træning

1. 1

   Overvåget træning: Modellen lærer fra mærkede data, hvor hvert eksempel har en kendt outputværdi.

   • Træning af en klassifikationsmodel med et datasæt af katte- og hundebilleder kræver overvåget træning. — Eksempel
2. 2

   Uovervåget træning: Modellen finder strukturer i umærkede data uden foruddefinerede output.

   • Klyngeanalyse og dimensionsreduktion er typiske opgaver for uovervåget træning. — Eksempel
3. 3

   Forstærkningstræning: Modellen (agenten) lærer gennem belønninger og straf ved at interagere med et miljø.

   • Træning af en spil-AI med forstærkningstræning kræver mange episoder for at optimere politikken. — Eksempel
4. 4

   Træningsløkken: Den iterative proces med fremadretning, tabsberegning, baglænspropagation og parameteropdatering.

   • En typisk træningsløkke for en neural køres i et antal epoker med mini-batches. — Eksempel

Træning er den centrale fase i udviklingen af AI-modeller. Det kræver et stort datasæt og en passende tabsfunktion, og processen styres ofte med gradient descent. Resultatet er trænede parametre, som kan bruges til inferens.

θ_{t+1} = θ_t - η ∇_θ L(θ_t)

for epoch in range(num_epochs):
    for batch in dataloader:
        inputs, labels = batch
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

Grundlæggende træningsløkke i PyTorch: for hver epoke behandles batches, loss beregnes, og parametre opdateres.

Fra engelsk 'training', afledt af 'train' (oplære, instruere), lånt fra fransk 'traîner' (trække, uddanne).

• Deep Learning (Goodfellow, Bengio, Courville, 2016)
• Pattern Recognition and Machine Learning (Bishop, 2006)