Machine Learning / AI

Hogyan készítsünk train/val/test felosztást és benchmarkot? Hogyan oszd fel helyesen az adatokat?

Mesélj a kiejtés értékelési feladatról: hogyan közelítsd meg a modellt, amely hibákat azonosít a fonémák és hangok kiejtésében?

Kis autóban találtak LR-t, a klaszterben a batch mérete 1000-szeresére nőtt. Kellene változtatni a LR-t?

Mit tegyünk, ha a tesztet már használták, és rossz eredményt mutatott?

Mikor használjuk a train, validation, test és benchmark-t?

Sok hiperparaméter van a optimalizálóban, 10 000 kísérlet, kevés idő de sok erőforrás. Milyen megközelítések léteznek az optimális kombináció keresésére?

Hogyan tanítjuk a fonéma osztályozó modellt? Mi van a célban?

Milyen osztályozási feladatot oldunk meg a fonémák kiejtésének értékelése során?

Mi kerül a osztályozóba az audio beágyazásán kívül?

Milyen ötleteket lehet kipróbálni a fonémák pontos igazításához?

Mikor kell cserélni a tesztet? Hogyan lehet megkülönböztetni az esetet, amikor a teszt elavult, és az esetet, amikor a teszt több használat miatt elfogyott?

Hogyan lehet gyakorlatban észrevenni, hogy a teszt kifogyott vagy distribution shift történt?

Ha a batch mérete nagyobb, akkor a gradiens kisebb vagy nagyobb lesz?

100x100 rács vs 10000 véletlen pont — miért jobb a véletlen még 2D-ben is, mint a rács?

Hogyan készítsünk kényszerített illesztést — meghatározni, hogy melyik fonéma melyik másodperctől melyik másodpercig hangzik?

A tanulási ráta és a batch mérete független paraméterek? Van közöttük kapcsolat?

Hogyan jelöljük az audio adatokat?

Hogyan közelítsük meg a tanulást a saját domainünkön? Mit tegyünk az általános modellel?

Hogyan közelítsük meg egy szó fonémák szerinti igazítását? Hogyan használhatjuk a wav2vec2-t pontos fonémahatárok eléréséhez?

Hogyan tanítsuk a modellt? A Seq-to-seq drága, sok hiperparaméter van. Hogyan csináljuk?