Введение в машинное обучение
В отличие от традиционного программирования с машинным обучением, люди вводят данные, а также ответы, ожидаемые от данных, и программа выводит правила. Затем эти правила могут быть повторно применены к новым данным для получения новых ответов. Поэтому система машинного обучения обучается на данных, а не явно запрограммирована, она представлена примерами, которые позволяют системе обнаруживать статистическую структуру, а затем создавать правила для автоматизации задачи.
Чтобы система машинного обучения работала, нам по существу нужны три вещи: точки входных данных, примеры ожидаемых результатов и способ измерить, правильно ли работает алгоритм.
Суть методов машинного обучения и глубокого обучения заключается в осмысленном преобразовании данных, в изучении полезных представлений имеющихся входных данных.
Обучение в контексте машинного обучения описывает процесс автоматического поиска лучших представлений. Чтобы преобразовать данные в более полезные представления, система автоматически просматривает так называемое пространство гипотез (предопределенный набор операций, состоящий в основном из преобразований).
Хорошо, но что такое глубокое обучение?
Глубокое обучение — это особая область машинного обучения, в которой большое внимание уделяется изучению представлений данных с помощью последовательных слоев все более значимых представлений.
Эти многоуровневые представления данных изучаются с помощью моделей, называемых нейронными сетями, которые структурированы в виде стопок слоев друг над другом. Количество слоев, составляющих модель данных, называется глубиной модели.
Суть в том, что глубокое обучение — это математическая основа для изучения представлений из данных. Глубокая сеть действует как многоэтапная операция по дистилляции информации, когда информация проходит через последовательные фильтры и выходит все более очищенной.
