ГЛИБИННЕ МАШИННЕ

НАВЧАННЯ
Технології машинного навчання все глибше проникають у повсякденне
життя і можуть використовуватись у таких продуктах як камери або
смартфони. Машинне навчання використовується, щоб виділити об'єкти в
зображенні, перетворити мовлення в текст або надати релевантні
результати пошуку. Все частіше для такого типу завдань використовують
таку галузь машинного навчання, як глибинне навчання. Воно виникло на
противагу звичайному машинному навчанню, що вимагало
конструювання складних механізмів, які б перетворювали необроблені
дані у представлення, що може бути оброблене системою.
Глибинне навчання — це набір методів, що використовує багатошарові
штучні нейронні мережі, щоб забезпечити найсучаснішу точність виконання
завдань.
Також глибинне навчення ще називають - глибинне структурне навчання,
ієрархічне навчання, глибинне машинне навчання та deep learning.
Архітектури глибинного навчання, такі як глибокі нейронні мережі, мережі
глибоких переконань, глибоке навчання з підкріпленням, рекурентні
нейронні мережі та згорткові нейронні мережі, були застосовані до таких
галузей, як комп’ютерний зір, розпізнавання мовлення, обробка природної
мови, машинний переклад, біоінформатика, розробка ліків, медицина.
програми аналізу зображень, перевірки матеріалів та настільних ігор, де
вони дали результати, які можна порівняти, а в деяких випадках і
перевершують роботу експертів.
Глибинне навчання – це різновид машинного навчання. Але насправді це не зовсім
так. Класичне машинне навчання – це витяг нових знань з великого масиву даних,
які завантажує в машину людина. Вона формує правила навчання машини (за
рахунок т. з. «навчальної вибірки»), і виправляє помилки машини (усуває ефект т.
з. «перенавчання»). Але у класичного машинного навчання є істотні недоліки –
дані для обробки та приклади рішення даються машині людиною. Іншими
словами, в класичному машинному навчанні комп’ютер виконує велику кількість
завдань, але не формує ці завдання самостійно. Концепція «глибинного навчання»
припускає, що машина сама створює собі функціонал, наскільки це тільки
можливо на поточний момент часу.
Саме поняття «глибина» у застосуванні до машинного навчання передбачає
моделювання багаторівневих абстракцій (шарів) і переведення їх у дані. Чим
більше цих шарів (глибин), тим більше високоінтелектуальні завдання може
виконувати нейронна мережа. При цьому вона виконує їх без допомоги людини.
Штучні нейронні мережі були натхненні обробкою інформації та
розподіленими вузлами зв’язку в біологічних системах. ШНМ мають різні
відмінності від біологічного мозку. Зокрема, вони, як правило, статичні та
символічні, тоді як біологічний мозок більшості живих організмів є
динамічним (пластичним) і аналоговим.
Глибинне навчання – це сучасна варіація, яка стосується необмеженої
кількості шарів обмеженого розміру, що дозволяє практичне застосування
та оптимізовану реалізацію, зберігаючи теоретичну універсальність у
м’яких умовах. У глибинному навчанні шари також можуть бути
неоднорідними і значно відхилятися від біологічно обґрунтованих
коннекціоністських моделей заради ефективності, можливості навчання
та зрозумілості, звідки і виникає «структурована» частина.
По суті, глибинне навчання – це перший і досить великий крок в сторону
штучного інтелекту. Нейронні мережі – це системи, які, хай поки
примітивно, але можуть думати, тобто створювати нові відкриття з даних,
які вони самі для себе створили. Механізм багаторівневих абстракцій
(шарів), що використовується в глибинному навчанні, дуже схожий на
механізм навчання дитини. Як дитина спочатку вивчає звуки, потім окремі
слова, і тільки потім пропозиції – глибинна нейронна мережа рухається
від простих (поверхневих) абстракцій до більш складних.
 Прихований Прихований
Вхідний шар 1 шар 2
шар

Вихідний
шар
 Шар 1 Шар 2 Шар 3
Вихідні дані

Вхідні дані

Функція
Корекція важеля втрат

Оптимізатор Істинне
значення
Глибинне машинне навчання використовується у багатьох сферах:
• Автоматичне розпізнавання мовлення;
• Розпізнавання зображень;
• Обробка образотворчого мистецтва;
• Обробка природної мови;
• Пошук нових ліків і токсикологія;
• Управління відносинами з клієнтами;
• Системи рекомендацій;
• Біоінформатика;
• Аналіз медичних зображень;
• Мобільна реклама;
• Відновлення зображення;
• Військові цілі;
• Диференціальні рівняння в частинних похідних.
Обчислювальні фінанси, машинне навчання та глибинне навчання були
важливими компонентами фінансового сектора протягом багатьох років.
Розвиток цих методів, технологій і навичок дозволив фінансовій індустрії
досягти вибухового зростання протягом десятиліть і стати більш
ефективною, чіткою та прибутковою для її учасників.
Глибинне навчання для фінансів — це мистецтво використання методів
нейронної мережі в різних частинах фінансового сектора, таких як:
• обслуговування клієнтів;
• алгоритмічна торгівля;
• страховий андеррайтинг та страхові претензії;
• кредитування;
• управління ризиками;
• кредитна оцінка та дослідження клієнтів кредитної карти;
• прогноз фондового ринку;
• фінансова безпека (виявлення і протидія фінансового шахрайства);
• використання методів AI для обробки великих даних (автоматизація
процесу).