Deep Learning, sun'iy intellekt va dummilar uchun mashinani o'rganish: misol bilan tushuntirilgan

Siz hamkasblaringiz davrasida o'z aql-zakovatingiz bilan porlashni yoki dolzarb texnik mavzularda suhbatda do'stlaringizni hayratda qoldirmoqchimisiz? Suhbatda "Sun'iy intellekt" yoki "Mashinani o'rganish" ni eslatib o'ting va ish tugadi. "Sun'iy intellekt" atamasi hozir keng tarqalgan. Dasturchilar AIni o'rganishni xohlashadi. Rahbarlar AIni o'z xizmatlariga tatbiq etishni xohlashadi. Ammo amalda hatto professionallar ham "AI" nima ekanligini har doim ham tushunmaydilar. Ushbu maqola "sun'iy intellekt" va "mashinalarni o'rganish" atamalarini tushunishingizga yordam berish uchun mo'ljallangan. Shuningdek, siz mashinani o'rganishning eng mashhur turi bo'lgan Deep Learning qanday ishlashini bilib olasiz. Va eng muhimi, bu ko'rsatmalar juda tushunarli tilda yozilgan. Bu erda matematikani tushunish juda qiyin bo'lmaydi.

Asoslar

Chuqur o'rganish nima ekanligini tushunish uchun birinchi qadam asosiy atamalar orasidagi farqni tushunishdir. Rasm: Datanami

Sun'iy intellekt va mashinani o'rganish

Sun'iy intellekt (AI yoki AI agnl.) - bu insonning fikrlash jarayonini kompyuter orqali nusxalashga urinish. Sun'iy intellekt sohasidagi tadqiqotlar endigina boshlanganida, olimlar inson aqlining xatti-harakatlarini ma'lum sharoitlarda qat'iy ravishda nusxalashga, ya'ni muayyan muammolarni hal qilish uchun uni keskinlashtirishga harakat qilishdi. Masalan, mashina o'yin o'ynashi uchun. Ular hisoblash mashinasi amal qilishi kerak bo'lgan bir qator qoidalarni o'rnatdilar. Kompyuterda mumkin bo'lgan harakatlar ro'yxati mavjud edi va u dizayn bosqichida o'rnatilgan qoidalar va cheklovlar asosida qarorlar qabul qildi. ML kompyuterlarga mustaqil ravishda o'rganish imkonini beradi. Ushbu turdagi o'rganish katta hajmdagi ma'lumotlarni osongina qayta ishlay oladigan zamonaviy hisoblash texnologiyasidan foydalanadi.

Nazorat ostidagi o'rganish va nazoratsiz o'rganish

Nazorat ostidagi ta'lim kirishlar va kutilgan natijalardan iborat etiketli ma'lumotlar to'plamidan foydalanadi. Nazorat ostidagi taʼlimdan foydalangan holda sunʼiy intellektni oʻrgatganingizda, siz maʼlumotlarni kirish sifatida taqdim qilasiz va natija qanday boʻlishi kerakligini aniqlaysiz. Agar AI ishlab chiqaradigan natija kutilganidan farq qiladigan bo'lsa, unda AI o'z hisob-kitoblarini tuzatishi kerak. AI xatoga yo'l qo'ymaguncha, jarayon ma'lumotlar massivida ko'p marta takrorlanadi. Ob-havoni bashorat qiladigan sun'iy intellekt nazorat ostida o'rganishga misol bo'lishi mumkin. Tarixiy ma'lumotlardan foydalanib ob-havoni bashorat qilishni o'rganadi. Kirish ma'lumotlari bosim, namlik va shamol tezligidir va natijada biz haroratni olishimiz kerak. Nazoratsiz o'rganish - bu tizimlashtirilmagan ma'lumotlardan foydalangan holda AIni o'qitishdan iborat vazifa. Nazoratsiz ta'limdan foydalangan holda sun'iy intellektni o'rgatganingizda, siz sun'iy intellektga ma'lumotlarning mantiqiy tasnifini amalga oshirish imkonini berasiz. Nazoratsiz mashinalarni o'rganishdan foydalangan holda sun'iy intellektga misol sifatida onlayn-do'kondagi mijozlar xatti-harakatlarini robot bashorat qilish mumkin. Oldindan ma'lum bo'lgan kirish va chiqishlardan foydalanmasdan o'rganadi. Buning o'rniga, u kiritilgan ma'lumotlarni o'zi tasniflashi kerak. Algoritm qaysi turdagi foydalanuvchilar qaysi mahsulotlarni afzal ko'rishini aniqlashi va aytib berishi kerak.

