Machine Learning / AI

Как да създадем разделяне train/val/test и бенчмарк? Как правилно да разделим данните?

Разкажи за задачата по оценка на произношението: как да подходиш към подобряване на модела, който определя грешки в произношението на фонемите и звуците?

Намериха LR на малка кола, размерът на партидата се увеличи 1000 пъти в клъстера. Трябва ли да променя LR?

Какво да правите, ако тестът вече е бил използван и е показал лош резултат?

Каква задача за класификация решаваме при оценката на произношението на фонемите?

Кога да използвате train, validation, test и benchmark?

Има много хиперпараметри на оптимизатора, 10 000 експеримента, малко време, но много ресурси. Какви подходи има за търсене на оптималната комбинация?

Как обучаваме модела за класификация на фонемите? Какво има в целта?

Какво влиза в класификатора освен аудио ембединг?

Какви идеи могат да бъдат опитани за точно подравняване на фонемите?

Как на практика да почувствате, че тестът е изчерпан или е настъпила промяна в разпределението?

Кога трябва да смените теста? Как да различите случай, когато тестът е остарял, от случай, когато тестът е изгорял поради многократна употреба?

Ако размерът на батча е по-голям, градиентът ще бъде по-малък или по-голям?

Как да направите принудително съгласуване — да определите от коя до коя секунда звучи всяка фонема?

Скоростта на обучение и размерът на партидата са независими параметри? Има ли връзка между тях?

Мрежа 100x100 срещу 10000 случайни точки — защо случайният е по-добър от мрежата дори и в 2D?

Как да подходите към обучението на вашия домейн? Какво да правите с общия модел?

Как да маркираме аудио данни?

Как да обучим модела? Seq-to-seq е скъп, има много хиперпараметри. Как да го направим?

Как да подходите към подравняването на една дума по фонеми? Как да използваме wav2vec2 за получаване на точни граници на фонемите?