В 2011 в университете у нас был предмет «Модели реализаций функций управления» (название интригующее🙈).
Тогда про нейросети мало кто говорил, но наш преподаватель посвятил им целый курс, а занимался он этой всей темой с 80-х (по крайней мере, сам тогда он был уже в почтенном возрасте, одну и ту же лекцию мы могли прослушать по несколько раз😁 )
Термин «трёхслойный перцептрон» в начале звучал для меня как нечто магическое. На деле — это базовая архитектура искусственной нейронной сети, на которой строятся современные решения.
А по сути это, обычная система со своей внутренней логикой:
🔴 Входной слой — принимает исходные данные (например, числовые характеристики объектов) 📩
🔴Скрытый слой (он может быть не один) — преобразует входные данные с помощью весовых коэффициентов и нелинейных функций активации; здесь формируется внутренняя абстракция данных 🤖
🔴 Выходной слой — трансформирует полученную скрытым слоем информацию в итоговое решение (например, классификацию или предсказание) 🎯
Фактчек:
Три слоя хороши для простых и гладких задач (например, предсказать цену квартиры от площади и этажа). Но если задача имеет много уровней абстракции, требует памяти, содержит очень резкие скачки или глобальные зависимости — трёх слоёв мало, нужна глубокая (многослойная) или специальная архитектура.
Ещё одним базовым понятием было "свёртка".
В нейросетях свёртка — это способ не просто смешать сигнал с фильтром, а научить фильтр под задачу. В отличие от классической обработки, где фильтр задаётся инженером (размытие, резкость), в нейросети фильтр (ядро свёртки) — это обучаемые веса, которые нейросеть подбирает сама во время обучения.
В то время весь пласт этой теории казался мне крайне абстрактным.
А вот уже в рабочей и проектной практике принципы, лежащие в основе искусственных нейронных сетей, появлялись повсюду, например:
🔴Многослойное преобразование информации — когда данные проходят последовательные фильтры и преобразования;
🔴 Агрегация признаков — выявление наиболее значимых «сигналов» среди шумов;
🔴Обучаемость — корректировка «весов» процессов благодаря обратной связи.
Вывод:
Не думала, что «устаревшие» университетские курсы станут полезными, но именно базовые понятия дают фундамент — с ними легче понимать и изучать мейнстримные технологии и подходы.
А какие знания из университета пригодились в работе лично вам? Делитесь в комментариях👇
#AI #нейросети #обучение #байки