Я. Гудфеллоу, И. Бенджио, А. Курвилль

пример
. Примером является набор 
при-
знаков
, полученных в результате количественного измерения некоторого объекта 
или события, которые система должна научиться обрабатывать. Как правило, при-
мер представляется в виде вектора 
x
∈
ℝ
n
, каждый элемент которого – признак. Так, 
признаками изображения обычно являются значения его пикселей.
С помощью машинного обучения можно решать разнообразные задачи. Перечис-
лим наиболее типичные.
 

Классификация.
В задачах этого типа программа должна ответить, какой из 
k
категорий принадлежит некоторый пример. Для решения этой задачи алгоритм 
обучения обычно просят породить функцию 
f
: 
ℝ
n
⟶
{1, …, 
k
}. Если 
y
= 
f
(
x
), то 
модель относит входной пример, описываемый вектором 
x
, к категории с чис-
ловым кодом 
y
. Существуют и другие варианты задачи классификации, напри-
мер когда 
f
– распределение вероятности принадлежности к классам. Приме-
ром задачи классификации является распознавание объектов, когда на вход 
подается изображение (обычно представленное множеством значений яркости 
пикселей), а на выходе получается числовой код, который идентифицирует 
присутствующий в изображении объект. Например, робот Willow Garage PR2 
может исполнять функции официанта: он умеет распознавать различные на-
питки и по команде приносить их людям (Goodfellow et al., 2010). В настоящее 
время распознавание объектов лучше всего производится методами глубокого 
обучения (Krizhevsky et al., 2012; Ioffe and Szegedy, 2015). Распознавание объ-
ектов основано на той же базовой технологии, которая позволяет компьютерам 

---