Dərin Öyrənmə, süni intellekt və dummilər üçün maşın öyrənməsi: bir nümunə ilə izah edilmişdir

Həmkarlarınızla birlikdə intellektinizlə parıldamaq və ya cari texniki mövzularda söhbətdə dostlarınızı heyrətləndirmək istəyirsiniz? Söhbətdə “Süni İntellekt” və ya “Maşın Öyrənilməsi”ni qeyd edin və işiniz bitdi. “Süni intellekt” termini indi geniş yayılmışdır. Proqramçılar AI öyrənmək istəyirlər. Liderlər öz xidmətlərində süni intellekt tətbiq etmək istəyirlər. Ancaq praktikada hətta peşəkarlar da "AI"nın nə olduğunu həmişə başa düşmürlər. Bu məqalə "süni intellekt" və "maşın öyrənmə" terminlərini başa düşməyə kömək etmək üçün nəzərdə tutulub. Siz həmçinin maşın öyrənmənin ən məşhur növü olan Deep Learning-in necə işlədiyini öyrənəcəksiniz. Əsas odur ki, bu təlimatlar olduqca əlçatan bir dildə yazılmışdır. Burada riyaziyyatı başa düşmək çox çətin olmayacaq.

Əsaslar

Dərin Öyrənmənin nə olduğunu anlamaq üçün ilk addım əsas terminlər arasındakı fərqi anlamaqdır. Şəkil: Datanami

Süni intellekt maşın öyrənməsinə qarşı

Süni intellekt (AI və ya AI agnl.) insanın düşüncə prosesini kompüter vasitəsilə kopyalamaq cəhdidir. Süni intellekt sahəsində tədqiqatlar yeni başlayanda alimlər insan zəkasının davranışını ciddi şəkildə müəyyən şərtlər altında kopyalamağa, yəni müəyyən problemləri həll etmək üçün onu kəskinləşdirməyə çalışırdılar. Məsələn, maşın oyun oynaya bilsin. Onlar hesablama maşınının əməl etməli olduğu bir sıra qaydalar müəyyən etdilər. Kompüterdə mümkün hərəkətlərin siyahısı var idi və o, dizayn mərhələsində müəyyən edilmiş qaydalar və məhdudiyyətlər əsasında qərarlar verirdi. ML kompüterlərə öz-özünə öyrənməyə imkan verir. Bu cür öyrənmə böyük həcmdə məlumatları asanlıqla emal edə bilən müasir hesablama texnologiyasından istifadə edir.

Nəzarət olunan öyrənmə və nəzarətsiz öyrənmə

Nəzarət edilən öyrənmə giriş və gözlənilən nəticələrdən ibarət etiketlənmiş məlumat dəstlərindən istifadə edir. Nəzarət olunan təlimdən istifadə edərək süni intellekt öyrətdiyiniz zaman siz məlumatları giriş kimi təqdim edir və çıxışın nə olacağını müəyyənləşdirirsiniz. Əgər AI-nin yaratdığı nəticə gözləniləndən fərqlidirsə, onda AI hesablamalarını düzəltməlidir. İntellektual süni intellekt səhv etdiyi müddətcə proses data massivində dəfələrlə təkrarlanır. Nəzarətli öyrənmə nümunəsi havanı proqnozlaşdıran Süni İntellekt ola bilər. Tarixi məlumatlardan istifadə edərək hava proqnozunu öyrənir. Giriş məlumatları təzyiq, rütubət və küləyin sürətidir və nəticədə biz temperatur almalıyıq. Nəzarətsiz öyrənmə strukturlaşdırılmamış məlumatlardan istifadə edərək AI-nin təlimindən ibarət bir vəzifədir. Nəzarətsiz öyrənmə ilə süni intellekt öyrətdiyiniz zaman süni intellektə məlumatların məntiqi təsnifatını etməyə imkan verirsiniz. Nəzarətsiz maşın öyrənməsindən istifadə edən süni intellektin nümunəsi onlayn mağazada müştəri davranışının robot proqnozlaşdırıcısıdır. Əvvəlcədən məlum olan giriş və çıxışlardan istifadə etmədən öyrənir. Bunun əvəzinə o, daxil olan məlumatların özünü təsnif etməlidir. Alqoritm hansı növ istifadəçilərin hansı məhsullara üstünlük verdiyini müəyyən etməli və sizə xəbər verməlidir.

