Neuraalvõrke

Neuraalvõrgud on masinõppe mudelid, mis on inspireeritud inimeste närvivõrgust. Need koosnevad suurtest neuronitest, ühendatuna kihtide kaupa: sisendkihi, ühe või mitme peidetud kihi ning väljundkihiga. Iga ühendus omab kaalu, mis koos aktiivatsioonifunktsiooniga määrab, kuidas sisendist tuli edasi töödeldakse. Andmed sisestatakse võrrku ja mudel õpib optimeerima väljaannete ja tegelike väärtuste vahelist viga, kasutades tagantjärele leviva vea korrigeerimist (backpropagation) ning optimeerijat, näiteks gradient-descenti või selle variante.

Neuraalvõrgud jagunevad erinevates arhitektuurides: feedforwardvõrgud (sh mitmepikkused perceptronid), konvolutsioonivõrgud (CNN-id) ruumiliste ja visuaalsete andmete jaoks, rekurrentsed võrgud (RNN-id, LSTM- ja GRU-mudelid) järjestikustel andmetel ning transformeripõhised võrgud, mis on osutunud tõhusaks keele- ja tekstiülesannetes. Treening hõlmab tavaliselt suurt märgistatud andmekogu, kuid mõnel juhul kasutatakse ka märgistamata andmeid või ülekantud õppimist. Eri lähenemised sobivad erinevate andmete ja probleemide jaoks ning tulemuseks on mudel, mis suudab üldistada näidetele.

Rakendused hõlmavad kujutiste ja heli klassifitseerimist, loomuliku keele töötlemist, masintõlget, prognoose ja otsustusabi süsteeme. Peamised väljakutsed on üleõppimine, suur andmeressursside vajadus ning mudeli must kast olemus, mis raskendab interpretatsiooni. Lisaks arutatakse eetilisi küsimusi, andmekaitset ja erapooletust. Neuraalvõrgud arenevad kiiresti ja laiendavad nende kasutusvõimalusi erinevates valdkondades.