Вводный обзор глубокого обучения для моделей прогнозирования на больших данных

Модели глубокого обучения представляют собой новую парадигму обучения в области искусственного интеллекта и машинного обучения. Недавние прорывные результаты в анализе изображений и распознавании речи вызвали огромный интерес к этому направлению, поскольку применение таких моделей в других областях, где используются большие данные, также представляется возможным. Однако математическая и вычислительная методология, лежащая в основе моделей глубокого обучения, чрезвычайно сложна, особенно для специалистов, работающих на стыке дисциплин. Поэтому в настоящей статье представлен вводный обзор методов глубокого обучения, включая глубокие нейронные сети прямого распространения (D-FFNN), сверточные нейронные сети (CNN), сети глубокого доверия (DBN), автоэнкодеры (AE) и сети с долговременной краткосрочной памятью (LSTM). Эти модели образуют основное ядро архитектур глубокого обучения, используемых в настоящее время, и должны входить в набор инструментов любого специалиста по анализу данных. Важно, что эти базовые архитектурные блоки можно гибко комбинировать — почти как детали конструктора, — создавая новые архитектуры сетей, адаптированные к конкретным задачам. Поэтому базовое понимание этих архитектур необходимо для подготовки к дальнейшему развитию искусственного интеллекта.