Типы | ML против DL | Варианты использования | АНЯ

Что такое глубокое обучение?

Глубокое обучение — это подмножество машинного обучения, которое имитирует работу человеческого мозга.

Глубокое обучение (также известное как глубокое структурированное обучение) является частью более широкого семейства методов машинного обучения, основанных на искусственных нейронных сетях с репрезентативным обучением. Обучение может быть контролируемым, полуконтролируемым или неконтролируемым.

- Википедия

Какие существуют типы архитектур глубокого обучения?

Архитектура глубокого обучения может быть разных типов. Существует целый ряд нейронных сетей, которые используются для решения различных задач. Некоторые из них включают:

  1. Глубокие нейронные сети
  2. Граф нейронных сетей
  3. Рекуррентные нейронные сети
  4. Сверточная нейронная сеть

В чем разница между машинным обучением и глубоким обучением?

Прежде чем продолжить чтение, я настоятельно рекомендую вам посмотреть это видео https://youtu.be/D2WHF1yIm4o.

  • Машинное обучение использует алгоритмы для анализа данных, понимания данных и принятия обоснованных решений на основе того, что было проанализировано.
  • Глубокое обучение — это подмножество машинного обучения.
  • Глубокое обучение использует искусственные нейронные сети, которые обучаются на основе данных и принимают разумные решения.
  • Глубокое обучение требует очень больших наборов данных по сравнению с машинным обучением, хотя это можно утверждать с помощью трансферного обучения.
  • Модели машинного обучения можно обучать на ЦП, но для правильного обучения для глубокого обучения требуется ГП.

Примеры использования глубокого обучения?

Различные архитектуры связаны с несколькими приложениями. Например. Сверточные нейронные сети широко используются для продуктов на основе компьютерного зрения (изображения и видеоданные), аналогично рекуррентным нейронным сетям, связанным с обработкой естественного языка (текстовые данные). Таким образом, можно легко понять, что глубокое обучение можно использовать в различных отраслях практически для всех типов структурных данных. Варианты использования глубокого обучения включают

  1. Компьютерное зрение
  • Классификация изображений
  • Обнаружение объектов

2. Обработка естественного языка

  • Классификация текста
  • Нейронный поиск
  • Распознавание объектов
  • Машинный перевод

3. Системы рекомендаций

4. Обработка звука

Компоненты искусственных нейронных сетей

Нейронные сети

Как следует из названия, нейронные сети можно определить как набор алгоритмов, специально разработанных для того, чтобы действовать как человеческий мозг. С технологической точки зрения ее можно назвать вычислительной моделью, имеющей сетевую архитектуру.

Чтобы получить общее представление, я перечислил некоторые из его компонентов.

  1. Нейроны
  2. Уровни нейронной сети
  • Входной слой
  • Скрытые слои
  • Выходной слой

3. Веса и смещения

4. Функция потери

5. Функции активации

6. Оптимизация/градиентный спуск

7. Настройка параметров

Ссылки