Использование методов машинного обучения в картопостроении. Методики выбора архитектуры и параметров, анализ неопределённости, заложенной в обучающую выборку

Методы машинного обучения стремительно проникают во все сферы человеческой жизни. Подчас готовые, обученные модели с непрозрачной архитектурой, преподносятся как универсальные решения всех задач. Однако любой метод работает лишь в рамках заложенных в него неопределённостей и в пределах значений, использованных при обучении модели. Неполнота обучающей выборки, неподходящая к конкретному случаю архитектура сети, неправильно выбранная функция активации, несоответствие обучающей выборки реальным значениям — вот лишь некоторые из причин неудовлетворительных результатов при применении методов машинного обучения. В докладе предлагается разобрать воздействие этих параметров на результат предсказания, с использованием простых задач картопостроения – взяв элементарную задачу и интуитивно представляя ожидаемый результат, можно получить диапазон решений одной и той же задачи но с разными алгоритмами машинного обучения; с перебором параметров нейронной сети (разное количество нейронов в скрытом слое и разное количество самих скрытых слоев); с различными функциями активации, параметрами регуляризации и др.