JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 1. Глубокое обучение и JavaScript
33
Рис. 1.3.
Более подробная, по сравнению с рис. 1.2, схема парадигмы машинного обучения. 
Технологический процесс машинного обучения включает два этапа: обучение и вывод. Обучение 
представляет собой процесс автоматического подбора машиной правил преобразования данных 
в ответы. Результаты этапа обучения — усвоенные правила, заключенные в обученной модели, — 
образуют фундамент для этапа вывода. Вывод означает получение ответов для новых данных 
на основе обученной модели
На основе обучающих данных и архитектуры модели в результате процесса обуче­
ния формируются усвоенные правила. Они заключаются в обученной модели. Этот 
процесс изменяет (или уточняет) эскиз модели так, чтобы выходные данные модели 
становились все ближе и ближе к желаемым. Этап обучения может занимать от милли­
секунд до дней, в зависимости от объема обучающих данных, сложности архитектуры 
модели и быстродействия аппаратного обеспечения. Такое направление машинного 
обучения — использование маркированных примеров для постепенного снижения 
погрешности выходных данных модели — называется 
обучением с учителем
(supervised 
learning)
1
. Б
ó
льшая часть описанных в книге алгоритмов глубокого обучения относится 
к обучению с учителем. После обучения модели усвоенные правила можно применять 
к новым данным — тем, которые не участвовали в процессе обучения. Это второй этап, 
этап вывода
. Он требует меньшего объема вычислений, чем этап обучения, поскольку: 
1) вывод обычно производится с одним элементом входных данных (например, одним 
изображением) за раз, в то время как обучение предполагает обработку всех обуча­
ющих данных; 2) во время вывода не требуется вносить изменения в модель.
Усвоение представлений данных
Машинное обучение связано с усвоением информации о данных. Но 
какая именно
информация усваивается в ходе обучения? Ответ: способ эффективного преобразо­
вания данных или, другими словами, превращения старых представлений данных 
в новое, приближающее нас к решению текущей задачи.
Прежде чем продолжать, разберемся, что такое представление. По существу, это 
точка зрения на данные. На одни и те же данные можно взглянуть с разных сторон, 
что ведет к разным их представлениям. Например, цветное изображение может за­
1 
Другое направление машинного обучения — обучение без учителя (unsupervised learning), 
при котором используются немаркированные данные. Примерами обучения без учителя 
могут служить кластеризация (clustering, поиск отдельных подмножеств примеров в на­
боре данных) и обнаружение аномалий (anomaly detection, выяснение, достаточно ли 
сильно отличается конкретный пример данных от примеров из обучающего набора).

---

34