Что такое машинное обучение?

Что такое машинное обучение?

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:

• Обучение с учителем: Вы предоставляете подписи и примеры входных данных с нужными выходными данными и позволяете алгоритму изучать правила, по которым из входных данных получаются выходные.  
• Обучение без учителя: Вы не предоставляете подписи, поэтому алгоритму разрешается находить собственную инфраструктуру для обработки входных данных (например, с поиском скрытых закономерностей в данных).
• Обучение с подкреплением: Алгоритм многократно взаимодействует с динамичной средой с конкретной целью, которой может быть, к примеру, выигрыш в игре или вождение автомобиля. Алгоритм приближает оптимальное решение к задаче посредством повторения проб и ошибок.

В этой статье мы коротко и в общих чертах рассматриваем машинное обучение и глубокое обучение, а также разницу между этими двумя концепциями.

Что такое глубокое обучение?

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:

• С прямым распространением (FF): данные перемещаются в одном направлении от входного слоя через скрытые слои и из внешнего слоя — все вершины взаимосвязаны, и данные не возвращаются через скрытые слои. FF используются для компрессии данных и базовой обработки изображений. 
• Рекуррентные нейронные сети (RNN): тип сети FF, в которой добавлена временная задержка к скрытым слоям, что позволяет получать доступ к предыдущей информации во время текущей итерации. Такая система обратной связи приближается к памяти и делает RNN идеальными для языковой обработки.  Хорошим примером является предиктивный набор текста, при котором предположения основаны на словах, используемых вами чаще всего. 
• Сверточные нейронные сети (CNN): свертка — это математическая операция над двумя функциями, результатом которой является третья функция, описывающая, как одна из исходных функций модифицируется другой. CNN используются в основном при распознавании и классификации изображений, это «глаза» ИИ. Скрытые слои в CNN выполняют функцию математических фильтров с использованием взвешенных сумм для определения кромок, цвета, контраста и других элементов пикселя.

Сравнение машинного обучения и глубокого обучения

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.

Преимущества глубокого обучения

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.

Как Pure Storage поддерживает приложения с машинным обучением

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:

• Консолидируйте бункеры хранения данных в единый Data Hub
• Быстрее получайте важные данные с помощью аналитики в реальном времени/аналитики журналов
• Используйте самые современные средства управления СХД на основе ИИ с помощью Pure1 Meta®
• Обеспечивайте работу решений ИИ с помощью AIRI® — полностековой инфраструктуры для ИИ с Pure Storage и NVIDIA
• Получите полностековую поддержку ИИ и жизненных циклов машинного обучения с FlashStack®, решений конвергентной инфраструктуры, разработанной совместно с Cisco.