JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть I • Актуальность и основные понятия 
предложений типа «свобода не дается бесплатно» или наслаждения противоречиями 
и ссылками на самого себя в картинах М. К. Эшера. Подобная «глубина» остается 
пока недостижимой целью для исследователей ИИ
1
. В будущем глубокое обучение 
может приблизить нас к подобной глубине, но ее явно не так просто достичь и оце­
нить количественно, как добавить слои в нейронные сети.
ИНФОБОКС 1.1. Не только нейронные сети: другие популярные 
методики машинного обучения
Мы перешли от круга «Машинное обучение» на диаграмме Венна (см. рис. 1.1) непо­
средственно к внутреннему кругу «Нейронная сеть». Впрочем, имеет смысл вкратце 
упомянуть и не относящиеся к нейронным сетям методики машинного обучения: 
не только ради исторического контекста, но и потому, что некоторые из них могут 
встретиться вам в уже существующем коде.
Наивный байесовский классификатор
(naive Bayes classifier) — одна из первых форм 
машинного обучения. Попросту говоря, теорема Байеса дает возможность оценки 
вероятности события по: 1) априорной вероятности этого события; 2) наблюдаемым 
фактам относительно этого события (называемым 
признаками
). Пользуясь этой тео­
ремой, можно классифицировать наблюдаемые точки данных по одной из множества 
категорий, выбрав наиболее вероятную (правдоподобную) в смысле наблюдаемых 
фактов категорию. В основе наивного байесовского классификатора лежит допущение, 
что наблюдаемые факты взаимно независимы (строгое и наивное допущение, отсюда 
и название).
Логистическая регрессия
(logistic regression, logreg) — еще один метод классификации. 
Благодаря простоте и гибкости она до сих пор популярна, и исследователи данных 
зачастую начинают с нее работу над любой задачей классификации.
Ядерные методы
(kernel methods), самый известный пример которых — 
метод опорных 
векторов
(support vector machine, SVM), предназначены для решения задач бинарной 
(с двумя классами) классификации. Она выполняется путем отображения исходных 
данных в пространства более высокой размерности и поиска преобразования, которое 
максимизировало бы расстояние (так называемый 
отступ
(margin)) между двумя 
классами примеров данных.
Деревья принятия решений
(decision trees) — напоминающие блок­схемы структуры, 
с помощью которых можно классифицировать входные точки данных или предсказы­
вать выходные значения по входным. На каждом шаге этой блок­схемы вы отвечаете 
на простой вопрос наподобие: «Превышает ли значение признака X заданное порого­
вое значение?» В зависимости от ответа (да/нет) выполняется переход к одному из 
двух других вопросов (тоже типа да/нет) и т. д. По достижении конца блок­схемы вы 
получаете окончательный ответ. Деревья принятия решений наглядны и удобны для 
интерпретации людьми.
Случайные леса
(random forests) и 
градиентный бустинг
(gradient­boosted machine) по­
вышают безошибочность деревьев принятия решений за счет формирования ансамблей
1 
Hofstadter D.
The Shallowness of Google Translate // The Atlantic. 30 Jan. 2018. http://
mng.bz/5AE1.

---