Deep Learning, жасалма интеллект жана муляждар үчүн машина үйрөнүү: мисал менен түшүндүрүлгөн

Кесиптештериңиздин арасында интеллектиңиз менен жаркырап же досторуңузду актуалдуу техникалык темалар боюнча маектешүүнү каалайсызбы? Сүйлөшүүдө "Жасалма интеллект" же "Машинаны үйрөнүү" деген сөздү айтып, бүтүрдүңүз. "Жасалма интеллект" деген термин азыр көп айтылып жүрөт. Программисттер AI үйрөнүүнү каалашат. Лидерлер AIды өз кызматтарына киргизүүнү каалашат. Бирок иш жүзүндө, атүгүл адистер дайыма эле "AI" деген эмне экенин түшүнө беришпейт. Бул макала "жасалма интеллект" жана "машина үйрөнүү" терминдерин түшүнүүгө жардам берүү үчүн арналган. Ошондой эле сиз Deep Learning, машина үйрөнүүнүн эң популярдуу түрү кандай иштээрин биле аласыз. Жана эң негизгиси, бул көрсөтмөлөр жеткorктүү тилде жазылган. Бул жерде математиканы түшүнүү кыйын болбойт.

Негиздер

Deep Learning деген эмне экенин түшүнүүнүн биринчи кадамы - негизги терминдердин ортосундагы айырманы түшүнүү. Сүрөт: Datanami

Жасалма интеллект vs Machine Learning

Жасалма интеллект (AI же AI agnl.) — адамдын ой процессин компьютер аркылуу көчүрүү аракети. Жасалма интеллект тармагындагы изилдөөлөр жаңыдан башталганда, orмпоздор адамдын интеллектинин жүрүм-турумун белгилүү бир шарттарда так көчүрүүгө, башкача айтканда, белгилүү бир көйгөйлөрдү чечүү үчүн аны курчутууга аракет кылышкан. Мисалы, машина оюндарды ойной алат. Алар эсептөө машинасы карманууга тийиш болгон бир катар эрежелерди белгилешти. Компьютерде мүмкүн болуучу иш-аракеттердин тизмеси болгон жана ал долбоорлоо баскычында коюлган эрежелердин жана чектөөлөрдүн негизинде чечим кабыл алган. ML компьютерлерге өз алдынча үйрөнүүгө мүмкүндүк берет. Окуунун бул түрү чоң көлөмдөгү маалыматтарды оңой иштете ала турган заманбап эсептөө технологияларынан пайдаланат.

Көзөмөлдөнгөн окуу vs Көзөмөлсүз окутуу

Көзөмөлдөнгөн окутуу киргизүү жана күтүлгөн жыйынтыктардан турган белгиленген маалымат топтомдорун колдонот. Көзөмөлгө алынган окутууну колдонуу менен жасалма интеллектти үйрөткөнүңүздө, сиз маалыматтарды киргизүү катары берип, натыйжа кандай болушу керектигин белгилейсиз. Эгерде AI чыгарган натыйжа күтүлгөндөн башкача болсо, анда AI өзүнүн эсептөөлөрүн оңдоосу керек. AI ката кетиргенге чейин, процесс маалымат массивинде көп жолу кайталанат. Көзөмөлгө алынган окутуунун мисалы катары аба ырайын алдын ала айткан Жасалма интеллект болот. Тарыхый маалыматтар менен аба ырайын алдын ала айтууну үйрөнөт. Киргизилген маалыматтар басым, нымдуулук жана шамалдын ылдамдыгы болуп саналат, натыйжада биз температураны алышыбыз керек. Көзөмөлсүз окутуу – структураланбаган маалыматтарды колдонуу менен AI үйрөтүүдөн турган милдет. Көзөмөлсүз окутууну колдонуу менен жасалма интеллектти үйрөткөнүңүздө, сиз AIга маалыматтарды логикалык классификациялоого мүмкүнчүлүк бересиз. Көзөмөлсүз машина үйрөнүүнү колдонгон жасалма интеллекттин мисалы - интернет-дүкөндөгү кардарлардын жүрүм-турумун алдын ала болжолдоочу робот. Ал алдын ала белгилүү болгон киргизүү жана чыгарууларды колдонбостон үйрөнөт. Анын ордуна, ал киргизилген маалыматтардын өзүн классификациялашы керек. Алгоритм колдонуучулар кайсы өнүмдөрдү артык көрөрүн аныктап, айтып бериши керек.

