............... -это организованный набор данных на котором нейросесть предобучает

Ответ на задание (заполнения пропуска): - Обучающий набор данных (датасет, training dataset) Краткое пояснение: - Это организованный набор данных, который используют для обучения нейросети. В нём обычно собраны примеры (образцы) с признаками и, иногда, метками. Обучающий набор видит модель во время обучения и применяется для подгонки весов через обратное распространение ошибки. Полное объяснение, чтобы понять контекст: - Что такое датасет: это структурированная совокупность примеров, где каждый пример состоит из признаков (характеристик) и часто метки (ответа). - Обучающий набор данных: подмножество датасета, которое нейросеть видит во время процесса обучения. Его цель — научить модель находить закономерности в данных. - В отличие от обучающего, есть ещё валидационный (для настройки гиперпараметров и контроля переобучения) и тестовый набор (для оценки конечного качества модели после обучения). - Что такое предобучение (pretraining): процесс обучения модели на большом наборе данных до того, как её адаптируют к конкретной задаче. Часто данные для предобучения не полностью соответствуют целевой задаче (они могут быть unlabeled или с слабой разметкой). Цель предобучения — выучить общие представления/структуры данных, чтобы последующая доработка на целевой задаче прошла быстрее и эффективнее. - Примеры: - В компьютерном зрении: обучающий датасет вроде ImageNet используется для предобучения моделей, чтобы они лучше распознавали визуальные элементы на последующих задачах. Под предобучением часто применяют как supervised (с метками), так и self-supervised методы (без явных меток). - В обработке естественного языка: большие неразмеченные корпуса текстов служат для предобучения языковых моделей (например, через задачи заполнения пропусков, предсказания следующего слова и т.д.). Практическое применение: - При построении модели важно разделять данные на обучающую, валидационную и тестовую выборки. - Предобучение помогает получить прочные начальные веса, снижает требуемое количество помеченных примеров на целевую задачу и может улучшить обобщение. Если нужно, могу привести конкретные примеры разметок под разные предметы/задачи и показать, как именно делят данные на train/val/test.