77
ОРИЕНТАЦИЙ В КОНТЕКСТЕ ИЗУЧЕНИЯ РУССКОГО ЯЗЫКА КИТАЙСКИМИ
СТУДЕНТАМИ КАК ИНОСТРАННОГО
Вань Нин
ПРОСВЕТИТЕЛЬСКАЯ ДЕЯТЕЛЬНОСТЬ ПЕДАГОГА-ПСИХОЛОГА
80
В УЧРЕЖДЕНИИ ДОПОЛНИТЕЛЬНОГО ОБРАЗОВАНИЯ
Гроза Ирина Владимировна
Журнал «Интернаука»
№ 16 (145), часть 1, 2020 г.
СТАТЬИ НА РУССКОМ ЯЗЫКЕ
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
МЕТОДЫ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ КОМПЬЮТЕРНОГО ЗРЕНИЯ
Бакатова Дина Алматовна
магистрант, Костанайский государственный университет им.А.Байтурсынова,Республика Казахстан, г. Костанай
АННОТАЦИЯ
Глубокое обучение позволяет вычислительным моделям нескольких уровней обработки изучать и пред-
ставлять данные с несколькими уровнями абстракции, имитируя то, как мозг воспринимает и понимает инфор-
мацию, таким образом, неявно захватывая сложные структуры крупномасштабных данных. Глубокое обучение
- это богатое семейство методов, включающее нейронные сети, иерархические вероятностные модели и разно-
образные алгоритмы обучения неконтролируемых и контролируемых функций. Недавний всплеск интереса к
методам глубокого обучения объясняется тем фактом, что они показали, что они превосходят предыдущие со-
временные методы в нескольких задачах, а также обилием сложных данных из разных источников.
Идея о системе имитирующая человеческий
нованные на этих локальных связях между нейро-
мозг явилось толчком для развития нейронных се-
нами и на иерархически организованных преобразо-
тей. Используя взаимосвязанные нейронные клетки
ваниях изображения, найдены в Neocognitron, кото-
в 1943 году появилась модель нейрона Модель
рый описывает, что когда нейроны с одинаковыми
нейрона McCulloch и Pitts, называемая моделью
параметрами применяются к заплатам предыдущего
MCP, внёсшая вклад в развитие искусственного ин-
слоя в разных местах, форма трансляционной инва-
теллекта.
риантности приобретается. Позднее Ян ЛеКун и его
Прорыв в глубоком обучении произошел в 2006
сотрудники разработали Сверточные Нейронные
году, когда Г. Хинтон представил сеть Deep Belief
Сети, используя градиент ошибок и достигая очень
Network, упростил процедуру обучения с помощью
хороших результатов в различных задачах распо-
машин ограниченным движением Больцмана , в то
знавания образов.
время как сети разбили обучение на составляющие
CNN включает три основных типа нейронных
блоки глубокой сети, чтобы уменьшить вычисли-
слоев, а именно: (i) сверточные слои, (ii) объединя-
тельную нагрузку.
ющие слои и (iii) полностью связанные слои. Каж-
Важные вехи в истории нейронных сетей и ма-