Глибоке навчання (англ. Deep Learning, DL) – це досить популярний метод машинного навчання, в основі якого багатошарові нейронні мережі, покликані самонавчатися на великому наборі даних. Тобто метод призначений для прогнозування виходів з урахуванням вхідних даних. Deep Learning активно застосовується в комп'ютерному зорі, машинному перекладі та розпізнаванні людської мови.

Глибоке навчання нейромереж представлене різноманітними складовими елементами, взаємопов'язаними між собою. Застосування нейронних мереж стало новим ступенем розвитку науки, а сам ШІ отримав можливість вирішувати найнестандартніші завдання.

Як влаштовані нейромережі?

Для застосування глибокого навчання необхідні певні умови – великий масив інформації та необхідність вирішувати завдання. У Deep Learning використовують 2 способи – з або без вчителя. Нейронні мережі заведено ділити на шари - структура нейронів в одній задачі:

• Вхідний шар відповідає за набір даних. Як правило, у простих моделях один нейрон – один параметр. Звідси інформація надходить до наступних шарів.
• Приховані шари мають робити обчислення на основі вхідних параметрів. У Deep Learning їх багато, зроблено це для того, щоб знаходити якнайбільше взаємозв'язків. Більш того, зв'язкам надають різну вагомість, вона ж визначає важливість вхідного значення, отже, впливає на прогнозування результату.
• Вихідний шар показує результат обчислення.

У багатьох методах глибокого навчання застосовується архітектура нейронних мереж, тому моделі Deep Learning отримали таку саму назву — глибокі нейронні мережі. Сам собою термін «глибокий» найчастіше належить до кількості прихованих шарів. Наприклад, якщо в нейронних мережах 2-3 приховані шари, то це традиційний тип, а якщо до 150, то це вже глибокий.

Для навчання моделей DL використовують великі набори помічених даних та архітектури нейронних мереж. Останні вивчають функції даних без необхідності вилучення їх вручну.

Згорткові нейронні мережі (англ. CNN або ConvNet) — один із найпопулярніших типів Deep Learning. Вони поєднують у собі вивчені функції з отриманими даними. CNN застосовує згорткові 2D-шари, тому ця архітектура підходить для обробки 2D-даних, наприклад, зображень. Розглянемо приклад:

На зображенні показано приклад нейронної мережі з багатьма згортковими шарами. Фільтри застосовуються до кожної картинки, незалежно від її розширення. Відповідно, вихідні дані кожного згорнутого зображення є вхідними даними наступного шару. Особливість CNN у цьому, що вони вчаться визначати всілякі особливості зображення з допомогою десятків і навіть сотень прихованих шарів. Кожен з останніх шарів збільшує складність вивчених функцій. Наприклад, перший шар виявляє краї, а четвертий — складніші форми, адаптовані до форми об'єкта, який потрібно розпізнати.

Які завдання вирішує глибоке навчання?

Глибоке навчання використовується у різних сферах життя людини. Метод застосовується у комерції – автоматизація бізнес-процесів задля забезпечення індивідуального підходу шляхом аналізу та систематизації даних про клієнтів. Більш того, DL активно використовується:

• Машинний переклад. Нейромережі отримують мільйони прикладів фрагментів тексту та його перекладу. Вони можуть аналізувати контекст уживання слів і навіть граматику. Одним із найкращих прикладів машинного перекладу є GNMT від Google.
• Комп'ютерний зір. Глибоке навчання використовується для розпізнавання об'єктів зображення. Нейронні мережі знаходять закономірності після аналізу областей на фото. Саме так працює пошук за зображеннями Google. Комп'ютерний зір розпізнає обличчя камери відеоспостереження.
• Синтез та розпізнавання мови. Хорошим прикладом у цьому напрямі є Siri. Технології обробки та синтезу мови стали ще точнішими завдяки глибокому навчанню. Вони навчилися визначати мовні особливості: швидкість, акцент, вік та вимова.

Повсюдна цифрова трансформація призводить до накопичення великого обсягу даних у різних сферах нашого життя. Звідси виникає очевидна необхідність у вирішенні завдань прогнозування, управління та прийняття рішень за допомогою ШІ. Метод глибокого навчання відкриває перед людством нові можливості реалізації цих завдань.