Глубокое обучение: понятие и применение | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 7 ноября, печатный экземпляр отправим 11 ноября.

Опубликовать статью в журнале

Автор:

Рубрика: Информационные технологии

Опубликовано в Молодой учёный №37 (327) сентябрь 2020 г.

Дата публикации: 09.09.2020

Статья просмотрена: 5 раз

Библиографическое описание:

Хамидов, Э. Х. Глубокое обучение: понятие и применение / Э. Х. Хамидов. — Текст : непосредственный // Молодой ученый. — 2020. — № 37 (327). — С. 8-11. — URL: https://moluch.ru/archive/327/73499/ (дата обращения: 29.10.2020).



В статье рассмотрены такие понятия как глубокое обучение и их возможности, сферы применения, также рассматриваются такое понятия как искусственный интеллект, машинное обучение и нейронные сети.

Ключевые слова: глубокое обучение, искусственный интеллект (ИИ), машинное обучение, нейронные сети.

В настоящее время тема машинного обучения, интеллектуальных алгоритмов и искусственный интеллект очень популярна, потому что искусственные нейронные сети активно развиваются и уже используются во многих отраслях науки и сферах жизни.

Среди них можно отметить, что глубокое обучение привлекает внимание всех нас, поскольку оно достигает результатов, которые ранее было сложно представить. Глубокое обучение — это область искусственного интеллекта, которая фокусируется на создании больших моделей нейронных сетей, которые способны принимать точные решения на основе данных. Глубоко обучение особенно подходит для работ, в которых данные сложные и где доступны большие наборы данных. Сегодня большинство онлайн-компаний и высокотехнологичных потребительских технологий используют глубокое обучение. К примеру, Facebook использует глубокое обучение для анализа текста в онлайн-беседах. Google, Baidu и Microsoft используют глубокое обучение для поиска изображений, а также для машинного перевода. На всех современных смартфонах работают системы глубокого обучения; например, глубокое обучение теперь является стандартной технологией для распознавания речи, а также для распознавания лиц на цифровых камерах. В секторе здравоохранения глубокое обучение используется для обработки медицинских изображений (рентгеновские снимки, компьютерная томография и МРТ) и диагностики заболеваний. Глубокое обучение также лежит в основе беспилотных автомобилей, где оно используется для локализации и картирования, планирования движения и рулевого управления, а также для восприятия окружающей среды, а также для отслеживания состояния водителя. [1, c. 1, 2]

При глубоком обучении компьютер становится опытным в выполнении задач по изображениям, тексту или звуку и может реализовать современную точность, во много раз превосходящую человеческую реализацию.

Мы часто слышим термины: ИИ (искусственный интеллект), машинное обучение и глубокое обучение. Итак, в чем различия? Все машинное обучение — это ИИ, но не весь ИИ — это машинное обучение. AI — это общий термин для любой компьютерной программы, которая делает что-то умное. Глубокое обучение — это подмножество машинного обучения, а машинное обучение — это подмножество искусственного интеллекта.

Искусственный интеллект — это область компьютерных наук, которая подчеркивает необходимость создания интеллектуальных машин, которые работают и реагируют как люди. Основной процедурой машинного обучения является предоставление обучающих данных алгоритму обучения, который, в свою очередь, генерирует новый набор правил, основанный на выводах из данных. Используя разные данные обучения, один и тот же алгоритм обучения может быть использован для создания различных моделей. Вывод новых инструкций из данных является сильной стороной машинного обучения. Чем больше данных доступно для обучения алгоритму, тем больше он изучает.

Когда используется термин глубокое обучение, он обычно относится к глубоким искусственным нейронным сетям. Глубокие искусственные нейронные сети — это набор алгоритмов, которые устанавливают новые рекорды точности для критических задач, таких как распознавание изображений, восприятие звука и обработка языка. Глубокое обучение обеспечивает точность восприятия на более высоких уровнях, чем когда-либо прежде в таких областях, как потребительская электроника, и это жизненно важно для критически важных приложений, таких как автономные транспортные средства. Текущие разработки в области глубокого обучения улучшились до такой степени, что глубокое обучение делает лучше, чем люди при выполнении многих задач.

Вдохновленные нейронами, составляющими человеческий мозг, нейронные сети включают слои, которые связаны в смежных слоях друг с другом. Чем больше слоев, тем глубже сеть. Один нейрон в мозге получает до 100 000 сигналов от других нейронов. Когда эти другие нейроны срабатывают, они оказывают возбуждающее или тормозящее воздействие на нейроны, с которыми они связаны. Если входы первого нейрона складываются до определенного базового напряжения, он также сработает.

