به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

دسته بندی ها

0 امتیاز

سلام عرض ادب
دوستان تفاوت بین این دوتا تسک چی هست شاید این باشه که در identification برای مسائلی مثله شناسایی face/voice و ... مناسب هست یعنی زمانی که ما میخواهیم در واقع نژاد های یک کلاس رو طبقه بندی کنیم identification مناسب هست یعنی همه تقریبا شبیه به هم باشند.
لطفا یکم بیشتر در این باره توضیح بدهید و اینکه لینک و مراجع مناسب رو قرار دهید
و بنظرتون میشه با classification مسئله identification رو حل کرد یعنی مسئله ایی که کلاس ها خیلی شباهت بیشتری به هم دارند.
و سوال دیگه ایی که دارم اگر جواب منفی هست پس چجوری در امیج نت که ما 1000 تا کلاس داریم در واقع شاید بیشتر این کلاس ها مربوط به نژاد های کلاس های خاصی هستند و بنوعی میشه گفت در این جهت باهم شباهت دارند پس اینجا چجوری با مسئله classification حل می شود؟

توسط (389 امتیاز)

1 پاسخ

0 امتیاز

سلام
در بحث یادگیری ماشین چندین نوع تسک داریم
1- single-class classification
تشخیص حضور یا عدم یک کلاس (آیا سیب در تصویر هست یا نه)

2- multi-class classification
تشخیص حضور یا عدم حضور چند کلاس (آیا سیب در تصویر هست یا گلابی یا ...)

3- multi-label classification
تشخیص حضور یک کلاس و بر چسب آن (مثلا آیا سیب در تصویر هست یا نه و اینکه سیب قرمز هستش یا زرد)

4- multi-task classification
تشخیص حضور چند کلاس و بر چسب آنها (مثلا آیا سیب در تصویر هست یا گلابی و اینکه رنگ و سایز آنها چیست)
در واقع ترکیب تسک های multi-label classification و multi-task classification

میشه تسک multi-label classification رو بصورت یک تسک multi-class classification حل کرد. مثلا سیب قرمز یک کلاس - سیب زرد هم یک کلاس جدا و ...

identification یه جور تسک multi-label‌ هستش که شما میتونید اونو به صورت multi-class‌ هم حل کنید.
برای تسک های multi-class که کلاس ها به هم شبیه هستند موضوعات fine-grained classification رو مطالعه کنید.

توسط (830 امتیاز)
ممنون
بنظرم چهارمی باید اصطلاح بشه ترکیب مالتی لیبل و مالتی کلاس میشه مالتی تسک
و اینکه شما فرمودید که میشه identification رو با مالتی کلاس حل کرد بنظرم یکم سخت میشه چون در مسایل identification شما اولا تعداد کلاس های زیادی دارید و دوما برای هر کلاسی تقریبا یکی دو تا نمونه دارید بخاطر همین مسایا identification رو بیشتر با مقایسه نمونه ها خروجی رو تولید میکنند یعنی در واقع همان تسک کلاسیفیکشن هست منتها لاسش فرق میکنه.
...