Արհեստական ​​ինտելեկտի, խորը ուսուցման և արհեստական ​​նեյրոնային ցանցերի հասկացությունները հիմք են հանդիսանում մեքենայական ուսուցման բազմաթիվ ալգորիթմների համար, որոնք կարող են օգտագործվել իրական աշխարհի բազմաթիվ խնդիրներ պարզեցնելու համար: Մեքենայական ուսուցումը նպատակ ունի վերացնել երկար և բարդ ծրագրերի ձևակերպման անհրաժեշտությունը և կենտրոնացած է մեքենան վարժեցնելու վրա՝ սովորելու վերապատրաստման տվյալների հավաքածուներից: Թեև մարդու նման մտածելակերպը և որոշումների կայացումը դեռ շատ հեռու են, ML ալգորիթմները կարող են օգտագործվել տարբեր սցենարներում՝ կանխատեսելու մարդկային վարքագիծը, որն այլապես անհնար կլիներ:

ML ալգորիթմների օգտագործման բնորոշ օրինակներն են՝ Amazon-ում կամ Flipkart-ում գնումների առաջարկները՝ հիմնված ձեր նախորդ գնման որոշումների վրա, Netflix-ի կամ Amazon prime-ի առաջարկները՝ կախված ձեր նախկինում դիտած ֆիլմերի ժանրից և այլն:

Նոր ոլորտներ, ինչպիսիք են կանխատեսող վերլուծությունը, տվյալների գիտությունը և այլն, առաջանում են մարդկային միջամտության փոխարեն մեքենայական մտածողության և ուսուցման անցումից: Իհարկե, կան սովորելու և չափելու տարբեր ալգորիթմներ և դրանք օպտիմալացնելու տարբեր եղանակներ, բայց դրանք ավելի ուշ են գալիս: Պետք է իմանալ հիմունքների մասին, որտեղից են առաջացել այս ալգորիթմները, ինչպես է ձևավորվել գաղափարը և ինչպես է կապը Արհեստական ​​նեյրոնային ցանցերի և Deep Learning-ի միջև: Այս հոդվածում մենք կկենտրոնանանք դրանցից ամենահիմնականի վրա, որպեսզի որևէ մեկը, ով ցանկանում է ցատկել այս տիրույթում, կարող է ձևավորել հիմնական գաղափար, ինչպես նաև մասնագետը կարող է օգտագործել այն որպես հղում:

Ինչ է AI-ն

Բանականությունը, ըստ Oxford Dictionary-ի, սահմանվում է հետևյալ կերպ

«Գիտելիքներ և հմտություններ ձեռք բերելու և կիրառելու կարողություն»:

Արհեստական ​​ինտելեկտի սահմանումը հետևյալն է.

«Համակարգչային համակարգերի տեսությունը և զարգացումը, որոնք կարող են կատարել այնպիսի խնդիրներ, որոնք սովորաբար պահանջում են մարդու խելամտություն, ինչպիսիք են տեսողական ընկալումը, խոսքի ճանաչումը, որոշումների կայացումը և լեզուների միջև թարգմանությունը»:

AI-ն կարող է օգտագործվել որոշակի առաջադրանք կատարելու համար, ինչպիսիք են բժշկական ախտորոշումը, հեռահար զոնդավորումը, առևտուրը և այլն: Այն շատ տարածված է դարձել և լայնորեն կիրառվում է էլեկտրոնային առևտրի, ֆինանսների, լոգիստիկայի և այլնի մեջ: AI-ի օրինակներից է IBM-ի Watson-ը, որը կարող է հասկանալ, պատճառաբանել և սովորել ձեր բոլոր տվյալները, ներառյալ չկառուցված տեքստը, պատկերները, աուդիո և տեսանյութերը: Մեկ այլ օրինակ Apple-ի Siri-ն է՝ անձնական օգնականը, որն օգտագործում է ձայնային հարցումներ և բնական լեզվով ինտերֆեյս՝ հարցերին պատասխանելու, առաջարկություններ անելու և գործողություններ կատարելու համար՝ հարցումները պատվիրակելով ինտերնետ ծառայությունների մի շարքին:

AI-ի վերջնական նպատակները կարող են լինել տարբեր, և յուրաքանչյուրին հասնելու համար կարող են կիրառվել տարբեր մոտեցումներ և ալգորիթմներ: Մենք այստեղ կզբաղվենք Նեյրոնային ցանցերի և խորը ուսուցման ներածությամբ:

Կենսաբանական նեյրոնային ցանց ընդդեմ արհեստական ​​նեյրոնային ցանցի

Մեր ուղեղում կա նեյրոնների շղթա, որոնք միմյանց հետ շփվում են աքսոնների միջոցով: Նեյրոնը հաղորդագրությունը կփոխանցի մյուս ծայրին, եթե մուտքերի գումարը հատի շեմային կետը, հաղորդագրությունը հաջորդ նեյրոնին փոխանցելու համար:

Եկեք հասկանանք գործընթացը գծապատկերի օգնությամբ.

