Нейронные сети активно включаются в сферы нашей жизни, и уже начинают менять ее: прогнозирование в медицине, написание текстов и генерация изображений. Но что мы себе представляем, когда слышим о том, что нейронная сеть скоро научится программировать или самостоятельно вести производство? Пройдемся по этапам машинного обучения.
В начале обучения нейронной сети используют вводные данные. Мы начинаем с пикселей — это и есть вводные данные. После того, как мы сравнили участки из нескольких пикселей, за единицу измерения возьмем большие участки пикселей с изображением предмета. Картинка разбивается на маленькие части, вплоть до нескольких пикселей, отсюда сеть уже запоминает отдельные признаки животного или предмета, но еще не распознает. Распознание приходит после повторения алгоритмов и нескольких миллионов картинок. Поэтому важно использовать корректные и точные примеры для качественного результата. На основе хороших примеров сети могут более точно обрабатывать входные данные.
Цель машинного обучения в данном случае это построение функции, которая сможет выделить признаки и присвоить объекту класс. Здесь на помощь приходит обучающая выборка — это набор примеров признаков, по которым нам становится ясно - они принадлежат конкретно к этому классу или не принадлежат. Например: хвост, шерсть, усы — по ряду признаков принадлежит котам, это формирует класс. Да, алгоритм подбирает похожие данные, находя общие признаки, нейросеть начинает запоминать целостный образ.
Нейронные сети научились распознавать изображение, сравнивать его, находить схожие, преобразовывать под картины известных художников и иллюстраторов. Но для того, чтобы сеть делала это крайне точно, необходимо вывести функцию ошибки. Что из себя представляет эта функция? Это то количество примеров, где мы совершаем ошибку, потому что ответ "нет" и ответ "да" — это в любом случае ответ, который несет ценность.
Один из типов нейронных сетей, которые показали высокую эффективность это сверточные нейронные сети, выше мы упоминали то, что для входных данных нам требовались участки изображения. Сверточная нейронная сеть состоит из нейронов, каждый нейрон прикреплен к небольшому участку изображения. Они могут преобразовывать изображение, как инструмент ретуши в фоторедакторе, который накладывает слои друг на друга. Дальше сеть сама начинает преобразовать изображение и выводятся нечто новое: гибридное или абстрактное. Как работает плохо обученная нейросеть и почему важен качественный датасет? Объем данных представляет из себя не десятки изображений, а от миллиона и более, но после тренировочной части нужно проверить насколько правильно работает система. В случае, если было недостаточно данных, то вас ждет плохой результат. Поэтому важно использовать корректный и точный датасет. На основе качественных примеров, сеть будет выдавать более точный результат.
Итак, нейронная сеть — это хитрые математические функции, которые раз за разом запоминают огромный объем информации, обучаясь на нем. Помимо сверточной нейронной сети существуют другие: рекуррентные, однослойные и многослойные, но развитие машинного обучения продолжается дальше, а целеполагание и контролирование процесса остается за человеком.