Maşın öyrənməsi necə işləyir

Beləliklə, Dərin Öyrənmə maşın öyrənməsinə yanaşmalardan biridir. Bu, verilmiş giriş məlumatlarından nəticələri proqnozlaşdırmağa imkan verir. Süni intellektə öyrətmək üçün yuxarıda göstərilən hər iki variantdan istifadə edə bilərsiniz: nəzarət olunan və nəzarətsiz öyrənmə. Aydın bir misaldan istifadə edərək Deep Learning-in necə işlədiyini başa düşəcəyik: tutaq ki, hava səyahətləri üçün qiymətləri proqnozlaşdırmaq üçün bir xidmət inkişaf etdirməliyik. Biz nəzarət edilən metoddan istifadə edərək alqoritmimizi öyrədəcəyik. Biz istəyirik ki, hava səyahətləri üçün qiymətləri proqnozlaşdırmaq üçün xidmətimiz aşağıdakı giriş məlumatlarına əsaslanaraq qiyməti proqnozlaşdırsın (təqdimat asanlığı üçün geri dönüş uçuşunu nəzərə almırıq):

• uçuş hava limanı;
• gəliş hava limanı;
• planlaşdırılan gediş tarixi;
• aviaşirkət.

Neyron şəbəkələri Gəlin süni intellektin beyninə nəzər salaq. Bioloji canlılar vəziyyətində olduğu kimi, proqnozlaşdırıcımızın da “başında” neyronları var. Şəkildə onlar dairələr şəklində təqdim olunur. Neyronlar bir-birinə bağlıdır. Şəkildə neyronlar üç təbəqə qrupuna birləşdirilib:

• giriş təbəqəsi;
• gizli qat 1 (gizli qat 1) və gizli qat 2 (gizli qat 2);
• çıxış təbəqəsi.

Bəzi məlumatlar giriş qatına daxil olur. Bizim vəziyyətimizdə, giriş qatında dörd neyronumuz var: gediş hava limanı, gəliş hava limanı, gediş tarixi, aviaşirkət. Giriş təbəqəsi məlumatları birinci gizli təbəqəyə ötürür. Gizli təbəqələr qəbul edilmiş giriş məlumatlarına əsasən riyazi hesablamalar aparır. Neyron şəbəkələri qurarkən əsas məsələlərdən biri gizli təbəqələrin sayının və hər təbəqədə neyronların sayının seçilməsidir. Çıxış təbəqəsi əldə olunan məlumatları bizə qaytarır. Bizim vəziyyətimizdə uçuşun gözlənilən qiyməti. Biz indiyə qədər ən maraqlı şeyi əldən vermişik: gözlənilən qiymət dəqiq necə hesablanır? Dərin Öyrənmənin sehri buradan başlayır. Neyronlar arasında hər bir əlaqə müəyyən bir çəki (əmsal) təyin olunur. Bu çəki giriş dəyərinin əhəmiyyətini müəyyən edir. İlkin çəkilər təsadüfi olaraq təyin edilir. Hava səyahətinin qiymətini proqnozlaşdırarkən, qiymətə ən çox uçuş tarixi təsir edir. Buna görə də, "gediş tarixi" neyronunun əlaqələri daha çox ağırlığa malikdir. Hər bir neyronun ona qoşulmuş aktivləşdirmə funksiyası var. Riyazi bilik olmadan bu funksiyanın nə olduğunu başa düşmək çətindir. Beləliklə, bir qədər sadələşdirmə aparaq: aktivləşdirmə funksiyasının məqsədi neyrondan çıxışı “standartlaşdırmaq”dır. Verilənlər dəsti neyron şəbəkənin bütün təbəqələrindən keçdikdən sonra nəticəni çıxış təbəqəsi vasitəsilə qaytarır. İndiyə qədər hər şey aydındır, elə deyilmi?