Машина үйрөнүү кантип иштейт

Ошентип, Deep Learning - бул машина үйрөнүү ыкмаларынын бири. Ал берилген киргизилген маалыматтардан натыйжаларды болжолдоого мүмкүндүк берет. AI үйрөтүү үчүн, сиз жогорудагы эки вариантты тең колдоно аласыз: көзөмөлдөнгөн жана көзөмөлсүз окутуу. Биз Deep Learning кандай иштээрин айкын мисал аркылуу түшүнөбүз: аба каттамдарына бааларды болжолдоо үчүн кызматты иштеп чыгышыбыз керек дейли. Алгоритмибизди көзөмөлдөгөн ыкма менен үйрөтөбүз. Биз аба каттамдарына бааларды болжолдоо боюнча кызматыбыздан бааны төмөндөгү киргизилген маалыматтардын негизинде болжолдоосун каалайбыз (көрсөтүүнү жеңилдетүү үчүн биз кайтып келүүчү рейсти эске албайбыз):

• учуу аэропорту;
• келүү аэропорту;
• пландаштырылган кетүү датасы;
• авиакомпания.

Нейрондук тармактар ​​Келгиле, жасалма интеллекттин мээсин карап көрөлү. Биологиялык жандыктардагыдай эле, биздин болжолдоочубуздун «башында» нейрондор бар. Сүрөттө алар тегерек түрүндө берилген. Нейрондор бири-бири менен байланышкан. Сүрөттө нейрондор катмарлардын үч тобуна бириктирилген:

• киргизүү катмары;
• жашыруун катмар 1 (жашыруун катмар 1) жана жашыруун катмар 2 (жашыруун катмар 2);
• чыгаруу катмары.

Кээ бир маалыматтар киргизүү катмарына кирет. Биздин учурда, бизде киргизүү катмарында төрт нейрон бар: учуу аэропорту, келүү аэропорту, учуп чыгуу күнү, авиакомпания. Киргизүү катмары маалыматтарды биринчи жашыруун катмарга өткөрөт. Жашыруун катмарлар алынган киргизүү маалыматтарынын негизинде математикалык эсептөөлөрдү жүргүзөт. Нейрондук тармактарды курууда негизги маселелердин бири – бул жашыруун катмарлардын санын жана ар бир катмардагы нейрондордун санын тандоо. Чыгуу катмары бизге алынган маалыматты кайтарып берет. Биздин учурда учуунун күтүлгөн баасы. Биз буга чейин эң кызыктуу нерсени өткөрүп жибердик: күтүлгөн баа так кантип эсептелген? Deep Learning сыйкырчылыгы ушул жерден башталат. Нейрондордун ортосундагы ар бир байланышка белгилүү бир салмак (коэффициент) ыйгарылган. Бул салмак киргизилген маанинин маанилүүлүгүн аныктайт. Баштапкы салмактар ​​туш келди коюлат. Аба каттамдарынын баасын болжолдоп жатканда, учуу күнү баага эң көп таасир этет. Ошондуктан, "кетүү күнү" нейрондун байланыштары көбүрөөк салмакка ээ. Ар бир нейрондун ага тиркелген активдештирүү функциясы бар. Математикалык бorмсиз бул функция эмне экенин түшүнүү кыйын. Ошентип, бир аз жөнөкөйлөтүп көрөлү: активдештирүү функциясынын максаты нейрондон чыгууну “стандартташтыруу”. Берorштер топтому нейрондук тармактын бардык катмарларынан өткөндөн кийин, натыйжаны чыгаруу катмары аркылуу кайтарат. Азырынча баары түшүнүктүү, туурабы?

