Песня пей пиво на заре пей пиво перед сном

Ïðèâåò! Ìåíÿ çîâóò Íàñòÿ. ß íå ìàòåìàòèê è íè÷åãî íå çíàþ î ïðîãðàììèðîâàíèè, íî ïî ëåêöèè (êñòàòè, åå ìîæíî ïîñìîòðåòü âîò òóò) áåç îñîáîãî òðóäà ðàçîáðàëàñü, êàê óñòðîåíû íåéðîñåòè. È òåïåðü ðàññêàçûâàþ ýòî âàì áåç çóáîäðîáèòåëüíûõ òåðìèíîâ, ãðàôèêîâ è ñëîæíûõ ôîðìóë. Âñå ìàêñèìàëüíî ïðîñòî îò ãóìàíèòàðèÿ ãóìàíèòàðèÿì è ñ òâåðäîé óâåðåííîñòüþ: âû ìîæåòå íàó÷èòüñÿ ÷åìó óãîäíî. Ñòîèò òîëüêî ñäåëàòü ïåðâûé øàã.

— ×òî â îñíîâå íåéðîñåòåé?

— ×åëîâå÷åñêèé ìîçã.

Ïåðâîå, ÷òî íóæíî çíàòü î íåéðîñåòè — åå ñîçäàëè ïî ïðèíöèïó ÷åëîâå÷åñêîãî ìîçãà. Ïîýòîìó ÷òîáû ïîíÿòü èñêóññòâåííûå íåéðîñåòè, íàì íàäî ðàçîáðàòüñÿ, ÷òî äåëàþò íåéðîíû â íàøåé ãîëîâå.

Íåéðîíû — ýòî ñîåäèíåííûå äðóã ñ äðóãîì êëåòêè. Îíè ïîëó÷àþò è ïåðåäàþò èíôîðìàöèþ ñ ïîìîùüþ ýëåêòðè÷åñêèõ èìïóëüñîâ. Íàïðèìåð, çà÷åñàëîñü ó âàñ çà óõîì. Íåéðîíû îò öåíòðàëüíîé íåðâíîé ñèñòåìû ïåðåäàëè èìïóëüñû ê ìûøöàì, âû ïîäíÿëè ðóêó è ïî÷åñàëèñü. Íî êàê ýòî ðàáîòàåò â èñêóññòâåííûõ íåéðîñåòÿõ?

Íåéðîííàÿ ñåòü — ïðîãðàììà, êîòîðàÿ ïûòàåòñÿ ðàáîòàòü, êàê íàø ìîçã.  òåîðèè âûãëÿäèò òàê: íåéðîí ïîëó÷àåò âõîäÿùèå ñèãíàëû, ó êàæäîãî ñèãíàëà åñòü âåñ, ñèãíàë óìíîæàåòñÿ íà ñâîé âåñ, ïîëó÷åííûå çíà÷åíèÿ ñóììèðóþòñÿ.  çàâèñèìîñòè îò òîãî, êàêèì ïîëó÷èëîñü îáùåå ÷èñëî, ïðèíèìàåòñÿ ðåøåíèå, ïóñêàòü ëè ñèãíàë äàëüøå. Ñëîæíî? Ýòî ïîòîìó, ÷òî â òåîðèè. Äàâàéòå ïåðåíåñåì ýòî íà ðåàëüíûé ïðèìåð.

Ìîÿ áàáóøêà æèâåò â 20 ìèíóòàõ õîäüáû îò ìåíÿ, íî, ÷òîáû äî íåå äîáðàòüñÿ, ìíå íóæíî ïðîéòè ïî æåëåçíîäîðîæíîìó ìîñòó. Åñòü è äðóãîé âàðèàíò: âçÿòü òàêñè è ïðîåõàòü ïîëãîðîäà äî áëèæàéøåãî ïåðååçäà. À òåïåðü âíåñåì êîíòåêñò: ÿ óæàñíî áîþñü âûñîòû, ïóòü ÷åðåç ìîñò äëÿ ìåíÿ — êàòîðãà ñ äðîæàùèìè êîëåíêàìè è îùóùåíèåì, ÷òî ñåðäöå âîò-âîò îñòàíîâèòñÿ. Òàêñè — ýòî äåíüãè, à äîëãèé ïóòü â íåì — âðåìÿ. Âîò âàì ìîå áóäíè÷íîå óðàâíåíèå â âèäå ñõåìû.

