Машинное обучение состоит из чрезвычайно широкого набора статистических методов, используемых для прогнозирования данных. Их можно разделить на две группы: классификация (например, прогнозирование изображения кошки или собаки) и регрессия (например, прогнозирование количества просмотров баскетбольного матча). Примеры методов машинного обучения включают k ближайших соседей (с которых я бы рекомендовал начинать, если вы изучаете машинное обучение, поскольку оно очень простое и интуитивно понятное), линейную регрессию, логистическую регрессию, деревья решений, методы опорных векторов и многое другое.
Нейронные сети – это особый инструмент машинного обучения, названный так потому, что он отдаленно напоминает работу человеческого мозга. Основная идея заключается в том, что у вас есть несколько узлов, представляющих входные данные, которые через синапсы соединены с несколькими узлами, представляющими выходные данные. Синапсы имеют веса, связанные с ними. Значение каждого выходного узла получается путем умножения каждого входного узла на вес соответствующего синапса и включения результата в функцию активации, такую как сигмоид или relu. Формула:
g(∑n0wi,jai)g(∑0nwi,jai)
Это известно как персептрон. Оптимизация весов с помощью градиентного спуска позволяет восприятию становиться все более точным.
Но десятки лет назад было замечено, что эта установка не может обучиться даже очень простым функциям. Поэтому были добавлены дополнительные скрытые слои. Входной слой теперь передается в один или несколько скрытых слоев, прежде чем он будет передан в выходной слой, что обеспечивает гораздо более сложное поведение.
Глубокое обучение — это практика использования нейронных сетей с много скрытых слоев для решения особо сложных задач, таких как машинное зрение и беспилотные автомобили. За последние несколько лет это стало одной из самых популярных областей ИИ.
Вы можете посмотреть это краткое руководство, если хотите узнать больше о глубоком обучении!
