Вчeрa я нaбрoсaл в стaтьe пaру мыслeй o нeйрoнныx сeтяx (дaлee — НС) и имeл нeoстoрoжнoсть нaзвaть eё нe сoвсeм aккурaтнo, чтo нe ускoльзнулo oт прoзoрливoгo взглядa пoчитaтeлeй мой таланта, которые обвинили меня в том, что я хитростью и громким заголовком завлёк их почитать самобытный шедевр. Поэтому дабы компенсировать горечь от неоправдавшихся ожиданий в данной статье я представляю получи и распишись суд строгой, но справедливой публики размышления о некоторых областях применения НС.

Итак, области применения НС. Ми думается, что и этот заголовок через некоторое время будет выглядеть в духе «области применения математики» в том смысле, что, во-первых, область применения математики экстремально широка, а во-вторых, не конкретизировано, о каком именно подразделе математики идёт тост. Нейронные сети будут применяться в бесчисленном множестве сфер, будет множество вариаций их архитектур и разрешать они смогут все те же задачи, что и наш мозг, поскольку построены держи похожем принципе.

В последнем пункте я ничего не говорил о том, за какое время они смогут рассекать (гордиев узел) эти задачи и при каких характеристиках компьютеров. Даже если производительность НС полно равна производительности мозга (что по мнению Рея Курцвейла, вопрос десятилетий), всё непропорционально мы не знаем, как именно работает мозг и не предобучены ли его части раньше. Здесь я имею в виду «генетическую память», сформированную миллионами лет эволюции. Так есть структура связей и их сила (читай – веса в НС) у нейронов в человеческом мозге могут являться заданы сразу при рождении, а в течение жизни происходит их адаптация подина конкретную среду. Например, Ноам Чомски (известный лингвист) считает, что некоторая грамматика языка (базового класса языка в терминах ООП, даже если угодно) уже есть в голове при рождении. Но давайте рассматривать не столь отдаленное будущее и даже настоящее.

Нейронные сети относят к технологиям машинного обучения, видимо, из-вслед того, что неотъемлемой частью является обучение (настройка параметров) на данных. Соответственно, нейронные волокуша могут решать задачи, которые относят к машинному обучению, а именно: классификация, отступление, кластеризация. НС можно также применять в задачах обучения с подкреплением. Такие техники используются в системах принятия решений. Скажем так, компания DeepBrain, которую купила Google, как раз и научила НС играть в видеоигры. Вернее, их НС научилась индивидуально, просто глядя на экран. Похожие НС могут водить машину. Так про всё это много написано, а пересказывать чужие мысли я не вижу смысла.

Области применения НС я хочу воспроизвести в зависимости от того, с какого рода данными работает эта НС: числа, изображения, машинопись, звуки, речь, видео.

С разными данными хорошо работают разные архитектуры ловушка. Например, для изображений применяются свёрточные сети, для распознавания речи – рекуррентные. Они используются и к обработки естественного языка: в задачах машинного перевода, диалоговых системах. Для вроде данных «число» в задачах прогнозирования, аппроксимации, регрессии (всё это, говоря неформально, сводится к тому, ровно есть некоторая функция, которая моделируется с помощью НС) можно использовать стандартный многослойный персептрон.

Давайте автор сегодня ограничимся только областями применения НС для обработки изображений, многие аналогии хоть провести и для других типов данных.

Итак,

Вы можете использовать НС во (избежание того, чтобы определить что-либо на изображении (задача классификации). Сие может быть рукописная цифра, кошка, собака, лицо или опухоль – НС всё в одинаковой степени. Соответственно, можно применять в любых областях, где у Вас есть изображения (фотографии) и интересующий Вас объект. Щупанье эмоций, распознавание дорожных знаков, автомобильных номеров, секретных объектов на картах, что такое? угодно.

НС может стилизовать изображение. Пример можно посмотреть на КДПВ. Обучить НС бери картинах известных художников, а потом изменить свою фотографию под выбранный стиль. Как например, Prizma делает это (интересно, мне заплатят за рекламу?). Кое-что-то похожее для видео – MSQRD, который купил Facebook. Для речи допускается представить себе её искажение. Ну и для звуков – стилизацию музыки.

НС может искать среди других изображений объекты, похожие получи и распишись тот, который есть на Вашем. Например, FindFace.ru. Как я понимаю, в нём работает Наталья Ефремова, которая сделала содоклад о НС и статья которой есть на Хабре.

НС может генерировать новые изображения. Записывать новые тексты, создавать музыкальные произведения. Идея проста и элегантна: Вы обучаете НС, а после инвертируете выход с входом.

Карта уже не так актуальна.

5. НС может понимать, что именно изображено в фотографии, то есть определять сематику – смысл. Так НС может мало-: неграмотный просто сказать, что на фотографии человек, но и описать словами всю сценку: дивца в красной блузе гладит кошку.

Нейронные сети могут работать как память, они запоминают признаки, части изображений. Сие можно использовать для сжатия данных или в качестве хэш-функций. И говоря о хэш-функциях, нет возможности не упомянуть применения НС в криптографии. НС можно применять для зашифрования данных. Я без- знаю, есть ли существующие реализации или идеи, но я как-ведь думал, что НС можно даже применять и для криптоанализа: обучить её бери наборе зашифрованный текст – открытый текст, а потом дать ей новый зашифрованный стенограмма и hopefully получить расшифровку, потому что она внутри себя аппроксимирует работу алгоритма зашифрования с параметрами ключа.

Сие были некоторые (не все) области применения НС.

Спасибо за внимание!