Главная Как заработатьDeep learning на пальцах: может ли обычный человек изучить нейронные сети и хорошо на этом заработать

Deep learning на пальцах: может ли обычный человек изучить нейронные сети и хорошо на этом заработать

Опубликовано: 05 декабря 2019

1936

Шрифт A A

Нет времени читать?

Машинное обучение и искусственный интеллект в последнее время попали в центр внимания исследовательского сообщества. В течение десятилетий для обработки этих данных использовались только классические алгоритмы. Концепция глубокого обучения позволяет оптимизировать время обработки в нескольких вычислительных процессах. Это сложная область исследований, но объяснить основы Deep learning на пальцах новичку могут на многочисленных курсах.

Содержание

Deep learning – что это такое

Deep learning (с англ. «глубокое обучение») — это направление, связанное с искусственным интеллектом (ИИ) и машинным обучением, в котором используются принципы устройства человеческого мозга.

Термин появился около 40 лет назад, но до конца 2012 г. для реализации передовой технологии не хватало технических мощностей. Первым из мировых СМИ о Deep learning опубликовал материал The New York Times. Поводом стало исследование Алекса Крижевского, Джеффа Хинтона и Ильи Сатскевера из университета Торонто. Они провели анализ результатов распознавания картинок, где с большим отрывом нейросеть, написанная при помощи глубокого обучения, опередила другие способы.

Эндрю Янг, один из главных специалистов по глубокому обучению, называет технологию «новым электричеством». Он считает, что стартапы, которые пропустят развитие прогресса, скоро обнаружат себя проигравшими в гонке конкурентов.

Первым шагом к пониманию того, как работает Deep learning, является осознание отличий между связанными с ним терминами

ИИ — это способность машины или программы находить решение при помощи вычислений. Машинное обучение предполагает построение алгоритмов, которые самостоятельно обучаются, т.е. без закодированных правил. Глубокое обучение имитирует человеческое мышление.

Задачи глубокого обучения

Технология Deep learning открывает возможности для создания нового класса программ — решающих когнитивные задачи. Это может значительно повысить качество жизни человека. Основной же задачей глубокого обучения является частичная или полная автоматизация решения сложных задач в разных областях деятельности.

Сфера применений технологии постоянно расширяется: это техническая и медицинская диагностика, обнаружение спама и мошенничества, биржевой технический анализ, категоризация документов, финансовый надзор и кредитный скоринг.

Где используется Deep learning

Технология используется в случае работы с искусственными нейросетями, имеющими несколько слоев. Большинство проектов с Deep learning реализованы в виде распознавания фото или аудио, диагностики заболеваний. Глубокое обучение уже применяется в «Гугл» для перевода текста с изображения.

Еще один проект — система DeepFace, которая умеет распознавать лица с точностью до 97% — примерно такой же результат показывает человек.

В 2016 г. появилась WaveNet от Google. Эта система может имитировать человеческую речь. Для того чтобы реализовать программу, компания загрузила в систему записанные голосовые запросы пользователей из проекта ОК Google. После освоения этих данных нейросеть смогла самостоятельно составить предложение с правильными акцентами, ударениями и без нелогичных остановок.

Глубокое обучение не только сегментирует изображение и видео, но и выделяет контуры.

Технология используется в беспилотниках, которые считывают информацию с дорожных знаков, разметку и определяют наличие помех на дороге. Также Deep learning используют для определения диабетической ретинопатии у пациентов по фотографиям глаз, а Минздрав США позволило применять технологию в государственных учреждениях.

Что нужно специалисту для работы с нейронными сетями

Эмиль Волнера в руководстве по глубокому обучению пишет, что на начальном уровне достаточно знания командной строки, языка программирования Python и Jupyter notebook на базовом уровне. Нужно понимание математической статистики, информатики (технологии баз данных, распределенных и параллельных вычислений), биологии (особенно нейрофизиологии), физики и английского.

Для начала изучения нейросетей желательно высшее математическое, IT или инженерное образование.

Обучение Deep learning на пальцах

Дмитрий Сошников, руководитель AI School и евангелист Microsoft, выделяет на российском образовательном рынке такие типы курсов:

узкоспециализированные тренинги для тех, кто хочет отработать конкретные навыки;
длительные специализированные курсы для Data Science и специалистов ИИ;
классические университетские программы для тех, кто хочет получить понимание алгоритмов;
короткие курсы про технологии в бизнесе — это для менеджеров, которым нужно получить только общее понимание.

У каждого вида курсов есть недостатки. Классические программы вузов могут быть слишком сложными для новичков, а узкоспециализированные курсы помогают сформировать только понимание фундаментальных принципов машинного обучения. Для разработчиков подойдут не слишком долгие, но интенсивные курсы с решением типовых задач. После этого студент сможет решить, надо ли ему получать дополнительные знания.

Можно ли изучить нейронные сети самостоятельно

Иван Иваничев, редактор блога интернет-агентства Texterra, считает, что заниматься самообразованием нужно даже тем, кто оплатил обучение. Но оно дается легче, когда знания упорядочены, есть геймифицированные тесты и качественные лекции, а студенты могут общаться с преподавателями.

Автор Texterra — Виктория Кучинова — полностью за самообучение. По ее мнению курсы лишают самостоятельности, а самообразование, наоборот, прокачивает профессиональные навыки. Главное — знать, где брать качественные материалы.

Где можно потренироваться и набраться опыта

Создать свою простую нейросеть можно по пошаговым инструкциям, которые есть в книгах и открытых источниках. Параллельно нужно обучаться по учебникам и публикациям гуру в глубоком обучении. Но в этой сфере важно следить за новинками и развитием технологий. Это сложно делать в отрыве от IT. Так что самый простой способ стать специалистом — после освоения базовых навыков устроиться на стажировку или занять позицию Junior в одной из компаний, занимающихся интересующей технологией.

Вакансии Deep learning

Международный HR-портал Indeed недавно опубликовал статистику, из которой следует, что в последнее время количество вакансий, связанных с ИИ, начало уменьшаться, но только по сравнению с предыдущими периодами.

Рост есть, но он уже не такой быстрый, как, например, с мая 2016 г. по май 2017 г., когда количество предложений выросло на 136,2%.

Сейчас требуются инженеры по машинному зрению и глубокому обучению, разработчики алгоритмов, консультанты по разработке, аналитики. Наиболее релевантной должностью, согласно Indeed, является инженер по машинному обучению. На НН.ru открыта 191 вакансия на эту должность в Москве.

Большинству работодателей (84 предложения) нужны специалисты с опытом работы от 1 до 3 лет, часто (71 вакансия) требуются инженеры с опытом 3-6 лет. Шестая часть компаний готовы взять на работу новичка без опыта.

Зарплата специалиста со знанием нейронных сетей

Сообщество Binary District опубликовало в своем блоге исследование о зарплатах в ИИ. Выяснилось, что таким работникам платят почти в 2 раза больше, чем другим IT-специалистам. По данным HeadHunter, средняя зарплата программиста со знанием нейронных сетей составляет 190 тыс. руб. Выяснилось, что в России такие специалисты требуются и в «Сбербанке», и в «Яндексе», и в ABBYY.

Про Deep learning рассказывают в этом видео:

Машинное обучение, Deep learning и Data Science популярны и востребованы, но в этих отраслях высокая конкуренция. Рынок не переполнен грамотными специалистами, однако устроиться на работу может быть сложно. Поэтому тем, кто не связан с IT, лучше сразу искать обучение с трудоустройством.