Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
ROZDZIAŁ1
Rysunek1.3.Grafyobliczenioweodwzorowującewejścienawyjście,gdziekażdy
węzełoznaczawykonaniedziałania.Głębokośćtodługośćnajdłuższejścieżkiod
wejściadowyjścia,zależnaoddefinicjielementówskładającychsięnamożliwe
krokiobliczeniowe.Obliczeniapokazanenatymgrafietowynikimodeluregresji
logistycznej
σ
(
wTx
),gdzie
σ
tologistycznafunkcjasigmoidalna.Jeślidodawanie,
mnożenieilogistycznesigmoidybędąelementamijęzykakomputerowego,tomodel
tenmagłębokośćtrzy.Jeślielementemjestsamaregresjalogistyczna,tomodelma
głębokośćjeden
Ponieważniejestzawszejasne,któreztychdwóchpodejść–głębokość
grafukomputerowegoczygłębokośćgrafumodeluprobabilistycznego–jest
odpowiednia,atakżedlatego,żeróżniludziewybiorąinnyzbiórnajmniejszych
elementów,zktórychzbudujągraf,niemajednejpoprawnejwartościopisującej
długośćprogramukomputerowego.Niemateżzgody,jakdużejgłębokościwy-
magamodel,abymożnagobyłonazwaćgłębokim.Jednakdeeplearningmożna
bezpiecznieuznaćzastudiummodeliobejmującychwiększąliczbęskładników
poznawanychfunkcjiczypojęćniżwtradycyjnychsystemachuczącychsię.
Podsumowując,deeplearning,którejesttematemtejksiążki,stanowi
podejściedoAI.Konkretniejesttorodzajsystemówuczącychsię,technika
umożliwiającasystemomkomputerowymulepszeniaopartenadoświadcze-
niuidanych.Systemyuczącesiętojedynesensownepodejściedobudowy
systemówAI,któremogądziałaćwskomplikowanychśrodowiskachświata
rzeczywistego.Deeplearningjesttymrodzajemsystemówuczącychsię,któ-
ryosiągawielkąmocielastyczność,reprezentującświatjakozagnieżdżaną
hierarchiępojęć,przyczymkażdepojęciejestzdefiniowanewpowiązaniu
zpojęciamiprostszymiibardziejabstrakcyjnymireprezentacjamiwyznacza-
nymizapomocąmniejabstrakcyjnych.Rysunek1.4ilustrujezwiązkimiędzy
różnymidyscyplinamiAI.Rysunek1.5obrazujeschematwysokiegopoziomu
pokazujący,jaktodziała.
8
