学ぶプログラムを作成する

  人工知能はアプリケーション領域の自動車、ヘルスケア、インダストリアル・システムおよび拡大数の劇的な前進の中心にある。興味が上がり続けると同時にAIの性質は日常生活に於いてのAIの成長する役割についての混乱そして恐れを引き出した。スマートなプロダクトの増加する数を可能にするずっと空想科学小説の文明終りAIから取除かれるAIのタイプは簡単で大切な設計方法で機能を提供するために造る。

  機械が行動で人間のようである特定の仕事を行うために機械が訓練されるよりよく知られた形態へのほとんど高度およびまだ概念的な形態からのAIの範囲の定義。最先端の形態では、本当の人工知能は結論で独自に着くか、または人間力として処置をちょうどとる人間の明確な方向そして制御なしで作動する。機械学ぶAIスペクトルのよりよく知られたengineering-oriented終わりに（ML）方法は現在のAIの適用に普通計算の基礎を提供する。これらの方法はそれらの応答を提供するために明確に書かれているコードを使用しないで印象的な速度および正確さの入力データへの応答を発生させる。慣習的なシステムのデータを処理するためにソフトウェア開発者がコードを書く間、MLの開発者はデータへの期待応答を発生させるように人工の神経ネットワークモデルのようなMLのアルゴリズムを教えるのにデータを使用する。
基本的なニューラル・ネットワーク モデルはいかに造ったあるか。
最もよく知られたタイプの機械学習の間で、ニューラル・ネットワーク モデルは入力層からの隠された層出力層（図1）にによってデータを渡す。入力データの異なったクラスの間で区別するのに必要とされる特徴を得るために一連のtransformationsthatを行うように記述されているように、隠された層は訓練される。これらの変形は絶頂に達する
入力データは特定のクラスで属すること各出力単位が確率を表す価値を提供する出力層に荷を積まれる価値。このアプローチを使うと、開発者は適切なニューラル・ネットワークの建築を使用してイメージまたはセンサーの測定のようなデータを分類できる。

  ニューラル・ネットワークの建築は数十万のニューロンを含んでいる複数の隠された層および個々の層と造られる深いニューラル・ネットワーク（DNNs）に図1で示されている正方向送りのニューラル・ネットワークの簡単なタイプから及ぶ多様な形態をとる。それにもかかわらず、異なった建築は多数の入力および単一の出力（図2）が付いている人工的なニューロン単位で普通造る。図1:ニューラル・ネットワークは異なった入力データのクラスの間で区別するために訓練される人工的なニューロンで層を構成する。（源:Wikipediaから合わせられる）

図2:人工的なニューロンは作動するactiation機能に基づいて出力を作り出す

nouronの重くされたimputsの合計。（源:Wikipedia）

正方向送りのニューラル・ネットワークでは、隠された層の合計の特定ニューロンnは、入力特定の重量WP入力、x、調節し、fllowsとして層特定のバイアス要因bを（図で示されていない）加える:

  最後に、総計された価値は活発化機能によって単一の価値出力に変えられる。条件によって、これらの機能はS0のための0を出力する調整された線形単位（ReLU）のような簡単なステップ関数、アークのタンジェント、または非線形に地図を描くことのような多様な形態を、とることができる<>。

データの区別の特徴を得るように彼らがすべて設計されているが異なった建築はかなり違う変形を使用するかもしれない。穀粒の回旋を使用する例えば、重畳ニューラル・ネットワーク（CNNs）はイメージ認識の適用でのが常であった。これでは、穀粒と呼ばれる機能は特徴の地図にそれを変形させるために入力イメージの回旋を行う。それに続く層はより多くの回旋を行うまたは更にCNNモデルまでの特徴を得、変形させる他の機能は、より簡単なニューラル・ネットワークのように同じような分類の確率の出力を発生させる。但し、開発者のため、普及したニューラル・ネットワークの建築のための根本的な数学はMLの開発ツールの供給のために主として透明である（この問題で他の所で論議した）。それらの用具を使用して、開発者はかなり容易にニューラル・ネットワーク モデルを実行でき、データ セットを使用してそれを訓練し始めるために訓練セットを呼んだ。この訓練のデータ セットは観察代表的なデータ セットおよび各観察のための正しいcasificationを含み、ニューラル・ネットワークのモデル開発のより挑戦的な面の1つを表す。

ニューラル・ネットワーク モデルはいかに訓練され、配置されるか。

  以前、訓練セットを作成する開発者にltteの選択が手動で正しい名前の各観察を分類する典型的なセットで、必要な多くのたくさんの観察によって働くためにあった。例えば、交通標識の認識の適用のための訓練セットを作成するため、それら

正しい印の名前と交通標識およびラベルのイメージを各イメージ見る必要性。事前に分類されたデータの公有地セットは多くの機械学習の研究者を避けるアルゴリズム開発のこの仕事そして焦点を割り当てた。しかし生産MLの適用のために分類の仕事は重要な挑戦を示すことができる。高度MLの開発者は頻繁にaでpre-trainedモデルを使用する

プロセスはこの問題を楽にするのを助けることを学ぶ移動を呼んだ。