评论
由 Zak Jost，亚马逊网络服务研究科学家。
对于刚入门神经网络的人来说，自编码器可能看起来令人畏惧。 但实际上，它们是一个概念上简单而优雅的方法，将为机器学习从业者打开许多大门。 它们可以用于异常检测和缺失值填补，或帮助构建更好的分类器或聚类器。 无论如何，使它们独特的是它们为您提供了一个利用未标记数据的机制，这通常比获取标记数据要容易得多。 例如，获取一组图像要比获取一组每个图像都有标签的图像要容易得多。
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升您的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持您的组织的 IT
首先，自编码器通过 无监督 学习进行训练，这意味着您不需要标签。 自编码器通过使用自身的噪声版本来 预测自己的输入，这迫使其利用数据中的结构来学习紧凑的表示方式。 从高层次看，这意味着学会丢弃噪声细节，只保留重要的内容。 一旦您拥有一个能够将数据压缩到紧凑形式并丢弃细节的网络，这将打开许多新门。
为了更好地理解自编码器的工作原理以及如何使用它们，我制作了一个简短的视频，解释了关键概念。
简介： Zak Jost (@ZakJost) 是亚马逊网络服务的机器学习研究科学家，专注于欺诈应用。在此之前，Zak 曾在 Capital One 担任首席数据科学家，构建大规模建模工具以支持业务的投资组合风险评估，并在半导体行业担任材料科学家，致力于薄膜纳米材料的开发。
相关：