Յուրաքանչյուր նեյրոնի մուտքագրումը տարբեր մուտքային ազդանշանների կշռի գումարման ֆունկցիա է, որը սահմանված է (w1, w2, w3….wn): Բացի այդ, յուրաքանչյուր նեյրոն կիրառում է փոխակերպման ֆունկցիա յուրաքանչյուր կշռված մուտքի համար, այնուհետև հաշվարկվում է զուտ մուտքագրումը: Զուտ մուտքագրումը որոշում է, արդյոք ակտիվացման կետը հասել է, թե շեմն անցել է:

Յուրաքանչյուր նեյրոն վայրկյանում ստանում է 1000 վրկ մուտքեր, մուտքերը գեներացվում են մեր զգայարանների կամ գործունեության միջոցով, բոլոր մուտքերն ամփոփվում են մեկ անգամ, եթե շեմը հաղթահարվի, ազդանշանը հասնում է ուղեղին՝ կամավոր կամ ակամա ինչ-որ գործողություն կատարելու համար:

Մեր ուղեղը «մտածում» կամ «գործողություններ է կատարում»՝ կախված նեյրոններից ստացված բոլոր մուտքերի ծանրությունից: Բացի այդ, սովորելը և փորձը հանգեցնում են նրան, որ ուղեղի նեյրոնային ցանցը ժամանակ առ ժամանակ փոփոխվում կամ փոխվում է:

Հիշու՞մ եք Արհեստական ​​ինտելեկտի հայեցակարգը: «Մեքենայի կարողությունը ինքնուրույն մտածել և սովորել փորձից», ճիշտ այն գործընթացը, որով մեր ուղեղը սովորում է փորձից, հենց այս գաղափարի սկիզբն է:

Ամեն ինչ կարող է շատ բարդ թվալ, բայց ձեզնից նրանց համար, ովքեր նոր են դրանում, դեռ մի վախեցեք: Մենք պատրաստվում ենք դա հեշտացնել ձեզ համար:

Լավ, նորից կրկնելու համար, Արհեստական ​​նեյրոնային ցանցը կենսաբանական նյարդային ցանցի մասնակի կրկնօրինակումն է: Արհեստական ​​նեյրոնային ցանցերը գործում են երկու նեյրոնների միջև հարմարվողական կշիռներով: Հարմարվողական ասելով՝ մենք նկատի ունենք, որ քաշը փոփոխվում է ուսուցման ալգորիթմի միջոցով, որը սովորում է վերապատրաստման տվյալների հավաքածուից՝ ցանկալի արդյունք ստանալու համար:

Երբ խոսքը վերաբերում է արհեստական ​​նեյրոնային ցանցերին, մարզվելը անբաժանելի մասն է: Ուսուցման սովորական մեթոդներից են Հետ տարածումը կամ Հետ տարածումը: Սա արհեստական ​​նեյրոնային ցանցեր վարժեցնելու մեթոդ է՝ գրադիենտ ծագման ալգորիթմի կիրառմամբ: Այս մասին կխոսենք հաջորդ հոդվածում։

Հիմա եկեք խոսենք «կորստի ֆունկցիա» կոչվող տերմինի մասին. Այն սահմանվում է որպես գործառույթ, որը որոշակի իրադարձություն քարտեզագրում է իրական արժեքների մի շարքին: Այն նաև ներկայացնում է որոշակի «ծախս»՝ կապված տվյալ իրադարձության հետ: Ծախս տերմինը վերաբերում է այն չափին, որով ստացված արժեքները տարբերվում են ակնկալվող արժեքներից: Որքան փոքր է կորստի ֆունկցիան, այնքան բարձր է օպտիմալացումը:

ANN-ն աշխատում է մի բանի վրա, որը կոչվում է «թաքնված վիճակ»: Թաքնված վիճակները գործում են որպես անցողիկ մուտքի և ելքի միջև: Դիտարկենք հետևյալ գծապատկերը՝