Mashinani o'rganish qanday ishlaydi

Shunday qilib, Deep Learning - bu mashinani o'rganishga yondashuvlardan biri. Bu sizga kiritilgan ma'lumotlardan natijalarni bashorat qilish imkonini beradi. AIni o'rgatish uchun siz yuqoridagi ikkala variantdan ham foydalanishingiz mumkin: nazorat ostida va nazoratsiz o'rganish. Biz aniq misol yordamida Deep Learning qanday ishlashini tushunamiz: deylik, havo qatnovi narxlarini bashorat qilish xizmatini ishlab chiqishimiz kerak. Biz algoritmimizni nazorat qilinadigan usul yordamida o'rgatamiz. Biz havo qatnovi narxlarini bashorat qilish bo'yicha xizmatimizdan quyidagi kiritilgan ma'lumotlarga asoslanib narxni bashorat qilishini istaymiz (taqdim etish qulayligi uchun biz qaytish parvozini hisobga olmaymiz):

• jo'nash aeroporti;
• kelish aeroporti;
• rejalashtirilgan jo'nash sanasi;
• aviakompaniya.

Neyron tarmoqlari Keling, sun'iy intellektning miyasini ko'rib chiqaylik. Biologik tirik mavjudotlarda bo'lgani kabi, bizning bashoratchimiz ham "boshida" neyronlarga ega. Rasmda ular doira shaklida taqdim etilgan. Neyronlar bir-biri bilan bog'langan. Rasmda neyronlar uchta qatlam guruhiga birlashtirilgan:

• kirish qatlami;
• yashirin qatlam 1 (yashirin qatlam 1) va yashirin qatlam 2 (yashirin qatlam 2);
• chiqish qatlami.

Ba'zi ma'lumotlar kirish qatlamiga kiradi. Bizning holatda, kirish qatlamida to'rtta neyron mavjud: jo'nash aeroporti, kelish aeroporti, jo'nash sanasi, aviakompaniya. Kirish qatlami ma'lumotlarni birinchi yashirin qatlamga o'tkazadi. Yashirin qatlamlar olingan kirish ma'lumotlari asosida matematik hisob-kitoblarni amalga oshiradi. Neyron tarmoqlarni qurishda asosiy masalalardan biri yashirin qatlamlar sonini va har bir qatlamdagi neyronlar sonini tanlashdir. Chiqish qatlami olingan ma'lumotlarni bizga qaytaradi. Bizning holatda, parvozning kutilgan narxi. Biz hozirgacha eng qiziqarli narsani o'tkazib yubordik: kutilgan narx qanday aniq hisoblangan? Deep Learning sehri shu erdan boshlanadi. Neyronlar orasidagi har bir aloqaga ma'lum bir og'irlik (koeffitsient) beriladi. Ushbu vazn kirish qiymatining ahamiyatini belgilaydi. Dastlabki og'irliklar tasodifiy tarzda o'rnatiladi. Samolyot narxini bashorat qilishda, jo'nash sanasi narxga eng ko'p ta'sir qiladi. Shuning uchun, "ketish sanasi" neyronining ulanishlari ko'proq vaznga ega. Har bir neyron o'ziga biriktirilgan faollashtirish funktsiyasiga ega. Matematik bilimsiz bu funksiya nima ekanligini tushunish qiyin. Keling, biroz soddalashtiraylik: faollashtirish funktsiyasining maqsadi neyrondan chiqishni "standartlashtirish". Ma'lumotlar to'plami neyron tarmog'ining barcha qatlamlaridan o'tgandan so'ng, natijani chiqish qatlami orqali qaytaradi. Hozircha hamma narsa aniq, to'g'rimi?

