Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
WPROWADZENIE
ucząsięprzechowywaćmożliwiewieleinformacji,gdydaneprzechodząprzez
proceskodowania,apotemprzezdekoder,aletakżeprzypisująnowejre-
prezentacjiróżnewłaściwości.Różnerodzajeautokodowaniamająnacelu
uzyskanieróżnychrodzajówwłaściwości.
Gdyprojektujemycechylubalgorytmydouczeniasięcech,naszymcelem
jestzwykleoddzielenieczynnikówzmiennych,któretłumacząobserwowane
dane.Wtymkontekścieużywamysłowanczynniki”,abyodnieśćsiędo
oddzielnychźródełwpływu;czynnikiniesązwyklepowiązanezmnożeniem.
Takieczynnikiczęstoniesąbezpośrednioobserwowanymiwielkościami.Mogą
występowaćjakonieobserwowaneobiektylubsiływświecierzeczywistym,
którewpływająnaobserwowalnewielkości.Mogątakżewystępowaćjako
konstrukcjewumyśleczłowieka,któredostarczająupraszczającychwyjaśnień
lubwnioskowanychprzyczynobserwowanychdanych.Możnajetraktować
jakpojęcialubabstrakcjepomagającenamzrozumiećbogatązmienność
danych.Podczasanalizynagrańmowyczynnikizmienneobejmująwiek
mówcy,jegopłećiakcentorazwypowiadanesłowa.Podczasanalizyobrazu
samochodu:położeniesamochodu,jegokolororazkątpadaniapromieni
słonecznych.
Podstawowymźródłemtrudnościwaplikacjachsztucznejinteligencjijest
fakt,żewieleczynnikówzmianwpływanakażdyelementdanych,któremo-
żemyobserwować.Pojedynczepikseleobrazuczerwonegosamochodumogą
wnocyprzypominaćczerń.Sylwetkasamochoduzależyodkąta,podktórym
naniąpatrzymy.Większośćzastosowańwymagaodnasrozwikłaniaczynni-
kówzmianiodrzuceniatych,naktórychnamniezależy.Oczywiściewybranie
takichcechnawysokimpoziomieabstrakcjiznieprzetworzonychdanychmoże
byćtrudne.Wieleczynnikówzmian,jakakcentmówcy,dasięzidentyfikować
tylkozapomocąwyrafinowanegorozumieniadanych,napoziomieludzkiego
umysłu.Gdyuzyskaniereprezentatywnychinformacjijesttaksamotrudne,
jakrozwiązanieproblemu,wydajesię,żetakareprezentatywnośćnaniewiele
sięzdaje.
Deeplearningrozwiązujetenpodstawowyproblemwreprezentatywnym
uczeniusiędziękiwprowadzeniureprezentatywnościwyrażonejwformie
innej,prostszejreprezentacji.Umożliwiakomputerowizbudowaniezłożonych
pojęćnapodstawieprostszych.Narysunku1.2pokazano,jaksystemdeep
learningmożereprezentowaćpojęcieopisująceobrazosobyprzezpołączenie
prostszychpojęć,jaknarożnikiikontury,którezkoleisązdefiniowanejako
krawędzie.
Typowymprzykłademmodeludeeplearningujestgłębokasiećjedno-
kierunkowalubwielowarstwowyperceptron(MLP).Tenostatnitofunkcja
matematycznaodwzorowującapewienzestawdanychwejściowychnawar-
5
