На заре ИИ в этой области использовались жестко закодированные правила и алгоритмы.

Игра в шахматы против ИИ — это упражнение в грубой вычислительной силе; компьютерная программа просматривает каждую возможную серию ходов и выбирает ход с лучшим результатом.

Чат-боты с искусственным интеллектом могут вести «разговор» с вами, ища определенные слова и фразы, предоставленные пользователем.

Затем он отвечает готовыми ответами, которые программист придумал заранее (современные виртуальные помощники все еще полагаются на эту технику).

Хотя эти системы могут показаться разумными, они зависят от запрограммированного интеллекта — у них нет возможности учиться на собственном опыте.

Машинное обучение переворачивает это с ног на голову. Вместо того, чтобы полагаться на жестко закодированные правила для решения проблем, алгоритм машинного обучения обучается, передавая ему данные из реального мира.

Затем машинное обучение создает модель, которая ищет закономерности между данными, которые вы ей предоставляете, и тем, что вы пытаетесь предсказать.

Эта модель может делать прогнозы для новых вещей, которых она никогда раньше не видела. По мере того, как модель подвергается все большему количеству обучающих данных, ее точность становится все лучше и лучше.

В качестве простого примера представьте, что вы хотите построить систему, которая может прогнозировать цену продажи дома на основе атрибутов этого дома.

Вы можете обучить алгоритм машинного обучения, предоставив ему исторические данные о ценах продажи дома, а также такие данные, как местоположение дома, площадь в квадратных футах, количество ванных комнат, возраст и т. д.

Алгоритм начнет определять, как эти различные свойства дома влияют на его продажную цену, и создаст модель, которая понимает, как каждый атрибут влияет на окончательную цену дома.

Для новых домов, выходящих на рынок, этот алгоритм машинного обучения может использовать модель для автоматического прогнозирования продажной цены.

И по мере того, как с течением времени в систему поступает все больше и больше продаж домов, ее точность будет становиться все лучше и лучше.

Эта система машинного обучения не полагается на правила, запрограммированные человеком; скорее, он изучает их на основе реальных данных.

Глубокое обучение — один из многих методов машинного обучения

Как может работать эта система ценообразования на жилье?

На самом деле это довольно просто; вы можете нанести на график различные атрибуты, такие как площадь в квадратных футах, в зависимости от цен продажи, с которыми вы обучаете систему, подобрать кривую для каждого из них и использовать эти кривые для прогнозирования цен на новые дома, появляющиеся на рынке. Это называется множественная регрессия.

Или вы можете построить дерево решений, которое изучает иерархический ряд точек принятия решений, которые приводят к точному прогнозу цены.

Он может начинаться с ценового диапазона для данной области, уточняться по размеру дома, далее уточняться по возрасту дома и так далее, пока не будет оценена окончательная цена.

Это всего лишь два из многих алгоритмов машинного обучения, которые мы могли бы использовать, но ни один из них не является тем, что мы называем «глубоким обучением».

Глубокое обучение как сложные искусственные нейронные сети

Хотя глубокое обучение — это еще один метод машинного обучения, он привлек внимание, потому что он очень гибкий — и вдохновлен тем, как работает наш собственный человеческий мозг.

Системы глубокого обучения состоят из слоев виртуальных нейронов.

Задача каждого нейрона состоит в том, чтобы просто суммировать входные данные, поступающие на него, и решить, передавать ли выходной сигнал следующему слою нейронов над ним.

Каждый нейрон в слое связан с каждым нейроном в слоях сети выше и ниже него. Изучая оптимальные веса для каждого из этих соединений, эта нейронная сеть может решать множество задач почти так же, как это делает ваш собственный мозг.

Несмотря на то, что нейронная сеть — это простая концепция, огромное количество связей между нейронами означает, что они могут представлять очень сложные проблемы.

Пример нейронной сети

Возвращаясь к примеру с ценами на недвижимость, все атрибуты в ваших обучающих данных (местоположение, размер и т. д.) обрабатываются в одинаковом масштабе и передаются нейронам в самом нижнем слое вашей нейронной сети.

Через несколько итераций нейронная сеть достигает наилучшего набора весов между своими соединениями, чтобы произвести точный прогноз цены на выходе своего самого верхнего слоя.

Как только эта нейронная сеть будет обучена с лучшими весами между нейронами, она может начать быстро прогнозировать цены на новые дома, которых модель раньше не видела.

Когда количество слоев в нейронной сети больше одного, мы говорим, что это глубокая нейронная сеть.

Именно это мы подразумеваем под термином глубокое обучение. Модель глубокого обучения — это система машинного обучения, реализованная глубокой нейронной сетью.

Это не случай машинного обучения против глубокого обучения; глубокое обучение это метод машинного обучения, и очень интересный!

Здесь мы коснулись только поверхности; есть чему поучиться.

Вы заинтересованы в том, чтобы стать инженером по машинному обучению? Прочитайте эту статью, чтобы узнать, какие навыки вам нужны для карьеры в области машинного обучения.

====================================================================

Первоначально опубликовано на https://askcarlito.blogspot.com.