Разбиране на Deep Learning

Мащабната еволюция в света на данните (особено през последните 3-4 години) наистина показа в заден план колко мощни могат да станат машините при вземането на решения, базирани изцяло на факти и цифри, които съществуват от векове – постижение, което изобщо не е възможно с каквото и да е човешко усилие. Тази обработка и разбиране на данни, за да се разбере какво точно се опитват да предадат, доведе до куп полета (проучване), всяко от които поотделно прави грандиозни пробиви, за да направи света по-добро място. Едно такова поле е това, което е видяло своя успех под името Deep Learning. Но какво точно представлява? Е, нека се опитаме да разберем.

Дълбокото обучение само по себе си е по-малка част от още по-голяма област на обучение и изследване – машинно обучение или ML за кратко. Самият гръбнак на дълбокото обучение е да се използват изключително сложни алгоритми, които работят върху рамка, чиято структура и концепция са изцяло извлечени и синоним на мозъка на човешкото тяло. Като такова, повече от разбираемо е, че сърцето на тези рамки трябва да бъде подобно на невроните по много начини – точно по начина, по който невроните са сърцето на цялата ни нервна система. Тази рамка в своята цялост е това, което наричаме изкуствена невронна мрежа (накратко ANN).

Същите тези невронни мрежи са отговорни за постигането на революционен напредък и открития в областта на изкуственото обучение и машинното обучение. Тези мрежи са бавно бавни в момента на тяхното създаване точно като съзнанието на току-що родено бебе – напълно лишено и непознаващо работата на света. Излагането им на данни от реалния живот (факти и цифри) е това, което прецизира тяхната точност, за да вършат изключително сложните и напреднали задачи, които се изискват от тях. Тези невронни мрежи, точно като човешкия мозък, работят най-добре, когато се учат от преживявания в реално време и от реалния живот. След като мрежата и свързаният с нея модел достигнат желаните нива на прецизност, наистина е забавно и интригуващо да ги видите как работят.

ТЕРМИНОЛОГИИ ЗА ДЪЛБОКО ОБУЧЕНИЕ

Deep Learning 101 е свързан с разбирането на най-основните термини, свързани с него (както и тяхното значение). Някои от тези термини включват-

  1. Невронна мрежа

Както беше обсъдено по-рано, невронните мрежи (изкуствени) са гръбнакът на дълбокото обучение. На теория ANN може да се дефинира и визуализира като различни взаимосвързани неврони (изкуствени), които обменят данни помежду си. Ако значението и разбираемостта на тези данни са повече от научения опит на неврон, това води до актуализиране на неврона по отношение на знания и опит, а ако е обратното, невронът много просто обработва данните според своя опит и връща някакъв резултат.

  1. CNN (конволюционна невронна мрежа)

Използван изключително в DIP, CNN включва използването на множество независими филтри (нищо друго освен квадратни матрици) върху многоканално изображение, за да се извлекат някои контрастиращи и различни характеристики от изображение.

  1. RNN (повтаряща се невронна мрежа)

С много прости думи, RNN се използва за обработка на последователна информация, при която предишните набори от изходи могат да бъдат използвани, за да се предвиди следващият набор от изходи въз основа на набор от напълно нови данни. Най-добрият пример за разбиране на това биха били автоматичните препоръки, които човек получава на платформи като Amazon, Netflix, Spotify и др.

Empfohlene Artikel

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.