Нейрондук тармак боюнча тренинг

Нейрондук тармакты окутуу Deep Learningдин эң татаал бөлүгү! Неге? Анткени сизге чоң көлөмдөгү маалымат керек. Анткени сизге көбүрөөк эсептөө күчү керек. Биздин долбоор үчүн биз авиабилеттер боюнча тарыхый маалыматтарды табышыбыз керек. Мындан тышкары, учуу жана көздөгөн аэропорттордун, учуп кетүү даталарынын жана ар кандай авиакомпаниялардын бардык мүмкүн болгон айкалышы үчүн. Бизге билеттин баасы менен өтө чоң көлөмдөгү маалымат керек. Биз топтомубуздан киргизилген маалыматтарды нейрон тармагыбыздын кириштерине берип, алар бизде болгон натыйжаларга дал келгенин текшеришибиз керек. Жасалма интеллект тарабынан алынган натыйжалар күтүлгөндөн айырмаланса, бул анын али жетишээрлик машыккан эмес дегенди билдирет. Нейрондук тармак аркылуу маалыматтардын толук көлөмүн иштеткенден кийин, AI натыйжалары биздин маалымат топтомубуздагы чыныгы натыйжалардан канчалык айырмаланарын көрсөткөн функцияны түзө алабыз. Мындай функция чыгым функциясы деп аталат . Биз бүт күчүбүз менен умтулган идеалдуу учурда, биздин чыгым функциясынын маанилери нөлгө барабар. Бул нейротармак тарабынан тандалган нарктын натыйжалары биздин маалымат топтомундагы билеттердин чыныгы наркынан айырмаланbyte дегенди билдирет.

Чыгымдар функциясынын маанисин кантип азайта алабыз?

Биз нейрондордун ортосундагы байланыштардын салмагын өзгөртөбүз. Бул кокустан жасалышы мүмкүн, бирок бул ыкма натыйжалуу эмес. Анын ордуна, биз Gradient Descent деп аталган ыкманы колдонобуз . Бул алгоритм маалымат топтомун кайра иштетүүнүн ар бир жаңы итерациясынан кийин салмактарды акырындык менен көбөйтүү менен иштейт. Салмактардын белгилүү бир топтомдору үчүн нарк функциясынын туундусун (же градиентти) эсептөө менен биз минималдуу кайсы багытта жатканын көрө алабыз. Сүрөттө: Баштапкы салмак - баштапкы салмак, Глобалдык чыгым минимуму - нарк функциясынын глобалдык минимуму. Чыгым функциясын минималдаштыруу үчүн, биз көп жолу биздин маалымат топтомун эсептөөлөрдү жүргүзүү керек. Мына ушул себептен сизге көп эсептөөчү күч керек. Салмактар ​​градиенттин түшүү ыкмасын колдонуу менен автоматтык түрдө жаңыртылып турат. Бул Deep Learning сыйкырчылыгы! Биз AI авиабилетинин баасын болжолдоо кызматыбызды үйрөткөндөн кийин, аны реалдуу бааларды болжолдоо үчүн коопсуз колдоно алабыз.

Жыйынтыктайлы...

• Терең үйрөнүү интеллектти симуляциялоо үчүн нейрон тармактарын колдонот.
• Нейрондук тармакта нейрондордун үч түрү бар: киргизүү катмары, жашыруун катмарлар, чыгуучу катмар.
• Нейрондордун ортосундагы ар бир байланыш өз салмагына ээ, бул киргизүүнүн маанилүүлүгүн көрсөтүп турат.
• Нейрондор нейрондон чыгууну "стандартташтыруу" үчүн активдештирүү функциясын колдонушат.
• Нейрондук тармакты окутуу үчүн сизге чоң көлөмдөгү маалымат керек.
• Эгерде биз нейрондук тармактын жардамы менен берorштер массивин иштетсек жана чыгуу маалыматтарын чыныгы маалыматтар менен салыштырсак, AI канчалык туура эмес экенин көрсөткөн чыгым функциясын алабыз.
• Ар бир маалымат иштетилгенден кийин, нейрондордун ортосундагы салмактар ​​градиенттин түшүү ыкмасын колдонуу менен жөнгө салынат.

Түпнуска шилтеме