В искусственной нейронной сети, как и в мозгу, сигналы передаются между нейронами. Но вместо того, чтобы подавать электрический сигнал, нейронная сеть выделяет акценты для множества нейронов. Нейрон смещен намного сильнее, чем другой нейрон, который будет оказывать большее влияние на следующий слой нейронов. В последнем слое эти взвешенные входные данные объединяются, чтобы найти ответ.

Эти нейронные сети состоят из слоев взвешенных нейронов. Только они не моделировали работу мозга. Они вдохновлены зрительной системой.

Каждый слой в нейронной сети использует фильтр по изображению, чтобы подобрать явные формы или характеристики. Первые несколько слоев выделяют более крупные элементы, такие как диагональные линии, а следующие слои улавливают более мелкие детали и организуют их в сложные элементы.

C:\Users\Elnur\Downloads\Архитектура_сверточной_нейронной_сети.png

Как и в обычной нейронной сети, конечный выходной слой полностью связан, что означает, что все нейроны в этом слое связаны со всеми нейронами в предыдущем слое. Слои нейронов, которые расположены между первым слоем нейронов (входной слой) и последним слоем нейронов (выходной слой), называются скрытыми слоями. Именно здесь нейронная сеть пытается решить проблемы. Просмотр действий скрытых слоев может многое рассказать об информации, которую сеть научилась извлекать из данных.

Традиционные нейронные сети содержат только 2–3 скрытых слоя, в то время как глубокие сети могут иметь до 150. Большие наборы помеченных данных используются для обучения моделей глубокого обучения с использованием архитектур нейронных сетей, которые изучают функции непосредственно из данных без необходимости ручного управления. функция извлечения.

Машины глубокого обучения не требуют человеческого программиста. Это возможно из-за огромного количества данных, которые мы собираем и потребляем. Данные — это сила для моделей глубокого обучения. Из-за этого машины для глубокого обучения уже используются в практических целях.

Поскольку глубокое обучение продолжает развиваться, мы можем ожидать, что многие компании будут использовать машинное обучение для повышения качества обслуживания клиентов. Уже есть модели глубокого обучения, используемые для чат-ботов и онлайн-решений для самообслуживания.

Машинный перевод не является чем-то новым, но глубокое обучение способствует улучшению автоматического перевода текста с помощью сложенных сетей нейронных сетей и позволяет переводить изображения.

В прошлом черно-белые видеофильмы должны были быть раскрашены вручную, что было очень трудоемким и дорогостоящим. Теперь этот процесс может быть автоматически выполнен с помощью моделей глубокого обучения, которые могут автоматически раскрашивать изображения в градациях серого на основе сверточных нейронных сетей, в которых имеется слой слияния, позволяющий художнику объединять локальную информацию, зависящую от небольших областей изображения, с большими предыдущими изображениями.

Расширенная обработка естественного языка и глубокое изучение могут помочь отфильтровать новостные сюжеты, которые вас интересуют. Агрегаторы новостей, использующие эту новую технологию, могут фильтровать новости на основе анализа настроений, поэтому вы можете создавать новостные потоки, которые освещают только происходящие новости, содержащие интересные истории.

Еще одна замечательная способность глубокого обучения — идентифицировать изображение и создать понятную подпись с правильной структурой предложений для этого изображения так же, как если бы человек писал подпись.

Машина глубокого обучения может даже генерировать текст, изучая пунктуацию, грамматику и стиль фрагмента текста. Он может использовать созданную им модель для автоматического создания совершенно нового текста с правильным написанием, грамматикой и стилем текста примера. Сегодня надо взять с собой зонтик, так как ожидается дождь.

Прогнозируется, что развитие машин глубокого обучения ускорит процесс и создаст еще более инновационное применение в ближайшие несколько лет. Приложения глубокого обучения могут обучать робота, просто наблюдая за действиями человека, выполняющего задачу, или используют соединение от нескольких других ИИ для выполнения действия. Человеческий мозг обрабатывает информацию из прошлого опыта. Робот с глубоким обучением будет выполнять задачи на основе ввода множества различных мнений AI.

Литература:

  1. Deep Learning автор книги: John D. Kelleher, 2019 The Massachusetts Institute Technology — с. 1–2
  2. В. В. Круглов, В. В. Борисов — Искусственные нейронные сети. Теория и практика — с.14
  3. Фаустова К. И. Нейронные сети: применение сегодня и перспективы развития. Территория науки. 2017. № 4. — с. 86
  4. Создаём нейронную сеть — Тарик Рашид, 2017 «Диалектика» Москва
  5. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение = Deep Learning. — М.: ДМК Пресс, 2017. — 652 с.
  6. Э. М. Пройдаков Современное состояние искусственного интеллекта — Цифровая экономика 3(3) — 2018 — с. 52.
Основные термины (генерируются автоматически): глубокое обучение, машинное обучение, искусственный интеллект, сеть, данные, нейрон, слой, изображение, нейронная сеть, машинный перевод.


Задать вопрос