Глубокое обучение – это ветвь машинного обучения (машинное обучение – ML). Методы глубокого обучения используют абстракции моделей высокого уровня нелинейных преобразований в больших базах данных. В других областях внедрение архитектуры глубокого обучения вносит значительный вклад в развитие искусственного интеллекта. В этой статье представлены недавние исследования новых прикладных алгоритмов глубокого обучения. Сверточная нейронная сеть используется в глубоком обучении. Система управления базами данных – объектно-реляционная база данных PostgreSQL.
В результате реализации поставленные цели и задачи были достигнуты. В статье обсуждаются методы анализа входных данных, описываются различия между машинным обучением и глубоким обучением, а также приводится пример использования одного из алгоритмов глубокого обучения, а именно логистической регрессии для классификации изображений, представляющих изображения языка жестов. Глубокие нейронные сети могут работать со всем набором доступных данных, чем альтернативные подходы.
В процессе обучения нейронная сеть сама определяет, какие признаки в данных важны, а какие нет. Искусственные нейронные сети могут предсказать симптомы, которые люди не могут. Поэтому с помощью глубоких нейронных сетей они могут решать задачи, которые не могут выполнить традиционные алгоритмы машинного обучения.
Ключевые слова: глубокое обучение, методология, искусственный интеллект, машинное обучение, нейронная сеть, распознавание объектов.
