Главным преимуществом нейронных сетей является их способность к самообучению. Если мы вернемся к примеру с поиском кошки на фотографии, то, несколько раз перепутав ее с лисой, нейронная сеть сделает вывод, что заостренные уши - не самый специфичный атрибут кошки. И тогда она начнет давать не 1, а 0,5 балла за ответ “да”.
Хорошо обученная нейронная сеть может распознавать данные, которых не было в обучающем наборе, а также поврежденные или неполные данные. Например, он распознает кошку на фотографии, даже если видна только часть ее морды.
Нейронные сети могут обучаться тремя способами:
Контролируемое обучение
Человек обучает нейронную сеть, используя готовый набор данных.
Например, подборка фотографий, на которых указаны пол и возраст людей. Основываясь на этих данных, нейронная сеть самостоятельно начинает определять параметры фотографии.
Неконтролируемое обучение
Этот алгоритм позволяет вам обходиться без готовых данных. Нейронная сеть сама проверит свой анализ на точность. Если этого недостаточно, нейронная сеть повторит процедуру.
Усиленное обучение
Модель, в которой нейронная сеть поощряется, когда она получает положительный результат, и наказывается за неправильные вычисления.
Резюме
Нейронные сети только кажутся сложными и сбивающими с толку, но на самом деле эта технология уже обзавелась множеством вспомогательных инструментов. Даже программисты начального уровня могут создавать собственные нейронные сети.
Например, на Python написаны сотни библиотек, позволяющих развернуть готовую нейронную сеть на своем компьютере и обучить ее в соответствии с необходимыми параметрами.