Deep Learning

Глубокое обучение (также известное как глубокое структурированное обучение) является частью более широкого семейства методов машинного обучения, основанных на искусственных нейронных сетях с репрезентативным обучением. Обучение может быть контролируемым, полуконтролируемым или неконтролируемым.

Архитектуры глубокого обучения, такие как глубокие нейронные сети, глубокие сети убеждений, глубокое обучение с подкреплением, рекуррентные нейронные сети и сверточные нейронные сети, применялись в таких областях, как компьютерное зрение, распознавание речи, обработка естественного языка, машинный перевод, биоинформатика, разработка лекарств, медицина. анализ изображений, наука о климате, проверка материалов и программы настольных игр, в которых они дали результаты, сравнимые, а в некоторых случаях и превосходящие возможности человека-эксперта.

Искусственные нейронные сети (ИНС) были вдохновлены обработкой информации и распределенными коммуникационными узлами в биологических системах. ИНС имеют различные отличия от биологического мозга. В частности, искусственные нейронные сети, как правило, статичны и символичны, в то время как биологический мозг большинства живых организмов динамичен (пластичен) и аналогов.

Прилагательное «глубокий» в глубоком обучении относится к использованию нескольких слоев в сети. Ранние работы показали, что линейный персептрон не может быть универсальным классификатором, но сеть с неполиномиальной функцией активации с одним скрытым слоем неограниченной ширины может. Глубокое обучение — это современная вариация, связанная с неограниченным числом слоев ограниченного размера, которая допускает практическое применение и оптимизированную реализацию, сохраняя при этом теоретическую универсальность в мягких условиях. В глубоком обучении слоям также разрешается быть гетерогенными и сильно отклоняться от биологически обоснованных коннекционистских моделей ради эффективности, обучаемости и понятности, откуда «структурированная» часть.