Neyron şəbəkə təlimi

Neyron şəbəkəsini öyrətmək Dərin Öyrənmənin ən çətin hissəsidir! Niyə? Çünki sizə böyük həcmdə məlumat lazımdır. Çünki daha çox hesablama gücünə ehtiyacınız var. Layihəmiz üçün tarixi aviabilet məlumatlarını tapmalıyıq. Üstəlik, bütün mümkün uçuş və təyinat hava limanları, gediş tarixləri və müxtəlif aviaşirkətlər üçün. Bizə bilet qiymətləri ilə bağlı çox böyük miqdarda məlumat lazımdır. Biz dəstimizdən daxil olan məlumatları neyron şəbəkəmizin girişlərinə ötürməli və onların artıq əldə etdiyimiz nəticələrə uyğun olub-olmadığını yoxlamalıyıq. Əgər süni intellektin əldə etdiyi nəticələr gözləniləndən fərqlidirsə, bu, onun hələ kifayət qədər məşq etməməsi deməkdir. Biz neyron şəbəkəmiz vasitəsilə məlumatın tam həcmini işə saldıqdan sonra biz süni intellektin nəticələrinin verilənlər dəstimizdəki faktiki nəticələrdən nə qədər fərqli olduğunu göstərən bir funksiya qura bilərik. Belə bir funksiyaya xərc funksiyası deyilir . Bütün gücümüzlə çalışdığımız ideal vəziyyətdə xərc funksiyamızın dəyərləri sıfıra bərabərdir. Bu o deməkdir ki, neyroşəbəkə tərəfindən seçilmiş qiymət nəticələri məlumat dəstimizdəki biletlərin faktiki qiymətindən fərqlənmir.

Xərc funksiyasının dəyərini necə azalda bilərik?

Neyronlar arasındakı əlaqələrin çəkilərini dəyişdiririk. Bu təsadüfi edilə bilər, lakin bu yanaşma effektiv deyil. Bunun əvəzinə biz Gradient Descent adlı metoddan istifadə edəcəyik . Bu alqoritm məlumat dəstimizin işlənməsinin hər yeni iterasiyasından sonra çəkiləri tədricən artırmaqla işləyir. Müəyyən çəkilər dəstləri üçün məsrəf funksiyasının törəməsini (və ya gradientini) hesablayaraq, minimumun hansı istiqamətdə olduğunu görə bilərik. Şəkildə: İlkin çəki - ilkin çəki, Qlobal xərc minimumu - xərc funksiyasının qlobal minimumu. Xərc funksiyasını minimuma endirmək üçün biz dəfələrlə məlumat dəstimizdə hesablamalar aparmalıyıq. Buna görə çoxlu hesablama gücünə ehtiyacınız var. Çəkilər gradient eniş metodundan istifadə edərək avtomatik olaraq yenilənir. Bu Dərin Öyrənmənin sehridir! Biz süni intellektlə aviabilet qiymətlərinin proqnozlaşdırılması xidmətimizi öyrətdikdən sonra reallıqda qiymətləri proqnozlaşdırmaq üçün ondan etibarlı şəkildə istifadə edə bilərik.

Gəlin yekunlaşdıraq...

• Dərin öyrənmə zəkanın simulyasiyası üçün neyron şəbəkələrdən istifadə edir.
• Neyron şəbəkəsində üç növ neyron var: giriş qatı, gizli təbəqələr, çıxış qatı.
• Neyronlar arasındakı hər bir əlaqənin öz çəkisi var ki, bu da həmin girişin əhəmiyyətini göstərir.
• Neyronlar neyrondan çıxışı "standartlaşdırmaq" üçün aktivləşdirmə funksiyasından istifadə edirlər.
• Neyron şəbəkəsini məşq etmək üçün sizə böyük həcmdə məlumat lazımdır.
• Bir neyron şəbəkəsindən istifadə edərək bir məlumat massivini emal etsək və çıxış məlumatlarını faktiki məlumatlarla müqayisə etsək, AI-nin nə qədər səhv olduğunu göstərən bir xərc funksiyası alacağıq.
• Hər bir məlumatın işlənməsindən sonra neyronlar arasındakı çəkilər qradiyent enmə metodundan istifadə etməklə maya dəyəri funksiyasının azalmasına nail olmaq üçün tənzimlənir.

Orijinala keçid