Koneoppimisen aikakausien ymmärtäminen

Koneoppimisen yhteydessä aikakausi tarkoittaa täydellistä iteraatiota harjoitusdatan yli. Jokaisen aikakauden aikana mallia opetetaan koko tietojoukolle ja painotuksia säädetään ennustetun lähdön ja todellisen lähdön välisen virheen perusteella.

Esimerkiksi jos sinulla on tietojoukko, jossa on 1000 esimerkkiä ja mallissasi on 1000 parametria, silloin yksi aikakausi käsittäisi mallin harjoittamisen kaikissa 1000 esimerkissä käyttäen kaikkia 1000 parametria häviöfunktion minimoimiseksi.

Epookkien lukumäärä on hyperparametri, jota voidaan säätää harjoitusprosessissa. Optimaalinen aikakausien määrä riippuu ongelman monimutkaisuudesta, tietojoukon koosta ja mallin suorituskyvystä. Yleensä useammat aikakaudet voivat johtaa ylisovitukseen, jolloin mallista tulee liian erikoistunut harjoitustietoihin eikä se yleisty hyvin uusiin esimerkkeihin. Toisaalta harvemmat aikakaudet eivät ehkä salli mallin oppia tarpeeksi koulutustiedoista.

Syvässä oppimisessa aikakausia käytetään usein erien yhteydessä. Erä on harjoitustietojen osajoukko, joka käsitellään yhdessä ennen mallin painojen päivittämistä. Jos sinulla on esimerkiksi tietojoukko, jossa on 1000 esimerkkiä ja käytät eräkokoa 32, yksi aikakausi sisältäisi mallin harjoittamisen kaikille 1000 esimerkille, mutta niiden käsittelyn 32 esimerkin erissä kerrallaan. Tämä voi auttaa vähentämään koulutuksen laskennallisia kustannuksia, mutta silti mahdollistaa mallin oppia koko tietojoukosta.