Глубокое обучение, или Deep learning – это такой вид машинного обучения, при котором используются многослойные нейронные сети, самообучающиеся в дальнейшем на огромном наборе данных.
1. В чем суть этого обучения?
Это используется для извлечения с компьютера какой-то важной информации (перевод аудиозаписи в текст, распознавание голоса и речи человека). Благодаря этому обучению искусственный интеллект самостоятельно вычисляет, как можно решить проблему или достигнуть какой-то цели. Далее он выполняет все нужные шаги, а если допускает ошибку, то запоминает и в будущем их не совершает.
2. Откуда это взялось, и как развивается это сейчас?
В 1943 году впервые открыли компьютерные нейронные сети, которые работали с большим количеством ограничений и неточностей. В настоящее время, нейронные сети выполняют свои задачи на распознавание с точностью почти 95%. Такой процент больше даже возможностей человека, поэтому Deep learning на данный момент используют для анализа мозга человека.
3. Что находится внутри нейронных сетей?
Они состоят их 3 слоёв:
- Входной слой, отвечающий за получение набора данных. За каждым нейроном закреплён свой параметр, данные которых передаются потом в скрытые слои.
- Скрытые слои, выполняющие задачи вычисления исходя из входящих параметров. Для большего количества взаимосвязей в глубоком обучении у нейросетей несколько скрытых слоёв. У каждой связи между нейронами свой вес, который определяет процент значимости для какого-то параметра.
- Выходной слой, который отвечает за результаты. Все действия и процессы, которые были произведены в предыдущих слоях, суммируются, и выдаётся результат всех вычислений.
4. Как проходит обучение у нейросетей?
Обучение у нейросетей схоже с обучением людей. Возможен вариант обучения как с учителем, так и без него. Учителем в данном случае выступает какой-то эталонный результат.
- с учителем-эталоном. В этом случае у нейронных сетей есть свой эталон вычислений, к которым они стремятся. Если ответ получился ошибочный, то сеть меняет свои параметры на новые и просчитывает до тех пор, пока результат не станет близким к эталону.
- без эталона. При этом подходе нейросети сами классифицируют данные, вычисляют их и потом выдают готовый эталон решения.
5. Где можно применить Deep learning?
Сфера применения, на самом деле, очень большая. Приведём пример нескольких таких сфер:
- Машинный перевод. Фрагменты из разных текстовых источников их переводов служат помощником для Deep learning.
- Компьютерное зрение. Это очень помогает в поиске похожих изображений и распознаванию объектов на них. Большое количество фрагментов помогают нейронным сетям вычислять закономерности, с помощью чего потом распознаются определенные части на изображениях. Поисковые системы, камеры видеонаблюдения и редакторы фото используют Deep learning именно для этих целей.
- Распознавание речи. Все же пользуются голосовыми помощниками на телефонах, планшетах, компьютерах? Так вот, они умеют распознавать голоса тоже благодаря Deep learning. Обучение нейронных сетей помогает учитывать компьютеру множество факторов при распознавании речи, благодаря чему результат становится более точным.