Wprowadzenie
Uczenie głębokie to zaawansowana forma uczenia maszynowego, która próbuje naśladować sposób, w jaki ludzki mózg uczy się.
W mózgu masz komórki nerwowe zwane neuronami, które są połączone ze sobą przez rozszerzenia nerwowe, które przekazują sygnały elektrochemiczne przez sieć.
Gdy pierwszy neuron w sieci jest stymulowany, sygnał wejściowy jest przetwarzany, a jeśli przekroczy określony próg, neuron jest aktywowany i przekazuje sygnał do neuronów, z którymi jest połączony. Te neurony z kolei mogą być aktywowane i przekazywać sygnał przez pozostałą część sieci. W miarę upływu czasu połączenia między neuronami są wzmacniane przez częste stosowanie, gdy nauczysz się skutecznie reagować. Jeśli na przykład ktoś rzuca piłkę do Ciebie, twoje połączenia neuronowe umożliwiają przetwarzanie informacji wizualnych i koordynowanie ruchów, aby złapać piłkę. Jeśli wykonasz tę akcję wielokrotnie, sieć neuronów zaangażowanych w złapanie piłki będzie rosła silniejsza, gdy nauczysz się, jak być lepszym w połowu piłki.
Uczenie głębokie emuluje ten proces biologiczny przy użyciu sztucznych sieci neuronowych, które przetwarzają dane wejściowe liczbowe, a nie bodźce elektrochemiczne.
Przychodzące połączenia nerwowe są zastępowane przez dane wejściowe liczbowe, które są zwykle identyfikowane jako x. Jeśli istnieje więcej niż jedna wartość wejściowa, x jest traktowana jako wektor z elementami o nazwie x1, x2 itd.
Skojarzona z każdą wartością x jest wagą (w), która służy do wzmacniania lub osłabienia efektu wartości x do symulowania uczenia. Ponadto dodawana jest stronniczość (b), aby umożliwić precyzyjną kontrolę nad siecią. Podczas procesu trenowania wartości w i b zostaną dostosowane w celu dostosowania sieci, aby "uczyć się" w celu wygenerowania poprawnych danych wyjściowych.
Sam neuron hermetyzuje funkcję, która oblicza ważoną sumę x, w i b. Ta funkcja jest z kolei ujęta w funkcję aktywacji, która ogranicza wynik (często do wartości od 0 do 1), aby określić, czy neuron przekazuje dane wyjściowe do następnej warstwy neuronów w sieci.