Початок роботи SKIL з Python
Глибоке навчання нейронної мережі на прикладі Python зіставляє входи з виходами і знаходить кореляції. Він відомий, як універсальний аппроксиматор, тому що може навчитися наближати невідому функцію f(x) = y між будь-яким входом «x» та будь-яким виходом «y», припускаючи, що вони пов’язані кореляцією або причинно-наслідковим зв’язком.
У процесі навчання правильний «f» або спосіб перетворення «x», «y», будь то f(x) = 3x + 12 або f(x) = 9x – 0,1.
Завдання класифікації пов’язані з наборами даних, щоб нейронні мережі виконували кореляцію між мітками і даними. Відомо контрольоване навчання наступних видів:
- розпізнавання осіб;
- ідентифікація людей на зображеннях;
- визначення виразу обличчя: сердите, радісне;
- ідентифікація об’єктів на зображеннях: знаки зупинки, пішоходи, покажчики смуг руху;
- розпізнавання жестів у відео;
- визначення голоси ораторів;
- класифікація тексту-спаму.