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. Z czasem połączenia między neuronami zostają wzmocnione przez częste używanie, gdy uczysz 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 czynność wielokrotnie, sieć neuronów zaangażowanych w łapanie piłki będzie stawała się silniejsza, gdy nauczysz się, jak lepiej łapać piłkę.
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 waga (w), która służy dla wzmocnienia lub osłabienia efektu wartości x, dla odzwierciedlenia procesu uczenia się. Ponadto dodano przesunięcie wejściowe (b), aby umożliwić precyzyjną kontrolę nad siecią. Podczas procesu trenowania wartości w i b zostaną dostosowane, aby sieć "nauczyła się" generować poprawne dane wyjściowe.
Sam neuron hermetyzuje funkcję, która oblicza ważoną sumę x, woraz 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.