Машинное обучение

Одним из важных свойств систем искусственного интеллекта является обучение как способность AI или AGI к самоорганизации, самоадаптации с целью улучшения качества функционирования конкретной исследуемой системы или предметной области.

При этом алгоритм задается набором обучающих правил, которые определяют каким образом изменятся весовые коэффициенты в ответ на конкретное воздействие. Одним из авторов теории обучения является Д. О. Хебб.

Существуют два типа алгоритма обучения с учителем и без учителя. В первом случае системе предъявляется входной образ и образец решения, где алгоритм обучения должен модифицировать структуру и параметры системы таким образом, чтобы уменьшить ошибку решения.

Во втором случае образец отсутствует и алгоритм работает по методу самоорганизации своей структуры. Как правило, обучение является последней стадией разработки СИИ, после чего система готова к решению поставленных задач.

Структурная схема обучения Хебба подразумевает усиление связи между двумя клетками, если обе клетки активируются одновременно. В результате была предложено формальное правило обучения, в соответствии с которым весовой коэффициент изменяется произведению его входного и выходного сигналов.

Один слой нейронной сети обрабатывает данные однократно, а затем передает результат на следующий слой, который, в сою очередь, выполняет собственное задание и передает полученный результат на следующий слой. Это явление известно, как сверточная нейронная сеть или СНС.

Аналитика в области видеонаблюдения сегодня является очень перспективной сферой применения ИИ и методики углубленного обучения, что стало возможным благодаря появлению ГП (графических процессоров).