JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
Мы начнем с общей картины всего, что вы должны вынести из этой книги, и ос­
вежим таким образом в вашей памяти некоторые из изученных концепций. Далее 
мы приведем обзор важнейших ограничений глубокого обучения. Для должного ис­
пользования любого инструмента необходимо знать не только на что он 
способен
, но 
и на что он 
не способен
. Завершается эта глава перечнем ресурсов и стратегий, которые 
позволят вам не только углубить знания и навыки глубокого обучения и ИИ в эко­
системе JavaScript, но и оставаться на уровне последних достижений в этой сфере.
13.1. Обзор ключевых понятий
В этом разделе кратко подытожен «сухой остаток» этой книги. Начнем с общего 
ландшафта ИИ, а в завершение расскажем, почему сочетание глубокого обучения 
и JavaScript открывает уникальные захватывающие возможности.
13.1.1. Различные подходы к ИИ
Прежде всего, глубокое обучение — вовсе не синоним ИИ или даже машинного об­
учения. 
Искусственный интеллект
(artificial intelligence) — обширная сфера исследо­
ваний с долгой историей. В целом искусственный интеллект можно описать как «все 
попытки автоматизации процесса познания» — другими словами, как автоматизацию 
процесса мышления. Он простирается от таких простейших вещей, как электронные 
таблицы Excel, до самых передовых проектов, таких как человекоподобные роботы, 
способные ходить и говорить.
Машинное обучение
(machine learning) — одна из многих подобластей искусствен­
ного интеллекта, нацеленная на автоматическую разработку программ (так называ­
емых 
моделей
) путем воздействия на них обучающих данных. Процесс превращения 
данных в программу (модель) называется 
обучением
(learning). И хотя машинное 
обучение уже существует довольно давно (по крайней мере несколько десятилетий), 
широко применять на практике его начали только в 1990­х.
Глубокое обучение
(deep learning) — одна из многих форм машинного обучения. 
В глубоком обучении модели состоят из множества последовательно применяемых 
шагов преобразований представлений (отсюда название «глубокое»). Эти операции 
организуются в модули, называемые 
слоями
(layers). Модели глубокого обучения 
обычно состоят из последовательности (в общем случае — графа) множества слоев. 
Эти слои параметризуются 
весовыми коэффициентами
(
весами
, weights) — чис­
ловыми значениями, обновляемыми в ходе обучения, на основе которых входной 
сигнал слоя преобразуется в выходной. В этих весах заключены усвоенные моделью 
во время обучения «знания». Целью процесса обучения главным образом является 
поиск хорошего набора значений весовых коэффициентов.
И хотя глубокое обучение — лишь один из множества подходов машинного об­
учения, по сравнению с прочими подходами его успех был ошеломляющим. Пере­
числим основные причины такого успеха глубокого обучения.

---