Внимание: это продолжение, желательно начать с первой части.
Машинное и глубокое обучение
Машинное обучение (англ. machine learning, ML) – способ алгоритмизации решения конкретных задач, при которых алгоритмы могут изменять себя без участия человека с использованием ранее структурированных данных по решению задач такого типа.
Машинное обучение по своей сути — это алгоритмизация решения каких-либо определенных задач с помощью учета ранее выявленных закономерностей и правил любого типа (структурированных данных). Ограничения такого способа зависят только от того, что заложит в алгоритмы человек.
ИНС для машинного обучения, как правило, представляет собой набор математических или логических цепочек различного вида, выполняемых с определенной последовательностью. При этом алгоритмы при использовании могут корректироваться в зависимости от получаемых решений и их учета для самонастройки. Но, правила калибровки предусмотрел человек.
Глубокое машинное обучение, глубокое обучение (англ. deep learning, DL) – совокупность методов машинного обучения, основанных на представлениях о предмете исследования, а не специализированных алгоритмах под конкретные задачи.
Глубокое обучение отличается от машинного. Эти алгоритмы уже ближе к способу мышления человека и позволяют моделировать нелинейную логику принятия решений и даже не использовать структурированные данные для обучения.
ИНС для глубокого обучения, как правило, структурирована по слоям, где каждый слой – это группа алгоритмов. Алгоритмы следующего слоя используют результаты решений алгоритмов предыдущего и так далее… Кроме того, все слои, а иногда алгоритмы и данные, имеют свой приоритет обработки, который также может меняться в зависимости от предусмотренных правил самообучения. Например, в процессе обработки результатов внутри слоя с перезапуском всего процесса решения с начала.
Таким образом логика решений ИНС глубокого обучения намного менее линейна, чем при машинном обучении.
Глубокое обучение практически не использовалось до начала XX века, так как такие алгоритмы показывали намного худшие результаты, чем простое машинное обучение. Ситуация изменилась в 2006 году с выводом на рынок доступных процессоров (в том числе и для графических карт) и количественным эффектом от увеличения средней скорости вычислительных чипов.
Сложность логики работы современных ИНС глубокого обучения многократно возросла относительно своих предшественников. При глубоком обучении для задач с небольшой вариативностью можно предположить решение.
А способ решения? Его уже практически невозможно описать. По объему внутренних тактов расчетов, скорости пересчета и изменения структуры ИНС уже ближе к живому мозгу, чем к электрическим цепям. При использовании современных мощностей скорость изменения структуры сложных ИНС глубокого обучения теоретически превышает возможности мозга человека. Но тут надо отметить, что это справедливо для формализованных задач. Возможностями безграничного творчества ИИ глубокого обучения не обладает (чувствую, что тут все выдохнут).
Продолжение следует... Будет опубликовано утром.
#технологии #цифровизация #искусственный интеллект #машинное обучение #глубокое обучение #ai #ml #digital imho #современные технологии