Что такое машинное обучение?

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.

Проведите тест-драйв FlashBlade

Опробуйте инстанс Pure1® с самообслуживанием для управления Pure FlashBlade™, самого передового решения в отрасли, предоставляющего файловое хранилище и хранилище объектов с горизонтальным масштабированием.

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.
800-379-7873 +44 20 3870 2633 +43 720882474 +32 (0) 7 84 80 560 +33 9 75 18 86 78 +49 89 12089 253 +353 1 485 4307 +39 02 9475 9422 +31 (0) 20 201 49 65 +46-101 38 93 22 +45 2856 6610 +47 2195 4481 +351 210 006 108 +966112118066 +27 87551 7857 +34 51 889 8963 +41 31 52 80 624 +90 850 390 21 64 +971 4 5513176 +7 916 716 7308 +65 3158 0960 +603 2298 7123 +66 (0) 2624 0641 +84 43267 3630 +62 21235 84628 +852 3750 7835 +82 2 6001-3330 +886 2 8729 2111 +61 1800 983 289 +64 21 536 736 +55 11 2655-7370 +52 55 9171-1375 +56 2 2368-4581 +57 1 383-2387
Your Browser Is No Longer Supported!

Older browsers often represent security risks. In order to deliver the best possible experience when using our site, please update to any of these latest browsers.