Òðè óñëîâèÿ — ñòðàõ, äåíüãè, âðåìÿ — ýòî ñèãíàëû, êîòîðûå ïîëó÷àåò ìîé íåéðîí. Åìó íóæíî ðåøèòü, êàêèì îáðàçîì ìíå äîáðàòüñÿ äî áàáóøêè. Íî äëÿ ýòîãî âàæíî çíàòü, íàñêîëüêî çíà÷èì äëÿ ìåíÿ òîò èëè èíîé ñèãíàë. Ðàçðàáîò÷èêè íåéðîñåòåé ýòîò ïîêàçàòåëü íàçûâàþò âåñîì. Ýòîò òåðìèí è áóäåì èñïîëüçîâàòü äàëüøå.

Ó ìåíÿ åñòü äâà âàðèàíòà íà âûáîð: çëîïîëó÷íûé ìîñò èëè òàêñè. À çíà÷èò, ìîå ðåøåíèå çàâèñèò îò âåñà ñèãíàëîâ. Åñëè âñå ýòî ïîêàçàòü â öèôðàõ, òî âûãëÿäåòü áóäåò òàê: ó ìîñòà âåñ −10 (ÿ î÷åíü áîþñü âûñîòû), ó äåíå㠗 4 (òàêñè íå òàêîå óæ è äîðîãîå), ó âðåìåíè — 3 (íå îñîáî ÿ è ñïåøó). Íà ýòîì ìîìåíòå ó âàñ, âåðîÿòíî, âîçíèêàåò âîïðîñ: îòêóäà îíà âçÿëà ýòè öèôðû? Ïðèìèòå èõ ñåé÷àñ çà äàííîñòü — ïîäðîáíåå î çíà÷åíèè âåñà äëÿ êàæäîãî ñèãíàëà ÿ ðàññêàæó â òðåòüåì ïàðàãðàôå.

Òåïåðü çàäàäèì öèôðó, êîòîðàÿ ðåøàåò èäòè ìíå ïî ìîñòó èëè íåò. Ïóñòü áóäåò ïÿòü: áîëüøå ïÿòè — ïîéäó ïî ìîñòó, ðàâíî èëè ìåíüøå — çàêàæó òàêñè. È ïîñëåäíèé ýëåìåíò íàøåãî óðàâíåíèÿ: íàëè÷èå èëè îòñóòñòâèå îäíîãî èç ñèãíàëîâ. Âîñïîëüçóåìñÿ áèíàðíîé ñèñòåìîé: åäèíèöà — ñèãíàë åñòü, íîëü — ñèãíàëà íåò.

 ìîåì ñëó÷àå âñå òðè ñèãíàëà åñòü, ïîýòîìó àðèôìåòèêà ïîëó÷àåòñÿ ýëåìåíòàðíîé: 1*-10 + 1*4 + 1*3 = −10+4+3 = −3. Ýòà öèôðà ÿâíî ìåíüøå ïÿòè, à çíà÷èò ÿ ïî ìîñòó íå ïîéäó.

Äàâàéòå ïîèãðàåì ñ ñèãíàëàìè è èõ âåñîì, ÷òîáû òî÷íî ïîíÿòü, êàê âñå ýòî ðàáîòàåò. Íàïðèìåð, ÿ èçáàâèëàñü îò ñâîåãî ñòðàõà ñ ïîìîùüþ ïñèõîëîãà. Ñèãíàë «îòâàëèëñÿ» è òåïåðü ðàâåí íóëþ. Ñ÷èòàåì: 0*-10 + 1*4 +1*3 = 7. Ñåìü áîëüøå ïÿòè, è ÿ ñìåëî èäó ïî ìîñòó.