Բարդ է թվում, ճիշտ է: Դե, եկեք բաժանենք այն մեկ առ մեկ: Կա մուտքային շերտ, որին հաջորդում է թաքնված շերտը, որը եզրափակվում է ելքային շերտով: Յուրաքանչյուր շերտ բաղկացած է մեկ կամ մի քանի նեյրոններից:

Մենք ունենք երեք մուտք և ցանկանում ենք գտնել հավանականությունը, որ արդյունքը կլինի 1 կամ 2: Այս կանխատեսման համար մենք պետք է կանխատեսենք մի շարք թաքնված շերտեր մուտքի և ելքի միջև: Մուտքային շերտերը որոշում են, թե երեք թաքնված շերտերից որն է ակտիվանալու: Կարող են լինել մի քանի թաքնված շերտեր, որոնք պայմանավորված են յուրաքանչյուրում հավանական համակցությամբ, որը վերջապես կանխատեսում է արդյունքը: Թաքնված շերտերը թույլ են տալիս ալգորիթմին սովորել յուրաքանչյուր կանխատեսումից:

Արհեստական ​​նեյրոնային ցանցերն իսկապես շատ հզոր են, բայց դրանք կարող են շատ բարդ լինել: Նաև կարող են առաջանալ որոշ խնդիրներ, ինչպիսիք են «Ավելորդ տեղադրման» խնդիրը կամ «Չափային» խնդիրը, որոնք կարող են սահմանափակել տվյալների ճիշտ մոդելավորումը:

Խորը ուսուցում

Խորը ուսուցումը բաղկացած է նյարդային ալգորիթմներից, որոնք ընդունում են մի շարք մուտքային տվյալներ և տալիս են ցանկալի արդյունքը մուտքային տվյալների տարբեր ոչ գծային փոխակերպումներից հետո: Խորը ուսուցումը մեքենայական ուսուցման մեթոդների ավելի լայն ընտանիքի մի մասն է, որը հիմնված է ուսուցման տվյալների ներկայացման վրա՝ ի տարբերություն առաջադրանքների հատուկ ալգորիթմների: Ուսուցումը կարող է լինել վերահսկվող, մասամբ վերահսկվող կամ չվերահսկվող:

Ըստ Վիքիպեդիայի՝ Deep Learning-ը մեքենայական ուսուցման ալգորիթմների դաս է, որն օգտագործում է ոչ գծային մշակման միավորների բազմաթիվ շերտերի կասկադ՝ հատկանիշի արդյունահանման և փոխակերպման համար: Յուրաքանչյուր հաջորդ շերտ օգտագործում է նախորդ շերտի ելքը որպես մուտքագրում: Ալգորիթմները հիմնված են (չվերահսկվող) առանձնահատկությունների կամ տվյալների ներկայացման բազմաթիվ մակարդակների ուսուցման վրա: Ավելի բարձր մակարդակի հատկանիշները ստացվում են ավելի ցածր մակարդակի հատկանիշներից՝ հիերարխիկ ներկայացում ձևավորելու համար:

Խորը ուսուցման հիմնական ոլորտը չվերահսկվող հատկանիշի արդյունահանումն է, երբ ալգորիթմը կարող է նույնականացնել և դուրս բերել տվյալների իմաստալից խմբերը, որոնք կարող են օգտագործվել ուսուցման համար և օգտագործել այն հետագա հասկանալու համար: Իսկապես լավ նորություն տվյալների գիտնականների համար:

Այն ներկայումս մեքենայական ուսուցման ալգորիթմների ամենատարածված դասերից մեկն է: Այն գտել է իր կիրառությունը տարբեր ոլորտներում, ներառյալ համակարգչային տեսլականը, խոսքի ճանաչումը, բնական լեզվի մշակումը, աուդիո ճանաչումը, սոցիալական ցանցերի զտումը, մեքենայական թարգմանությունը և բիոինֆորմատիկան:

Եզրափակելով, AI-ն արդեն փոխակերպում է աշխարհն այնպիսին, ինչպիսին մենք գիտենք, և ձևավորում է բոլոր ոլորտները: Այս ոլորտում ամեն օր նոր հետազոտություններ են կատարվում, որոնք ուղղված են մարդու նման ինտելեկտի և որոշումներ կայացնելու կարողությունների ավելի բարձր մակարդակի հասնելուն: Նրանց համար, ովքեր կարդացել են այս հոդվածը, դա ANN-ի և Deep Learning-ի ծագման և կիրառությունների հիմնական ակնարկ էր: Մեքենայի ուսուցման հանրահայտ ալգորիթմների մասին կխոսենք հաջորդ հոդվածում։