Neyron tarmoqni o'rgatish

Neyron tarmoqni o'rgatish chuqur o'rganishning eng qiyin qismidir! Nega? Chunki sizga katta hajmdagi ma'lumotlar kerak. Chunki sizga ko'proq hisoblash kuchi kerak. Loyihamiz uchun biz aviachiptalarning tarixiy ma'lumotlarini topishimiz kerak. Bundan tashqari, jo'nash va boradigan aeroportlar, jo'nash sanalari va turli aviakompaniyalarning barcha mumkin bo'lgan kombinatsiyalari uchun. Bizga chiptalar narxi haqida juda katta hajmdagi ma'lumotlar kerak. Biz o'z to'plamimizdan kirish ma'lumotlarini neyron tarmog'imizning kirishlariga etkazib berishimiz va ular bizda mavjud bo'lgan natijalarga mos kelishini tekshirishimiz kerak. Agar sun'iy intellekt tomonidan olingan natijalar kutilganidan farq qilsa, demak u hali yetarlicha tayyorgarlik ko'rmagan. Neyron tarmog‘imiz orqali ma’lumotlarning to‘liq hajmini ishga tushirganimizdan so‘ng, biz sun’iy intellekt natijalari bizning ma’lumotlar to‘plamimizdagi haqiqiy natijalardan qanchalik farq qilishini ko‘rsatadigan funksiya yaratishimiz mumkin. Bunday funktsiya xarajat funktsiyasi deb ataladi . Biz bor kuchimiz bilan intilayotgan ideal holatda bizning xarajat funksiyamizning qiymatlari nolga teng. Bu shuni anglatadiki, neyron tarmog'i tomonidan tanlangan xarajatlar natijalari bizning ma'lumotlar to'plamimizdagi chiptalarning haqiqiy narxidan farq qilmaydi.

Xarajatlar funksiyasining qiymatini qanday kamaytirishimiz mumkin?

Biz neyronlar orasidagi aloqalarning og'irligini o'zgartiramiz. Bu tasodifiy amalga oshirilishi mumkin, ammo bu yondashuv samarali emas. Buning o'rniga biz Gradient Descent deb nomlangan usuldan foydalanamiz . Ushbu algoritm ma'lumotlar to'plamini qayta ishlashning har bir yangi iteratsiyasidan keyin og'irliklarni bosqichma-bosqich oshirish orqali ishlaydi. Muayyan og'irliklar to'plami uchun xarajat funktsiyasining hosilasini (yoki gradientini) hisoblab, biz minimal qaysi yo'nalishda yotishini ko'rishimiz mumkin. Rasmda: Boshlang'ich vazn - boshlang'ich og'irlik, Global xarajat minimal - xarajat funktsiyasining global minimal. Xarajat funktsiyasini minimallashtirish uchun biz ma'lumotlar to'plamimiz bo'yicha ko'p marta hisob-kitoblarni bajarishimiz kerak. Shuning uchun sizga juda ko'p hisoblash kuchi kerak. Og'irliklar gradient tushish usuli yordamida avtomatik ravishda yangilanadi. Bu chuqur o'rganishning sehridir! AI parvoz narxini bashorat qilish xizmatini o'rgatganimizdan so'ng, biz undan haqiqatda narxlarni taxmin qilish uchun xavfsiz foydalanishimiz mumkin.

Keling, xulosa qilaylik ...

• Chuqur o'rganish aqlni simulyatsiya qilish uchun neyron tarmoqlardan foydalanadi.
• Neyron tarmog'ida neyronlarning uch turi mavjud: kirish qatlami, yashirin qatlamlar, chiqish qatlami.
• Neyronlar orasidagi har bir aloqa o'z vazniga ega, bu kirishning muhimligini ko'rsatadi.
• Neyronlar neyrondan chiqishni "standartlashtirish" uchun faollashtirish funktsiyasidan foydalanadilar.
• Neyron tarmoqni o'rgatish uchun sizga katta hajmdagi ma'lumotlar kerak bo'ladi.
• Agar biz neyron tarmoq yordamida ma'lumotlar massivini qayta ishlasak va chiqish ma'lumotlarini haqiqiy ma'lumotlar bilan taqqoslasak, biz AI qanchalik noto'g'ri ekanligini ko'rsatadigan xarajat funktsiyasini olamiz.
• Har bir ma'lumotni qayta ishlashdan so'ng, neyronlar orasidagi og'irliklar xarajat funktsiyasini kamaytirishga erishish uchun gradient tushish usuli yordamida o'rnatiladi.

Asl nusxaga havola