ГЛУБОКОЕ ОБУЧЕНИЕ КАК ЭФФЕКТИВНЫЙ МЕТОД МАШИННОГО ОБУЧЕНИЯ

DEEP LEARNING AS AN EFFECTIVE MACHINE LEARNING METHOD

Anton Yakimchuk

student, Department of Informatics and Computer Engineering, Siberian state university of science and technology named after academician M.F. Reshetnev,

Russia, Krasnoyarsk

АННОТАЦИЯ

Рассматривается метод глубокого обучения. Приводятся его описательные характеристики и способы применения.

ABSTRACT

This article reviews the deep learning method. It gives its descriptive characteristics and methods of application.

Ключевые слова: глубокое обучение; машинное обучение; нейрон.

Keywords: deep learning; machine learning; neuron.

Глубокое обучение – это метод машинного обучения. Глубокое обучение позволяет обучать модель и предсказывать результат по набору входных данных. Для обучения сети можно использовать как контролируемое, так и неконтролируемое обучение.

Рассмотрим принцип работы глубокого обучения на примере сервиса для прогнозирования цен на авиабилеты. Процесс обучения будет контролируемым. Необходимо, чтобы сервис предсказывал цену авиабилета по следующим входным данным:

• аэропорт вылета;
• аэропорт назначения;
• дата вылета;
• авиакомпания.

Нейроны в рассматриваемой модели сгруппированы в три различных типа слоев:

• входной слой;
• скрытый слой (слои);
• выходной слой.

На входной слой подаются входные данные. В рассматриваемом примере на входном слое имеется четыре нейрона: аэропорт вылета, аэропорт назначения, дата вылета и авиакомпания. Входной слой передает информацию в первый скрытый слой. Скрытые слои обрабатывают полученную информацию с помощью математических вычислений. Под глубоким обучением подразумевается наличие более чем одного слоя. Затем выходной слой выдает результат обработки. В рассматриваемом примере это прогноз цены на билет.

Все нейроны имеют связь друг с другом и каждый из них обладает определённым весом. У каждого нейрона имеется функция активации. У данной функции одной из целей является процесс «стандартизации» данных. После того, как набор входных данных прошел через все скрытые слои нейронной сети, функция активации возвращает выходные данные.

Для обучения нейросети необходимо подать в нее подготовленные входные данные и сравнить сгенерированные ей выходные данные с результатами тестового набора данных. После пропуска всех данных можно определить функцию потерь, которая будет показывать, насколько результаты алгоритма отличаются от реальных данных. Если функция потерь будет равна нулю, то выходные данные работы нейросети полностью совпадут с результатами тестового набора данных. Уменьшить значение функции потерь можно с помощью градиентного спуска. Суть метода состоит в небольшом изменении веса каждого нейрона после каждой итерации. После многократного перебора данных сеть будет обучена. После обучения можно использовать сервис для прогнозирования цен на авиабилеты [1].

Примером применения методов глубокого обучения является распознавание лиц. Компании Google, Facebook и Microsoft имеют уникальные модели в данной области. В последнее время идентификация на основе изображения лица изменилась на автоматическое распознавание путем определения возраста и пола в качестве исходных параметров.

Еще одним примером использования глубокого обучения является прогнозирование заболеваний. Было обработано изображение головного мозга, полученное с помощью МРТ, чтобы предсказать возможную болезнь Альцгеймера. Несмотря на успехи данной процедуры, были некоторые проблемы. Для более точных диагнозов, необходимо долго обучать систему и обучать только снимками довольно высокого качества [2].

Также, глубокое обучение применяется в следующих направлениях [3]:

• Распознавание речи;
• Компьютерное зрение;
• Обработка естественного языка – машинный перевод и языковое моделирование;
• Обнаружение новых лекарственных препаратов;
• Рекомендательные системы – изучение пользовательских предпочтений.

На данный момент глубокое обучение является довольно актуальным и востребованный методом машинного обучения. Использование данного метода в различных областях доказывает его универсальность.

Список литературы:

1. Глек П.В. Глубокое обучение (Deep Learning): краткий туториал — 2018 — [электронный ресурс] — Режим доступа. — URL: https://neurohive.io/ru/osnovy-data-science/glubokoe-obuchenie-deep-learning-kratkij-tutorial/ (дата обращения 04.08.2020)
2. Глубокое обучение (Deep Learning): обзор — 2019 — [электронный ресурс] — Режим доступа. — URL: https://habr.com/ru/company/otus/blog/459785/ (дата обращения 05.08.2020)
3. Глубокое обучение — [электронный ресурс] — Режим доступа. — URL: https://neerc.ifmo.ru/wiki/index.php?title=Глубокое_обучение (дата обращения 06.08.2020)