Глубокое обучение — это раздел машинного обучения, где модель строится из многих слоёв искусственных нейронов и сама находит нужные признаки в данных.
Слово «глубокое» относится к числу слоёв. В обычном машинном обучении специалист часто сам придумывает признаки: например, длину текста или число ссылок. В глубоком обучении сеть из нейронных слоёв сама учится выделять сначала простое (края на картинке, отдельные слова), затем сложное (форму лица, смысл предложения). Чем больше слоёв и данных, тем сложнее закономерности, которые модель способна уловить.
Основа обучения — подбор миллионов или миллиардов параметров. Модель делает предсказание, сравнивает его с правильным ответом, считает ошибку и слегка корректирует параметры, чтобы ошибка уменьшилась. Это повторяют на огромных массивах данных на мощных графических процессорах.
Откуда взялось
Идея нейронных сетей известна с середины XX века, но по-настоящему заработала в 2010-х, когда появились большие датасеты и дешёвые GPU. Дальше пошли прорывы в распознавании изображений, речи и переводе. Современные большие языковые модели и генераторы картинок — тоже глубокое обучение; ключевую роль сыграла архитектура Трансформер.
Где применяется
- Распознавание лиц, объектов и текста на фото.
- Голосовые ассистенты и расшифровка речи.
- Машинный перевод и чат-боты.
- Рекомендации в соцсетях и магазинах.
- Генерация текста, картинок и видео.
Чем отличается от классического машинного обучения
Классические методы вроде линейной регрессии или деревьев решений хорошо работают на таблицах и небольших объёмах данных и их легче объяснить. Глубокое обучение выигрывает на «сырых» данных — изображениях, звуке, тексте, — но требует больше данных, вычислений и хуже интерпретируется.
Типичные ошибки
- Применять тяжёлую нейросеть там, где хватит простой модели.
- Обучать на малом или перекошенном наборе данных.
- Переобучение: модель запоминает примеры вместо общих закономерностей.
- Не проверять качество на данных, которых модель не видела.
Кому и когда это нужно
Если вы пользуетесь готовыми сервисами, разбираться в устройстве глубокого обучения не обязательно. Знать принцип полезно, чтобы понимать пределы: модель хороша там, где у неё было много похожих примеров, и теряется в редких и новых ситуациях, поэтому результат всегда стоит проверять.
На практике предприниматель сталкивается с глубоким обучением не в виде кода, а в виде сервисов: распознавание документов, голосовые боты, умный поиск, генерация текстов. Понимание принципа помогает трезво оценивать обещания поставщиков и не покупать сложную технологию там, где хватит простого правила.
Частый вопрос
Глубокое обучение и нейросеть — это одно и то же? Почти. Нейросеть — это сама модель, а глубокое обучение — подход, при котором используют нейросети с большим числом слоёв, и способ их обучения. В повседневной речи эти слова часто взаимозаменяют.