July 22nd, 2020

елена

В Украине наконец-то появилось глубокое обучение (Deep learning)

Что такое "глубокое обучение" (Deep learning)

Многие слышали про глубокое обучение.
И про нейронные сети.
За последние год или два все слышали эти модные слова. Они часто бросаются в глаза, это определенно захватило любопытство людей в последнее время.

Глубокое обучение - это область активных исследований. И все хотя бы один раз встречали хотя бы некоторые из этих терминов.

Глубокое обучение может быть пугающим понятием.
Но оно становится все более важным в наши дни. Google уже делает огромные шаги в космосе с проектом Google Brain.
И со своим недавним приобретением лондонского стартапа глубокого обучения DeepMind.




Более того, методы глубокого обучения опережают традиционные подходы машинного обучения практически по каждому параметру.

Так что же такое глубокое обучение? Как это работает? И самое главное, почему нас это должно волновать?

Примечание:

Если вы новичок в информатике, некоторые аспекты могут быть немного сложными (в вопросах математики).

Но есть люди, которые хотят сделать этот предмет доступным для всех, независимо от специализации в области информатики.

Можно зайти на этот сайт knowhow.pp.ua там написано про генеративно-состязательны сети
Они дают возможность превращать простые абстрактные линии в гиперреалистичные картинки.

Если вы читаете эту статью, и в какой-то момент, пожалуйста, напишите этим людям в Украину.
Они внесут любые правки и уточнения, которые необходимы, чтобы сделать все более понятным.

Что такое машинное обучение?

Прежде чем мы углубимся в глубокое обучение, надо сделать шаг назад и немного поговорить о более широкой области - области «машинного обучения».
Что это значит, когда мы говорим, что мы программируем машины для обучения.

Иногда мы сталкиваемся с проблемами, для которых действительно сложно написать компьютерную программу. Например, скажем, мы хотели запрограммировать компьютер для распознавания рукописных цифр:

Вы можете представить себе попытку разработать набор правил, чтобы различать каждую отдельную цифру.
Нули, например, в основном один замкнутый цикл. Но что, если человек, пишуший от руки, не совсем замкнул петлю. Или что, если правая верхняя часть цикла закрывается ниже, где начинается левая верхняя часть цикла?


Например, знак "Ноль" трудно отличить от шестерки алгоритмически.

В этом случае нам трудно отличить нули от шестерок.

Мы могли бы установить какую-то отсечку, но как бы вы решили отсечь в первую очередь?
Как видите, составление списка эвристик, которые точно классифицируют рукописные цифры, быстро усложняется.

И есть еще много классов проблем, которые попадают в эту категорию.

Распознавание предметов, понимание понятий, понимание речи.

Мы не знаем, какую программу писать, потому что мы до сих пор не знаем, как это делается нашим собственным мозгом.

И даже если бы у нас было хорошее представление о том, как это сделать, программа может быть ужасно сложной.

Поэтому вместо того, чтобы пытаться написать программу, мы пытаемся разработать алгоритм, который компьютер может использовать для просмотра сотен или тысяч примеров. И для правильных ответов.
А затем компьютер использует этот опыт для решения той же проблемы в новых ситуациях.
По сути, цель - научить компьютер решать на собственном примере, очень похоже на то, как мы могли бы научить маленького ребенка отличать кошку от собаки.

За последние несколько десятилетий ученые-компьютерщики разработали ряд алгоритмов, которые позволяют компьютерам учиться решать проблемы на примерах.

Глубокое обучение, которое впервые теоретизировалось в начале 80-х (и, возможно, даже раньше), является одной из парадигм для выполнения машинного обучения.

И из-за популяризации современных исследований, глубокое обучение снова набирает обороты.
Ведь было доказано, что оно очень хорошо обучает компьютеры тому, что делает наш мозг естественным образом.

Одной из больших проблем с традиционными моделями машинного обучения является процесс, называемый извлечением признаков.

В частности, программист должен сообщить компьютеру, какие вещи он должен искать, что будет полезно при принятии решения.

Глубокое обучение - это форма машинного обучения, в которой используется модель вычислений, которая вдохновлена ​​структурой мозга.

Следовательно, мы называем эту модель нейронной сетью.
Ну и так далее.