Типо зачем мне создавать этот трехмерный график

)

Типо для того чтобы посмотреть визуально на кластеры.

ну ок

Короче для красоты наверное

А кто-то знает как данные подготовить чтобы засунуть в projector tensorflow ?

Здесь похоже те же участники, что и во втором чате, поэтому спрошу конкретный вопрос - какую топологию сети (число слоев и нейронов) мне выбрать для проверки распознавания рукописных цифр на датасете из входа 8*8 пикселей каждый яркостью от 0 до 16? Если рассматривать простую задачу классификации. Понятно что на входе 64 нейрона а на выходе 10, по максимальному получать ответ. А сколько и какого размера взять промежуточных слоев?

Для того, чтобы не скучно было ждать, пока модель учится)
Если штырить просто на график лосса, он не очень интуитивен.
А если видеть, например, как эмбеддинги похожих слов постепенно в кучки собираются, то чувствуешь какое-то особенное удовлетворение)

Ну и иногда можно что-то новое о датасете узнать - про ту же совместную встречаемость слов, например. То есть это можно рассматривать как инструмент разведывательного анализа.

О, крутой ответ, спасибо ,
Про EDA зашло

)

Всем привет. Стоит задача классификации текста на письменный/печатный. Уже смог убрать большинство шумов с фотографии и получил вот такие фотографии. Некоторые данные с картинки потерялись (из-за фильтрации), но буквы никуда не делись :D. Квадратики я брал с помощью контуров и вокруг них рисовал квадраты.
Есть ли какие-то мысли по тому, как можно определить, что текст печатный? (мне нужны варианты, что будут работать на печатном тексте 100%) Желательно без нейронки, чтобы максимально ускорить работу программы... Может есть какие-то способы проверить, что большинство линий  вертикальны?(или ещё как-то) Пожалуйста, нужна помощь)

Каскады хаара

сейчас почитаю, спасибо

не совсем понимаю, в каком контексте и смысле тут пишется "biased towards zero". К примеру вообще мне понятие bias знакомо из линеарного классификатора, когда это свободное значение которое сдвигает "туда-сюда" относительно какой-либо оси наш hyperplane классификатора.
Что имеется в виду в этом семействе алгоритмов (Ада, Моментум, Адам), когда речь идет о том, что из-за инитиализации 0 их значение "biased toward 0", ну то есть если в прямом смысле типо если бы инитиализировать любым другим значением, допустим 2, то было бы biased towards 2, но чем формулы с дробей как-либо корректируют то изначальное значение, вокруг которого оно biased ?
Или судя по тексту это чисто эмпирическая находка авторов, и с ней просто нужно смирится ?

вопрос как бы вокруг этой коррекции, интуиция какая-то у нее есть ?

Градиентный спуск - это попытка минимизировать суммарный лосс на всей обучающей выборке, и если бы мы знали градиент лосса на всей обучающей выборке, мы бы его точно могли загнать в локальный минимум. Но вместо этого мы делаем выборочную оценку этого градиента на маленьких батчах, и эта оценка - неточная.
"biased towards zero" в этом контексте значит, что оценка градиента на батче по модулю в среднем меньше, чем если бы мы его оценивали на всех наблюдениях сразу.

Что за книга?