Äðóãîé âàðèàíò: âåñ äåíåã â ìîåì óðàâíåíèè ðåçêî èçìåíèëîñü. Äîïóñòèì, äî çàðïëàòû äâà äíÿ, â õîëîäèëüíèêå îñòûâàåò òðóïèê ïîâåñèâøåéñÿ ìûøè, è ê áàáóøêå ÿ èäó, ÷òîáû ïîåñòü. Âåñ ìàòåðèàëüíîãî ôàêòîðà ïîäïðûãèâàåò â ðàçû, ïîòîìó ÷òî çà òàêñè ìíå ïðèäåòñÿ îòäàòü ïîñëåäíèå äåíüãè. Äàäèì åìó öèôðó 15. Óðàâíåíèå ìåíÿåòñÿ: 1*-10 + 1*15 + 1*3 = 8. Âîñåìü áîëüøå ïÿòè — ÿ ñòðàäàþ, íî èäó ïî ìîñòó, ïîòîìó ÷òî ãîëîä ñèëüíåå ñòðàõà.

— Òàê êàê âñå æå ðàáîòàþò íåéðîñåòè?

— Ãîðàçäî ñëîæíåå.

Ó íàñ ïðèìåð ïðîñòîé è ñèãíàëîâ â íåì âñåãî òðè.  ðåàëüíîñòè íåéðîñåòè çíà÷èòåëüíî áîëüøå. Îòäåëüíûå íåéðîíû îáúåäèíÿþòñÿ â áîëüøèå ñåòè, ïðèñîåäèíÿÿ âûõîäû îäíèõ íåéðîíîâ ê âõîäàì äðóãèõ. Óäîáíåå âñåãî ýòó ñõåìó îðãàíèçîâûâàòü â âèäå ñëîåâ, ïîñëåäîâàòåëüíî ðàñïîëîæåííûõ äðóã çà äðóãîì. Äåëàþò ýòî äëÿ òîãî, ÷òîáû íåéðîñåòü ðàññìàòðèâàëà íå òîëüêî êàæäûé ñèãíàë ïî îòäåëüíîñòè, íî è èõ êîìáèíàöèþ.

×òîáû ñîçäàòü ñâîþ íåéðîñåòü, íóæíî çíàòü ìàòåìàòèêó, Python è ðàçáèðàòüñÿ â ìàøèííîì îáó÷åíèè. Íî åñëè âû òâåðäî ðåøèëè, ÷òî õîòèòå çàíèìàòüñÿ íåéðîñåòÿìè, âàø âàðèàíò – îíëàéí-êóðñ ïî Data Science ñ íóëÿ. Ýòà ïðîãðàììà ïîìîæåò íà÷àòü ðàáîòó â íîâîé ñôåðå è äàæå ïîëíîñòüþ ïåðåéòè â IT. Äà, âàì ïîíàäîáèòñÿ áîëüøå âðåìåíè è ñèë, íî çà ãîä âû íàó÷èòåñü ïðîãðàììèðîâàòü íà Python, îñâîèòå ìàòåìàòèêó è ñòàòèñòèêó, ïîïðîáóåòå íà ïðàêòèêå ìàøèííîå îáó÷åíèå è â èòîãå ïîçíàêîìèòåñü ñ íåéðîííûìè ñåòÿìè. ×åðåç ãîä ó âàñ áóäåò 10 ãîòîâûõ ïðîåêòîâ äëÿ ïîðòôîëèî è äîáðîòíàÿ áàçà äëÿ òîãî, ÷òîáû óñòðîèòüñÿ ðàáîòàòü äàòà ñàåíòèñòîì.

Íî åñëè âû óæå â òåìå Data Science è ìàøèííîãî îáó÷åíèÿ è õîòèòå óãëóáèòüñÿ â deep learning, âàì õâàòèò è 10 íåäåëü. Îíëàéí-êóðñ ïîìîæåò îñâîèòü íåéðîñåòè, íàó÷èòüñÿ èõ îïòèìèçèðîâàòü è äàæå ðàçîáðàòüñÿ â ïðîäâèíóòûõ íåéðîííûõ ñåòÿõ. Ïîäðîáíîñòè èùèòå çäåñü.

— Çà÷åì îáó÷àþò íåéðîñåòè?

— Ïîòîìó ÷òî ñàìè îíè íè÷åãî íå ìîãóò.

