- Տերմինաբանություն (Ա-ից Դ)
- AI կարողությունների վերահսկում
- AI Ops
- ալբոմներ
- Ակտիվների կատարողականը
- Ավտոկոդավորիչ
- Հետ տարածում
- Բեյսի թեորեմ
- Մեծ Data
- Chatbot: Սկսնակների ուղեցույց
- Հաշվարկային մտածողություն
- Համակարգչային տեսլականը
- Շփոթության մատրիցա
- Convolutional նյարդային ցանցեր
- Cybersecurity- ը
- Տվյալների գործվածք
- Տվյալների Պատմություն
- Data Science
- Տվյալների պահպանում
- Որոշման ծառ
- Deepfakes
- Խորը ուսուցում
- Deep Reinforcement Learning
- Devops
- DevSecOps
- Դիֆուզիոն մոդելներ
- Թվային երկվորյակներ
- Չափերի կրճատում
- Տերմինաբանություն (E-ից K)
- Edge AI
- Զգացմունք AI
- Համույթի ուսուցում
- Էթիկական հակերություն
- ETL
- Բացատրելի AI
- Դաշնային ուսուցում
- Եզրաշերտ
- Գեներատիվ AI
- Generative Adversarial Network
- Գեներատիվ ընդդեմ խտրական
- Գրադիենտի բարձրացում
- Գրադիենտ ծագում
- Few-Shot ուսուցում
- Պատկերների դասակարգում
- ՏՏ գործառնություններ (ITOs)
- Միջադեպերի ավտոմատացում
- Ազդեցության ճարտարագիտություն
- K-Means Clustering
- K-Մոտակա հարևանները
- Տերմինաբանություն (L-ից Q)
- Տերմինաբանություն (R-ից Z)
- Ամրապնդման ուսուցում
- Պատասխանատու AI
- RLHF
- Ռոբոտների գործընթացների ավտոմատացում
- Structured vs Unstructured
- Զգայականության վերլուծություն
- Վերահսկվող vs Չվերահսկվող
- Աջակցեք վեկտորային մեքենաներին
- Սինթետիկ տվյալներ
- Սինթետիկ մեդիա
- Տեքստի դասակարգում
- TinyML
- Տրանսֆերային ուսուցում
- Տրանսֆորմատորային նեյրոնային ցանցեր
- Turing Test
- Վեկտորի նմանության որոնում
AI 101 թ
Ի՞նչ է խորը ուսուցումը:
Բովանդակություն
Խորը ուսուցումը արհեստական բանականության ամենաազդեցիկ և ամենաարագ զարգացող ոլորտներից մեկն է: Այնուամենայնիվ, խորը ուսուցման ինտուիտիվ ըմբռնումը կարող է դժվար լինել, քանի որ խորը ուսուցում տերմինը ներառում է մի շարք տարբեր ալգորիթմներ և տեխնիկա: Խորը ուսուցումը նաև ընդհանուր առմամբ մեքենայական ուսուցման ենթաճյուղ է, ուստի կարևոր է հասկանալ, թե ինչ է մեքենայական ուսուցումը, որպեսզի հասկանանք խորը ուսուցումը:
Ի՞նչ է մեքենաշինությունը
Խորը ուսուցում մեքենայական ուսուցումից բխող որոշ հասկացությունների ընդլայնումն է, ուստի այդ պատճառով եկեք մեկ րոպե տրամադրենք բացատրելու, թե ինչ է մեքենայական ուսուցումը:
Պարզ ասած, մեքենայական ուսուցումը համակարգիչներին հնարավորություն է տալիս կատարել կոնկրետ առաջադրանքներ՝ առանց այդ առաջադրանքները կատարելու համար օգտագործվող ալգորիթմների յուրաքանչյուր տողի հստակ կոդավորման: Կան բազմաթիվ տարբեր մեքենայական ուսուցման ալգորիթմներ, բայց ամենից հաճախ օգտագործվող ալգորիթմներից մեկը ա բազմաշերտ պերցեպտրոն. Բազմաշերտ պերցեպտրոնը նաև կոչվում է նեյրոնային ցանց, և այն բաղկացած է մի շարք հանգույցներից/նեյրոններից՝ կապված միմյանց հետ: Բազմաշերտ պերցեպտրոնում կան երեք տարբեր շերտեր՝ մուտքային շերտ, թաքնված շերտ և ելքային շերտ:
Մուտքային շերտը տվյալները տանում է ցանց, որտեղ դրանք շահագործվում են միջին/թաքնված շերտի հանգույցների կողմից: Թաքնված շերտի հանգույցները մաթեմատիկական ֆունկցիաներ են, որոնք կարող են շահարկել մուտքային շերտից եկող տվյալները՝ մուտքային տվյալներից համապատասխան օրինաչափություններ հանելով։ Այսպես է «սովորում» նեյրոնային ցանցը։ Նյարդային ցանցերն իրենց անվանումը ստացել են նրանից, որ դրանք ոգեշնչված են մարդու ուղեղի կառուցվածքով և գործառույթներով:
Ցանցի հանգույցների միջև կապերն ունեն արժեքներ, որոնք կոչվում են կշիռներ: Այս արժեքները, ըստ էության, ենթադրություններ են այն մասին, թե ինչպես են մի շերտի տվյալները կապված հաջորդ շերտի տվյալների հետ: Ցանցի մարզումների ընթացքում կշիռները ճշգրտվում են, և նպատակն այն է, որ տվյալների վերաբերյալ կշիռները/ենթադրությունները, ի վերջո, համընկնեն արժեքների վրա, որոնք ճշգրիտ կերպով ներկայացնում են տվյալների մեջ իմաստալից օրինաչափությունները:
Ակտիվացման գործառույթները առկա են ցանցի հանգույցներում, և այդ ակտիվացման գործառույթները փոխակերպում են տվյալները ոչ գծային ձևով, ինչը հնարավորություն է տալիս ցանցին սովորել տվյալների բարդ ներկայացում: Ակտիվացման գործառույթները բազմապատկում են մուտքային արժեքները քաշի արժեքներով և ավելացնում կողմնակալության տերմին:
Ի՞նչ է խորը ուսուցումը:
Խորը ուսուցումն այն տերմինն է, որը տրված է մեքենայական ուսուցման ճարտարապետություններին, որոնք միացնում են բազմաթիվ բազմաշերտ պերցեպտրոններ, այնպես որ կա ոչ միայն մեկ թաքնված շերտ, այլ շատ թաքնված շերտեր: Որքան «խորը» է խորը նեյրոնային ցանցը, այնքան ավելի բարդ օրինաչափություններ կարող է սովորել ցանցը:
Նեյրոններից կազմված խորը շերտերի ցանցերը երբեմն կոչվում են ամբողջությամբ միացված ցանցեր կամ լիովին միացված շերտեր՝ հղում անելով այն փաստին, որ տվյալ նեյրոնը կապ է պահպանում իրեն շրջապատող բոլոր նեյրոնների հետ: Լիովին միացված ցանցերը կարող են համակցվել մեքենայական ուսուցման այլ գործառույթների հետ՝ ստեղծելու խորը ուսուցման տարբեր ճարտարապետություններ:
Խորը ուսուցման տարբեր տեսակներ
Կան մի շարք խորը ուսուցման ճարտարապետություններ, որոնք օգտագործվում են հետազոտողների և ինժեներների կողմից, և տարբեր ճարտարապետություններից յուրաքանչյուրն ունի իր հատուկ օգտագործման դեպքը:
Convolutional նյարդային ցանցեր
Կոնվոլյուցիոն նեյրոնային ցանցեր, կամ CNN-ները նեյրոնային ցանցի ճարտարապետությունն են, որը սովորաբար օգտագործվում է համակարգչային տեսողության համակարգերի ստեղծման ժամանակ։ Կովոլյուցիոն նեյրոնային ցանցերի կառուցվածքը նրանց հնարավորություն է տալիս մեկնաբանել պատկերի տվյալները՝ դրանք վերածելով թվերի, որոնք լիովին միացված ցանցը կարող է մեկնաբանել: CNN-ն ունի չորս հիմնական բաղադրիչ.
- Կոնվոլյուցիոն շերտեր
- Ենթանմուշառում/շերտերի միավորում
- Ակտիվացման գործառույթներ
- Լիովին միացված շերտեր
Կովոլյուցիոն շերտերն այն են, ինչ պատկերներն ընդունում են որպես մուտքեր ցանց՝ վերլուծելով պատկերները և ստանալով պիքսելների արժեքները: Ենթամեկուսիչը կամ միավորումն այն է, որտեղ պատկերի արժեքները փոխարկվում/նվազեցնում են՝ պարզեցնելու պատկերների ներկայացումը և նվազեցնելու պատկերի զտիչների զգայունությունը աղմուկի նկատմամբ: Ակտիվացման գործառույթները վերահսկում են, թե ինչպես են տվյալները հոսում մի շերտից հաջորդ շերտ, և ամբողջությամբ միացված շերտերն են, որոնք վերլուծում են պատկերը ներկայացնող արժեքները և սովորում այդ արժեքներում պահվող օրինաչափությունները:
RNN/LSTMs
Կրկնվող նեյրոնային ցանցեր, կամ RNN-ները տարածված են այն առաջադրանքների համար, որտեղ կարևոր է տվյալների կարգը, որտեղ ցանցը պետք է իմանա տվյալների հաջորդականության մասին: RNN-ները սովորաբար կիրառվում են այնպիսի խնդիրների համար, ինչպիսիք են բնական լեզվի մշակումը, քանի որ բառերի հերթականությունը կարևոր է նախադասության իմաստը վերծանելիս: Հերթական նեյրոնային ցանց տերմինի «հերթական» մասը գալիս է նրանից, որ տվյալ տարրի ելքը հաջորդականությամբ կախված է նախորդ հաշվարկից, ինչպես նաև ընթացիկ հաշվարկից: Ի տարբերություն խորը նեյրոնային ցանցերի այլ ձևերի, RNN-ներն ունեն «հիշողություններ», և հաջորդականության տարբեր ժամանակային քայլերում հաշվարկված տեղեկատվությունը օգտագործվում է վերջնական արժեքները հաշվարկելու համար:
Գոյություն ունեն RNN-ների մի քանի տեսակներ, ներառյալ երկկողմանի RNN-ները, որոնք ապրանքի արժեքը հաշվարկելիս հաշվի են առնում ապագա տարրերը հաջորդականությամբ, բացի նախորդ կետերից: RNN-ի մեկ այլ տեսակ ա Երկար կարճաժամկետ հիշողություն կամ LSTM, ցանց. LSTM-ները RNN-ի տեսակներ են, որոնք կարող են մշակել տվյալների երկար շղթաներ: Սովորական RNN-ները կարող են զոհ դառնալ մի բանի, որը կոչվում է «պայթող գրադիենտ խնդիր»: Այս խնդիրն առաջանում է, երբ մուտքային տվյալների շղթան չափազանց երկար է դառնում, սակայն LSTM-ներն ունեն այս խնդրի դեմ պայքարի տեխնիկա:
Ավտոկոդավորիչներ
Մինչ այժմ նշված խորը ուսուցման ճարտարապետությունների մեծ մասը կիրառվում է վերահսկվող ուսուցման խնդիրների, այլ ոչ թե չվերահսկվող ուսումնական առաջադրանքների համար: Ավտոկոդավորիչներն ի վիճակի են չվերահսկվող տվյալները վերափոխել վերահսկվող ձևաչափի, ինչը թույլ է տալիս օգտագործել նեյրոնային ցանցերը խնդրի վրա:
Ավտոկոդավորիչներ հաճախ օգտագործվում են տվյալների հավաքածուներում անոմալիաները հայտնաբերելու համար, չվերահսկվող ուսուցման օրինակ, քանի որ անոմալիայի բնույթը հայտնի չէ: Անոմալիաների հայտնաբերման նման օրինակները ներառում են ֆինանսական հաստատությունների համար խարդախության հայտնաբերումը: Այս համատեքստում, autoencoder-ի նպատակն է որոշել տվյալների կանոնավոր օրինաչափությունների հիմնական գիծը և բացահայտել անոմալիաները կամ արտաքուստները:
Autoencoder-ի կառուցվածքը հաճախ սիմետրիկ է, թաքնված շերտերով դասավորված այնպես, որ ցանցի ելքը նման է մուտքագրմանը: Հաճախակի օգտագործվող ավտոկոդավորիչների չորս տեսակներն են.
