Що таке глибоке навчання
Глибоке навчання є під-областю машинного навчання і використовує нейронні мережі та великі обсяги даних. Методи навчання засновані на функціонуванні людського мозку і мають наслідком здатність робити власні прогнози чи рішення.
Так зване глибоке навчання - це особливий метод обробки інформації. Глибоке навчання є під-областю машинного навчання і використовує нейронні мережі. Методи навчання, які використовують та аналізують великі обсяги даних, використовуються для отримання штучного інтелекту. Те, як це працює, у багатьох сферах надихається навчанням у мозку людини. На основі наявної інформації та нейронної мережі система може багаторазово пов'язувати вивчене з новим змістом і, таким чином, вивчати знову. В результаті машина може робити прогнози або рішення і ставити їх під сумнів. Рішення підтверджуються або змінюються під час нової спроби. Як правило, люди більше не втручаються у фактичний процес навчання.
Поглиблене навчання особливо підходить для всіх додатків, в яких доступні великі обсяги даних, з яких можна отримати шаблони та моделі. Штучні нейронні мережі, які неодноразово пов'язані між собою в процесі навчання, служать технічною основою глибокого навчання.
Нейронні мережі - основа глибокого навчання
Нейронна мережа є своєрідною моделлю штучної абстракції мозку людини і складається із штучних нейронів. Він має так звані вхідні та вихідні нейрони. Поміж ними є кілька шарів проміжних нейронів. Вхідні нейрони можуть бути пов'язані з вихідними нейронами, навчаючись різними способами через проміжні нейрони. Чим більше нейронів і шарів, тим складніші проблеми можна нанести на карту.
Основна концепція глибокого навчання
Глибоке навчання вчить машини вчитися. Машина має можливість вдосконалювати свої можливості самостійно та без участі людини. Це досягається шляхом вилучення та класифікації шаблонів із наявних даних та інформації. Отримані знання, у свою чергу, можуть бути співвіднесені з даними та пов’язані в подальшому контексті. Нарешті, машина здатна приймати рішення на основі посилань.
Постійно ставлячи під сумнів рішення, інформаційні посилання отримують певні вагомі коефіцієнти. Якщо рішення підтверджуються, їх зважування збільшується; якщо вони переглядаються, зважування зменшується. Все більше і більше рівнів проміжних шарів і зв'язків створюються між вхідним шаром і вихідним шаром. Кількість проміжних шарів та їх з'єднання визначають фактичний вихід.
Диференціація глибокого навчання від чисто машинного навчання
Глибоке навчання - це під-область машинного навчання, але його все одно можна чітко відрізнити від чистого машинного навчання. Ключова відмінність полягає в тому, що при машинному навчанні люди втручаються в аналіз даних та фактичний процес прийняття рішень. При глибокому навчанні люди гарантують лише те, що інформація є доступною для навчання та що процеси документуються. Фактичний аналіз та виведення прогнозів чи рішень він залишає за машиною, а люди не впливають на результати навчального процесу. В ретроспективі вже неможливо повністю простежити точний зразок, на основі якого машина прийняла конкретне рішення. Крім того, рішення постійно ставляться під сумнів, а правила прийняття рішень оптимізуються самостійно.
Області застосування для глибокого навчання
Глибоке навчання добре підходить скрізь, де можна вивчити великі обсяги даних на предмет зразків та моделей. Тому глибоке навчання часто використовується в контексті штучного інтелекту для розпізнавання обличчя, предмета чи мови. Наприклад, завдяки розпізнаванню мовлення, завдяки глибокому навчанню, системи можуть самостійно розширити свій словниковий запас новими словами чи фразами. Відомим прикладом такого способу роботи є розумний голосовий асистент Siri від Apple. Інші галузі застосування - це переклад усних текстів, вдосконалений штучний інтелект у комп'ютерних іграх, автономне керування автомобілем або прогнозування поведінки клієнтів на основі даних із CRM-системи.