Разумевање епоха у машинском учењу

У контексту машинског учења, епоха се односи на потпуну итерацију података о обуци. Током сваке епохе, модел се обучава за цео скуп података, а тежине се прилагођавају на основу грешке између предвиђеног и стварног излаза.ӕӕНа пример, ако имате скуп података са 1000 примера, а ваш модел има 1000 параметара, онда би једна епоха укључивала обуку модела на свих 1000 примера, користећи свих 1000 параметара, да би се функција губитка минимизирала.ӕӕБрој епоха је хиперпараметар који се може подесити у процесу обуке. Оптималан број епоха зависи од сложености проблема, величине скупа података и перформанси модела. Генерално, више епоха може довести до прекомерног прилагођавања, где модел постаје превише специјализован за податке обуке и не генерализује се добро на нове примере. С друге стране, мањи број епоха можда неће дозволити моделу да научи довољно из података обуке.ӕӕУ дубоком учењу, епохе се често користе у комбинацији са групама. Група је подскуп података за обуку који се заједно обрађују пре него што се тежине модела ажурирају. На пример, ако имате скуп података са 1000 примера, а користите величину групе од 32, онда би једна епоха укључивала обуку модела на свих 1000 примера, али њихову обраду у серијама од 32 у исто време. Ово може помоћи да се смање рачунски трошак обуке, док и даље омогућава моделу да учи из читавог скупа података.