- Սովորական/պարզ ինքնակոդավորիչներ
- Բազմաշերտ կոդավորիչներ
- Կոնվոլյուցիոն կոդավորիչներ
- Կանոնավորեցված կոդավորիչներ
Սովորական/պարզ ինքնակոդավորիչները պարզապես նյարդային ցանցեր են՝ մեկ թաքնված շերտով, մինչդեռ բազմաշերտ ինքնակոդավորիչները խորը ցանցեր են՝ մեկից ավելի թաքնված շերտով: Convolutional autoencoder-ներն օգտագործում են կոնվոլյուցիոն շերտեր՝ ամբողջությամբ միացված շերտերի փոխարեն կամ դրանցից բացի: Կանոնավորվող ինքնակոդավորիչներն օգտագործում են կորստի ֆունկցիայի հատուկ տեսակ, որը թույլ է տալիս նեյրոնային ցանցին իրականացնել ավելի բարդ գործառույթներ, այլ գործառույթներ, քան պարզապես մուտքերը ելքերին պատճենելը:
Generative Adversarial Networks
Ստեղծող հակառակորդային ցանցեր (GANS) իրականում մի քանի խորը նյարդային ցանցեր են՝ ընդամենը մեկ ցանցի փոխարեն: Խորը ուսուցման երկու մոդելները միաժամանակ վերապատրաստվում են, և դրանց արդյունքները սնվում են մյուս ցանցին: Ցանցերը մրցակցում են միմյանց հետ, և քանի որ դրանք հասանելի են դառնում միմյանց ելքային տվյալներին, նրանք և՛ սովորում են այս տվյալներից, և՛ բարելավվում են: Երկու ցանցերը, ըստ էության, խաղում են կեղծիքի և հայտնաբերման խաղ, որտեղ գեներատիվ մոդելը փորձում է ստեղծել նոր դեպքեր, որոնք կխաբեն դետեկտիվ մոդելին/խտրականացնողին: GAN-ները հայտնի են դարձել համակարգչային տեսողության ոլորտում:
Deep Learning Ամփոփում
Խորը ուսուցումն ընդլայնում է նեյրոնային ցանցերի սկզբունքները՝ ստեղծելու բարդ մոդելներ, որոնք կարող են սովորել բարդ օրինաչափություններ և ընդհանրացնել այդ օրինաչափությունները ապագա տվյալների հավաքածուներին: Կովոլյուցիոն նեյրոնային ցանցերն օգտագործվում են պատկերները մեկնաբանելու համար, իսկ RNN/LSTM-ները՝ հաջորդական տվյալները մեկնաբանելու համար: Ավտոկոդավորիչները կարող են չվերահսկվող ուսումնական առաջադրանքները վերածել վերահսկվող ուսումնական առաջադրանքների: Վերջապես, GAN-ները միմյանց դեմ հակադրված բազմաթիվ ցանցեր են, որոնք հատկապես օգտակար են համակարգչային տեսողության առաջադրանքների համար:
Բլոգեր և ծրագրավորող մասնագիտություններով Machine Learning և Խորը ուսուցում թեմաներ. Դանիելը հույս ունի օգնել ուրիշներին օգտագործել AI-ի ուժը սոցիալական բարօրության համար:
Դուք կարող եք հավանել
Microsoft-ը բացահայտում է 4 միլիարդ եվրո արժողությամբ արհեստական ինտելեկտի ներդրումը Ֆրանսիայում
AniPortrait. ֆոտոռեալիստական դիմանկարային անիմացիայի աուդիո-հիմնված սինթեզ
AI-ի ներքին երկխոսություն. Ինչպես է ինքնաարտացոլումն ուժեղացնում չաթ-բոտերն ու վիրտուալ օգնականները
Ակնթարթային ոճ. ոճի պահպանում տեքստից պատկեր ստեղծման մեջ
LoReFT. Ներկայացուցչության ճշգրտում լեզվական մոդելների համար
Որոնողական համակարգերից այն կողմ. LLM-ով աշխատող վեբ զննարկման գործակալների աճը