面向数据科学的深度自优化学习
机器学习
2021-01-12 v2
摘要
我们提出一种称为深度自优化学习（DSOL）的两阶段模型，旨在实现人工神经网络（ANN）深度自配置、自优化以及无需人工干预的ANN训练。在DSOL的第一阶段，它将依据特定数据集配置特定深度的ANN。在第二阶段，DSOL将基于强化学习（RL）持续优化ANN。最后，最优深度被返回至DSOL的第一阶段用于训练，从而使DSOL在再次处理类似数据集时能够配置合适的ANN深度并进行更合理的优化。实验中，我们在Iris和Boston housing数据集上运行DSOL，结果表明DSOL表现良好。我们已将实验记录与代码上传至我们的Github。
引用
@article{arxiv.2011.02842,
title = {Depth Self-Optimized Learning Toward Data Science},
author = {Ziqi Zhang},
journal= {arXiv preprint arXiv:2011.02842},
year = {2021}
}