Традиционные системы хранения не могут расширяться бесконечно или хотя бы достаточно быстро, что особенно критично для задач глубинного обучения, в случае когда данных больше, чем может поместиться на одной машине. Поэтому для поддержки работы с большими данными все чаще применяются распределенные горизонтально масштабируемые архитектуры хранения и обработки в памяти.
Темы майского, июньского, июльского и августовского номеров журнала Computer (IEEE Computer Society, Vol. 51, No. 5–8, 2018) — средства машинного обучения для мобильных и встроенных систем, «наука о Всемирной паутине», проблема доверия устройствам Интернета вещей и цифровые консультанты в сфере медицины.
Машина Цетлина построена на принципах, в корне отличных от всех известных сегодня подходов к реализации искусственного интеллекта, и уже показала лучшие результаты, чем альтернативные подходы. Эта машина может стать качественно новым инструментом, позволяющим на обычных универсальных компьютерах решать задачи распознавания образов, лингвистики, диагностики и прогнозирования.
Материал книги будет полезен как для знакомства с теоретическими основами глубинного обучения, так и для практического применения. Авторы приводят наглядные примеры использования алгоритмов глубинного обучения, включающих алгоритм оптимизации, функции стоимости и пр. Здесь же описаны факторы, ограничивающие способность традиционного машинного обучения к обобщению
Даже если специалисты компании не имеют опыта разработки алгоритмов, эксперименты в области машинного обучения можно начинать, пользуясь готовыми инструментами и API, отмечают аналитики.
Получение контекстных сведений по показаниям датчиков имеет большое значение в связи с ростом количества устройств Интернета вещей, которые будут генерировать такие данные в гигантских объемах. Однако эта область пока не привлекла достаточного внимания исследователей и специалистов по машинному обучению. Применение и поиск новых архитектур глубинного обучения — перспективная область исследований.
Нейронные сети позволяют находить скрытые связи и закономерности в текстах, но эти связи не могут быть представлены в явном виде. Нейронные сети — пусть и мощный, но достаточно тривиальный инструмент, вызывающий скептицизм у компаний, разрабатывающих промышленные решения в области анализа данных, и у ведущих компьютерных лингвистов.