Глубокое обучение — одна из самых успешных областей машинного обучения. В настоящее время он применяется к задачам самого разного типа. Он также достиг уровня точности в некоторых из этих проблем, которого никогда не достигала ни одна другая модель машинного обучения. Но что такое глубокое обучение? Существует ли более одного типа модели глубокого обучения? Чем глубокое обучение отличается от других областей машинного обучения? В этом посте мы ответим на эти и другие вопросы.

Глубокое обучение, как оно делается в наши дни, не имеет ничего общего с реальной симуляцией нейронной сети человека. Глубокое обучение — это получение данных через различные фильтры, слои, чтобы привести эти данные к желаемому целевому представлению. Глубокое в глубоком обучении заключается в том, что в модели глубокого обучения может существовать много таких слоев. Обучение в глубоком обучении заключается в том, что эти слои учатся тому, как получить желаемое целевое представление данных. Первый слой — это входной слой, последний слой — это выходной слой, а все остальные слои между этими двумя называются скрытыми слоями.

Обучение с учителем представляет собой подавляющее большинство случаев, когда используется глубокое обучение. В этом типе обучения есть входные данные с переменными, которые правильно называются предикторами или признаками, и есть цель. Цель состоит в том, чтобы изучить взаимосвязь между предикторами и целью. Глубокое обучение достигает этого путем последовательных изменений через свои слои в представлении входных данных до тех пор, пока окончательное выходное представление не будет равно целевым значениям. Эти слои имеют параметры, которые настраиваются для последовательного представления данных. Эта корректировка является обучающей частью.

Другим типом обучения является обучение без учителя, при котором, в отличие от обучения с учителем, ранее не задано целевое значение, которое можно было бы связать с особенностями входных данных. В неконтролируемом обучении цель другая, например, уменьшить размеры данных для визуализации данных или лучшего понимания или для выявления скрытых кластеров. Обратите внимание, что глубокое обучение не является типом обучения, как контролируемое и неконтролируемое обучение. Глубокое обучение — это тип модели машинного обучения с характеристиками, которые мы объяснили выше.

Модели глубокого обучения и их разнообразие

Существуют различные типы моделей глубокого обучения в зависимости от типа входных данных и типа сетевой архитектуры:

  • Плотные нейронные сети (Dense Nets) используются для структурированных данных, то есть данных, которые могут быть представлены в табличном формате. Этот тип данных также хорошо обрабатывается другими типами моделей машинного обучения.
  • Сверточные нейронные сети (ConvNets) используются для данных магии.
  • Сети долговременной памяти (LSTM), особый вид рекуррентных нейронных сетей (RNN), используются для изучения долгосрочных зависимостей, таких как временные ряды и данные последовательности.
  • Генеративно-состязательные сети (GAN) используются в неконтролируемом обучении. Они могут генерировать изображения из описаний, изображения с высоким разрешением из изображений с низким разрешением, идентифицировать изображения, содержащие заданный шаблон, среди прочего.

Вопреки тому, что многие думают, некоторые типы моделей глубокого обучения являются не черными ящиками, а объяснительными.