Генеративный ИИ как подмножество глубокого обучения

О чём урок

Машинное обучение представляет собой широкую область, которая включает множество разных методов. Глубокое обучение - это разновидность машинного обучения, использующая искусственные нейронные сети, и это позволяет ей обрабатывать более сложные закономерности, чем в машинном обучении в целом. Искусственные нейронные сети созданы по образцу человеческого мозга. Здорово, правда? Как и ваш мозг, они состоят из множества связанных между собой узлов, или нейронов, которые могут научиться выполнять задачи, обрабатывая данные и делая прогнозы.

Модели глубокого обучения, как правило, имеют много слоев нейронов, поэтому они способны выявлять более сложные закономерности, чем традиционные модели машинного обучения. Нейронные сети могут использовать как размеченные, так и неразмеченные данные. Такой подход называется обучением с частичным привлечением учителя (semi-supervised learning). При таком обучении нейронную сеть обучают на небольшом объеме размеченных данных и большом объеме неразмеченных. Размеченные данные помогают нейронной сети усвоить базовые понятия задачи, а неразмеченные помогают ей обобщать знания на новые примеры.

Теперь мы наконец подошли к тому, какое место генеративный ИИ занимает в этой области искусственного интеллекта. Генеративный ИИ является подмножеством глубокого обучения. Это значит, что он использует искусственные нейронные сети и может обрабатывать как размеченные, так и неразмеченные данные, применяя методы обучения с учителем, без учителя и с частичным привлечением учителя. Большие языковые модели (LLM) тоже относятся к подмножеству глубокого обучения. Видите, я же говорил, что все это приведет нас обратно к генеративному ИИ. Молодец, это я.

Модели глубокого обучения, как и модели машинного обучения вообще, можно разделить на два типа: генеративные и дискриминативные. Дискриминативная модель используется для классификации или предсказания меток для точек данных. Обычно дискриминативные модели обучаются на наборе размеченных точек данных и изучают связь между признаками этих точек и метками. После обучения дискриминативную модель можно использовать, чтобы предсказывать метку для новых точек данных.

Генеративная модель создает новые экземпляры данных на основе выученного распределения вероятностей существующих данных. Генеративные модели создают новый контент.

Рассмотрим пример. Дискриминативная…

План урока

1. Текст видео
2. Глубокое обучение и нейронные сети
3. Место генеративного ИИ
4. Генеративные и дискриминативные модели