!

Первое, что следует здесь помнить, это то, что трансферное обучение - это не новая концепция, которая очень специфична для глубокого обучения. Существует резкая разница между традиционным подходом к построению и обучению моделей машинного обучения и использованием методологии, соответствующей принципам трансферного обучения.

Традиционное обучение и трансферное обучение

Традиционное обучение изолировано и происходит исключительно на основе определенных задач, наборов данных и обучения на них отдельных изолированных моделей. Не сохраняется никаких знаний, которые можно было бы перенести от одной модели к другой. При трансферном обучении вы можете использовать знания (функции, веса и т. Д.) Из ранее обученных моделей для обучения новых моделей и даже решать такие проблемы, как наличие меньшего количества данных для новой задачи!

Давайте разберемся с предыдущим объяснением на примере.Предположим, наша задача - идентифицировать объекты на изображениях в ограниченной зоне ресторана. Обозначим эту задачу в определенном объеме как T1 . Имея набор данных для этой задачи, мы обучаем модель и настраиваем ее для хорошей работы (обобщения) на невидимых точках данных из того же домена (ресторана). Традиционные алгоритмы машинного обучения с учителем не работают, когда у нас нет достаточного количества обучающих примеров для выполнения необходимых задач в данных областях. Предположим, теперь мы должны обнаруживать объекты на изображениях в парке или кафе (скажем, задача T2 ).В идеале мы должны иметь возможность применить модель, обученную для T1 , но на самом деле мы сталкиваемся с ухудшением производительности и моделями, которые плохо обобщаются. Это происходит по разным причинам, которые мы можем в широком смысле и вместе назвать предвзятым отношением модели к обучающим данным и предметной области.

Трансферное обучение должно позволить нам использовать знания из ранее изученных задач и применять их к более новым, связанным задачам. Если у нас есть значительно больше данных для задачи T1 , мы можем использовать ее обучение и обобщить эти знания (функции, веса) для задачи T2 (которая имеет значительно меньше данных).В случае проблем в области компьютерного зрения некоторые низкоуровневые функции, такие как края, формы, углы и интенсивность, могут использоваться в разных задачах, что позволяет передавать знания между задачами! Кроме того, как мы изобразили на предыдущем рисунке, знания из существующей задачи действуют как дополнительный ввод при изучении новой целевой задачи.

Формальное определение

Давайте теперь взглянем на формальное определение трансферного обучения, а затем воспользуемся им для понимания различных стратегий.В своей статье A Survey on Transfer Learning Пан и Ян используют предметную область, задачу и предельные вероятности, чтобы представить основу для понимания трансферного обучения. Структура определяется следующим образом:

Домен, D , определяется как двухэлементный кортеж, состоящий из пространства признаков, , и предельной вероятности, P (Χ) , где Χ - это примерная точка данных. Таким образом, мы можем представить область математически как D = {ꭕ, P (Χ)}

Здесь xᵢ представляет определенный вектор, как показано на приведенном выше изображении.С другой стороны, задача T может быть определена как двухэлементный кортеж пространства меток γ и целевой функции η . Целевая функция также может быть обозначена как P (γ | Χ) с вероятностной точки зрения.

Таким образом, вооружившись этими определениями и представлениями, мы можем определить трансферное обучение следующим образом благодаря отличной статье от Себастьяна Рудера.

Сценарии

Давайте теперь рассмотрим типичные сценарии, включающие трансферное обучение, на основе нашего предыдущего определения.

.

Смотрите также