Cinci runde despre motivul pentru care o rețea care își învață perfect datele de antrenare poate totuși să greșească și despre ce o oprește. În fiecare rundă mai întîi preziceți ce se va întîmpla și vă fixați răspunsul, apoi îl testați pe datele cursului și abia apoi vedeți demonstrația. Datele sînt cele din curs: 1.000 de solicitanți de credit din Germania, eșantionul de fraude cu carduri (împărțit în ordinea timpului) și California housing.
Graficele rămîn goale pînă vă fixați predicția. În runda 3, trageți de bare ca să le rotiți; derulați sau ciupiți ca să măriți.
Runda 1 · Memorarea
- 1 Preziceți
- 2 Testați
- 3 Demonstrați
Runda 2 · Pierdere sau ordonare?
- 1 Preziceți
- 2 Testați
- 3 Demonstrați
Runda 3 · Dropout sau penalizarea ponderilor?
- 1 Preziceți
- 2 Testați
- 3 Demonstrați
Runda 4 · Cînd ne oprim
- 1 Preziceți
- 2 Testați
- 3 Demonstrați
Runda 5 · Dincolo de punctul de interpolare
- 1 Preziceți
- 2 Testați
- 3 Demonstrați
Credit Germania: 600 de solicitanți pentru antrenare, 200 pentru validare și 200 pentru test, 48 de intrări standardizate; rețeaua 256-256 cu ReLU, AdamW (rata de învățare 0,001), loturi de 64, 150 de epoci, fără oprire timpurie; regresia logistică cu C = 1. Fraude cu carduri: 28.924 de tranzacții în ordinea timpului (60/20/20), rețeaua 256-256, loturi de 256, 120 de epoci; precizia medie cu ponderile care refac proporția claselor din datele complete. Dubla coborîre: 400 de grupuri de locuințe pentru antrenare și 5.000 pentru test la fiecare extragere, variabile ReLU aleatoare, 10 extrageri, mediana. Semințele 20261108 + s. Codul: lectures/L3/analysis_L3.py și interactive_data_L3.py pe GitHub.

