Што е длабоко учење
Длабокото учење е под-област на машинско учење и користи нервни мрежи и големи количини на податоци. Методите на учење се засноваат на функционирањето на човечкиот мозок и резултираат во можност да се направат сопствени прогнози или одлуки.
Таканареченото длабоко учење е посебен метод за обработка на информации. Длабокото учење е под-област на машинско учење и користи нервни мрежи. Методи за обука кои користат и анализираат големи количини на податоци се користат за производство на вештачка интелигенција. Начинот на работа е инспириран во многу области со учење во човечкиот мозок. Врз основа на постојните информации и нервната мрежа, системот може повеќе пати да го поврзе наученото со нова содржина и со тоа да научи повторно. Како резултат, машината е во состојба да прави предвидувања или одлуки и да ги доведува во прашање. Одлуките се потврдуваат или менуваат во нов обид. Како по правило, луѓето повеќе не интервенираат во реалниот процес на учење.
Длабокото учење е особено погодно за сите апликации во кои се достапни големи количини на податоци од кои може да се изведат обрасци и модели. Вештачки нервни мрежи кои постојано се поврзани во текот на процесот на учење служат како техничка основа на длабоко учење.
Нервни мрежи - основа за длабоко учење
Нервната мрежа е вид на модел на вештачка апстракција на човечкиот мозок и се состои од вештачки неврони. Има таканаречени влезни и излезни неврони. Меѓу нив има неколку слоеви на средни неврони. Влезните неврони можат да бидат поврзани со излезните неврони со учење на различни начини преку средните неврони. Колку повеќе неврони и слоеви има, толку покомплексни прашања може да се мапираат.
Основниот концепт на длабоко учење
Длабокото учење ги учи машините да учат. Машината е овозможена да ги подобрува своите способности независно и без човечка интервенција. Ова се постигнува со извлекување и класифицирање на обрасци од постојните податоци и информации. Стекнатото знаење може за возврат да биде во корелација со податоците и да се поврзе во понатамошен контекст. Конечно, машината е во состојба да донесува одлуки врз основа на врските.
Со континуирано испрашување на одлуките, на информациските врски им се даваат одредени пондери. Доколку одлуките се потврдат, нивното пондерирање се зголемува; доколку се ревидираат, пондерирањето се намалува. Се повеќе и повеќе нивоа на средни слоеви и врски се создаваат помеѓу влезниот слој и излезниот слој. Бројот на средни слоеви и нивната врска го одредуваат вистинскиот излез.
Диференцијација на длабоко учење од чисто машинско учење
Длабокото учење е под-област на машинско учење, но сепак може јасно да се разликува од чистото машинско учење. Клучната разлика е во тоа што со машинското учење, луѓето интервенираат во анализата на податоците и реалниот процес на донесување одлуки. Со длабоко учење, луѓето само осигуруваат дека информациите се достапни за учење и дека процесите се документирани. Вистинската анализа и изведувањето на предвидувањата или одлуките ги остава на самата машина.Луѓето немаат никакво влијание врз резултатите од процесот на учење. Во ретроспектива, веќе не е можно целосно да се следи точната шема врз основа на која машината донела одредена одлука. Покрај тоа, одлуките постојано се доведуваат во прашање и правилата за одлучување се оптимизираат независно.
Области за примена за длабоко учење
Длабокото учење е добро прилагодено секаде каде што може да се испитаат големи количини на податоци за модели и модели. Длабокото учење често се користи во контекст на вештачката интелигенција за препознавање на лице, предмет или говор. Со препознавање на говор, на пример, благодарение на длабокото учење, можно е системите самостојно да го прошират својот вокабулар со нови зборови или фрази. Добро познат пример за таков начин на работа е интелигентниот гласовен асистент Siri од Apple. Други области на примена се превод на говорни текстови, напредна вештачка интелигенција во компјутерски игри, автономно возење или предвидување на однесувањето на клиентот засновано на податоци од системот CRM.