Последнее обновление: 2021-10-08 09:36:17
Преимущества глубокого обучения Лучшая в своем классе производительность. Глубокие сети достигли точности, которая сильно превосходит классические методы машинного обучения (МО) во многих областях, включая речь, естественный язык, компьютерное видение и игры.
Искусственный интеллект – любой метод, позволяющий имитировать поведение человека. Машинное обучение – любые методы, которые позволяют учиться, не будучи явно запрограммированными на это. Глубокое обучение – подмножество машинного обучения, использующее подходящие многослойные нейронные сети.
Задача классифика́ции — задача, в которой имеется множество объектов (ситуаций), разделённых, некоторым образом на классы. Задано конечное множество объектов, для которых известно, к каким классам они относятся. ... В математической статистике задачи классификации называются также задачами дискриминантного анализа.
1)Задача регрессии – прогноз на основе выборки объектов с различными признаками. На выходе должно получиться вещественное число (2, 35, 76.454 и др.), к примеру цена квартиры, стоимость ценной бумаги по прошествии полугода, ожидаемый доход магазина на следующий месяц, качество вина при слепом тестировании.
Обуче́ние с учи́телем (англ. Supervised learning) — один из способов машинного обучения, в ходе которого испытуемая система принудительно обучается с помощью примеров «стимул-реакция». С точки зрения кибернетики, является одним из видов кибернетического эксперимента.
Машинное обучение считается ветвью искусственного интеллекта, основная идея которого заключается в том, чтобы компьютер не просто использовал заранее написанный алгоритм, а сам обучился решению поставленной задачи.
Цель машинного обучения — предсказать результат по входным данным. Чем разнообразнее входные данные, тем проще машине найти закономерности и тем точнее результат.
Задача восстановления регрессииЗадача кластеризации (обучения без учителя)Задача идентификацииЗадача прогнозированияЗадача извлечения знаний