Лекция Введение. Введение в машинное обучение и его основные концепции

Глубинное обучение (самообучающийся алгоритм с использованием аналога нейронных сетей). Глубинное обучение — это одно из направлений машинного обучения, связанное с использованием специального алгоритма — глубинных нейронных сетей (ГНС, англ. Deep Neural Network, DNN). Данный подход появился еще в 1980-х годах, однако популярность приобрел только в начале 2010-х годов с появлением достаточно мощных процессоров, способных обрабатывать сложные вычисления.

Глубинная нейронная сеть состоит из слоев, на которых расположены взаимосвязанные единицы или «нейроны», выполняющие простейшие математические вычисления, например умножающие результаты расчетов, полученные с предыдущих нейронов (рис. 3). Процесс обучения такого алгоритма представляет собой корректировку каждого нейрона с учетом максимального качества итогового прогноза.
ГНС распознает закономерности в данных постепенно, начиная анализ с самых простых отношений между переменными первых нейронных слоев, заканчивая комплексными абстрактными структурами в последних слоях. Типичная ГНС способна находить решение задач на основе организованных количественных данных, например, таблиц, специализированные сети — работать по изображениям и временным последовательностям. 
Одной из разновидностей ГНС, предназначенной для обработки изображений и других точечных форматов, являются сверточные нейронные сети. Они применяются в геологоразведке для выявления объектов (например, решения Orefox), обработки и интерпретации сейсмических данных (Geolearn), определения минералов-индикаторов в пробах ледниковых отложений (IOS Services Geoscientifiques), количественного и качественного описания буровых кернов по их фотоснимкам (Geolearn) или гиперспектральным данным (Solve Geosolutions).
Последовательность входных данных анализируется с помощью такой разновидности ГНС, как рекуррентные нейронные сети. Они адаптированы для анализа временных наборов данных, таких как временные последовательности или текстовая информация. Рекуррентные нейронные сети используют в геологоразведке для выявления перспективных участков на основе находящихся в свободном доступе отчетов (например, решения Goldspot Discoveries) или для геологического документирования данных бурения на основании измерений физических свойств пород (CGG).

4.