Машинное обучение — это подобласть искусственного интеллекта, в которой рассматриваются компьютерные алгоритмы, самоулучшающиеся за счет обучающих данных без явного программирования. Многие считают, что это наиболее перспективный путь для достижения настоящего искусственного интеллекта, подобного человеческому.
Алгоритмы машинного обучения можно в целом разделить на три основные категории:
В этой статье мы коротко и в общих чертах рассматриваем машинное обучение и глубокое обучение, а также разницу между этими двумя концепциями.
Глубокое обучение — это ответвление машинного обучение, использующее искусственные нейронные сети с целью приблизиться к интеллекту, подобному человеческому. Источником вдохновения послужили нейроны человека. В глубоком обучении применяется теория графов для организации алгоритмов взвешивания по слоям, состоящим из вершин и ребер. Алгоритмы глубокого обучения прекрасно себя зарекомендовали при обработке неструктурированных данных, в частности изображений и языков.
Технически, чтобы нейронная сеть называлась «глубокой», она должна содержать скрытые слои между входными и выходными слоями восприятия — базовую структуру нейронной сети. Эти слои считаются «скрытыми», поскольку не связаны с внешним миром. Примеры архитектур глубокого обучения:
Опробуйте инстанс Pure1® с самообслуживанием для управления Pure FlashBlade™, самого передового решения в отрасли, предоставляющего файловое хранилище и хранилище объектов с горизонтальным масштабированием.
Глубокое обучение считается частью машинного обучения. Главная характеристика, которой алгоритмы глубокого обучения от других алгоритмов машинного обучения, — это использование искусственных нейросетей. А главная особенность, благодаря которой нейросеть становится «глубокой», — это наличие скрытых слоев между входными и выходными слоями, формирующими основное восприятие.
Алгоритмы глубокого обучения отлично подходят для обработки неструктурированных данных при наличии достаточной вычислительной мощности. В этом преимущество глубокого обучения над другими алгоритмами машинного обучения, когда речь идет об обучении без учителя и обучении с подкреплением. Последние достижения в области ИИ во многом обусловлены повышением жизнеспособности нейросетей глубокого изучения за счет улучшений продуктивности обработки и систем хранения данных.
У Pure Storage® есть уникальные возможности для использования и поддержки мира ИИ. Для нейросетей глубокого обучения требуются большие быстрые данные. В решениях all-flash СХД Pure сочетаются производительность 100 % флэш-памяти NVMe с прогнозной аналитикой на основе ИИ для обеспечения современного взаимодействия с данными (Modern Data Experience™). С помощью Pure можно добиться следующего: