отличается от классического подхода к ML. В стандартном машинном обучении программе предоставляются явные инструкции о том, как выполнять задачу. Например, если требуется классифицировать изображения мужчин и женщин, модели необходимо объяснить, какие характеристики различают фигуры мужчин и женщин с помощью математических формул и абстракций.
В случае обучения нейронных сетей такие явные инструкции не требуются. Сеть самостоятельно находит признаки и корректирует свои коэффициенты, чтобы достичь желаемого результата. Вместо того, чтобы описывать признаки вручную, необходимо лишь предоставить обучающие данные и определить соответствующие результаты для каждого входа. Нейронная сеть сама выявляет внутренние закономерности и устанавливает соответствующие веса, чтобы выполнить задачу.
Это имеет свои преимущества и недостатки. Одним из недостатков является непредсказуемость работы нейронной сети, так как она может проявлять сложное поведение, которое трудно объяснить или интерпретировать. Однако, это также дает большую гибкость, поскольку одну и ту же нейронную сеть можно обучить на различных задачах, просто изменяя обучающие данные и соответствующие результаты. Таким образом, нет необходимости создавать новые алгоритмы или параметры для каждой новой задачи, а можно использовать существующую архитектуру сети, предварительно оптимизированную для определенного типа задач.
Конец ознакомительного фрагмента.
Текст предоставлен ООО «ЛитРес».
Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.
