Machine Learning / AI

Cum se creează o împărțire train/val/test și un benchmark? Cum se împarte corect datele?

Povestește-mi despre sarcina de evaluare a pronunției: cum să abordezi îmbunătățirea modelului care detectează greșelile în pronunția fonemelor și sunetelor?

Au găsit LR pe o mașină mică, dimensiunea batch-ului a crescut de 1000 de ori în cluster. Este necesar să schimbați LR?

Ce să faci dacă testul a fost deja folosit și a arătat un rezultat slab?

Când să folosiți train, validation, test și benchmark?

Există mulți hiperparametri ai optimizerului, 10.000 de experimente, puțin timp dar multe resurse. Ce abordări pentru a găsi combinația optimă?

Cum antrenăm modelul de clasificare a fonemelor? Ce este în țintă?

Ce intră în clasificator în afară de embedding-ul audio?

Ce sarcină de clasificare rezolvăm la evaluarea pronunției fonemelor?

Ce idei pot fi încercate pentru alinierea precisă a fonemelor?

Când trebuie schimbat testul? Cum se face diferența între cazul în care testul este învechit și cazul în care testul s-a epuizat din cauza utilizării multiple?

Cum să detectați în practică dacă un test s-a epuizat sau dacă a avut loc o schimbare de distribuție?

Dacă mărimea batch-ului este mai mare, gradientul va fi mai mic sau mai mare?

Cum să faci alinierea forțată — să determini de la ce secundă până la ce secundă sună fiecare fonem?

Grilă 100x100 vs 10000 puncte aleatorii — de ce randomul este mai bun decât grila chiar și în 2D?

Rata de învățare și dimensiunea batch-ului sunt parametri independenți? Există o legătură între ei?

Cum se etichetează datele audio?

Cum să abordezi alinierea unui cuvânt pe foneme? Cum să folosești wav2vec2 pentru a obține limite precise ale fonemelor?

Cum să abordezi antrenamentul pe domeniul tău? Ce faci cu modelul general?

Cum să antrenezi modelul? Seq-to-seq este costisitor, există o mulțime de hiperparametri. Cum faci asta?