Ïðåäñòàâüòå ìîþ ñõåìó áåç âåñîâ. Òî åñòü âû íå çíàåòå, êàê ñèëüíî ÿ áîþñü âûñîòû, åñòü ëè ó ìåíÿ äåíüãè è ñïåøó ëè ÿ ê áàáóëå. Ó âàñ åñòü òîëüêî ñèãíàëû «ñòðàõ», «äåíüãè» è «âðåìÿ». Âàì íàäî ïîíÿòü, êàê ïîñòóïèòü. Ñìîæåòå? Êîíå÷íî, íåò. Âîò è ïðîãðàììà íå ìîæåò. Åé íåîáõîäèì ÷åëîâåê, êîòîðûé çàäàñò ïàðàìåòðû. Âîò è îòâåò íà âàø âîïðîñ «Îòêóäà îíà âçÿëà ýòè öèôðû?». Âçÿëà ÿ èõ èç ãîëîâû, ïîòîìó ÷òî ÿ óæå çíàþ, äëÿ êàêîãî ðåøåíèÿ ñîçäàâàëàñü ìîÿ ìàëåíüêàÿ íåéðîñåòü. Ïðîãðàììèñòû æå çàäàþò òîëüêî íà÷àëüíûå âåñà, à îñòàëüíûå èùåò ñàìà íåéðîñåòü âî âðåìÿ îáó÷åíèÿ.

Íàïðèìåð, âû õîòèòå íàòðåíèðîâàòü íåéðîñåòü îòëè÷àòü áóêâó «À» â òåêñòå. Äàåòå åé ñëîâî «ÍÎÃÀ». È åñëè áû íåéðîñåòü ìîãëà ñ âàìè ãîâîðèòü, äàëüíåéøèé äèàëîã áûë áû òàêèì:

Òàê ìû çàäàåì íåéðîñåòè âîïðîñû è ñìîòðèì, äàñò ëè îíà ïðàâèëüíûé îòâåò. Åñëè ïðîãðàììà îòâåòèëà âåðíî, ìû ãîâîðèì åé: «Õîðîøî. Ìîëîäåö. Òåïåðü çàïîìíè, êàê ñåé÷àñ ó òåáÿ ðàáîòàëè íåéðîíû. Ýòî ïðàâèëüíàÿ ðàáîòà». À åñëè íåéðîñåòü äàåò íåâåðíûé îòâåò, ìû ãîâîðèì: «Íåò. Òû íå ïðàâà. Íå äåëàé òàê áîëüøå. Äåëàé íàîáîðîò!». Òàê ïîñëå êó÷è ïîâòîðåíèé íåéðîñåòü íà÷èíàåò ñàìà êîððåêòèðîâàòü âåñà, ïîêà íå ïðèäåò ê ñàìîìó ëó÷øåìó âàðèàíòó.

— Òî åñòü íåéðîñåòè íå òàêèå óæ è óìíûå?

— Íåò. Âðåìåíàìè îíè ãîðàçäî óìíåå íàñ.

Äà, ÿ òîæå ñìîòðåëà «Ìàòðèöó» è íåêîòîðîå âðåìÿ äóìàëà, ÷òî íåéðîñåòè — íîâîå ñëîâî â âîïðîñå èñêóññòâåííîãî èíòåëëåêòà è âîîáùå îíè ñêîðî çàìåíÿò íàì íàñ ñàìèõ. Íî, åñëè âû ñïðîñèòå ïðîãðàììèñòà, êîãäà íàì æäàòü íàøåñòâèÿ óìíûõ ðîáîòîâ, îí íàä âàìè, ñêîðåå âñåãî, ïîñìååòñÿ.

Íåéðîñåòü è ïðàâäà ìîæåò áûòü óìíåå ÷åëîâåêà, íî ëèøü â òîì âîïðîñå, íà êîòîðûé åå íàòàñêàëè. Êîìïüþòåð îáûãðûâàåò ÷åëîâåêà â ïîêåð, ïîòîìó ÷òî â íåì çàëîæåíû âñå âîçìîæíûå êîìáèíàöèè êàðò. Íåéðîñåòü äàæå ðàñïîçíàåò áëåô, åñëè íàó÷èòü åå ðàçëè÷àòü ìèìèêó ëþäåé. Òî åñòü ÷òî-òî îäíî îíà äåëàåò ïðåêðàñíî. ×åëîâåê æå îäíîâðåìåííî èäåò ïî óëèöå, îáñóæäàåò ñ äðóçüÿìè òðàãè÷åñêóþ ñóäüáó Âàí Ãîãà è ðåøàåò, êóäà çàéòè ïåðåêóñèòü. Âñå ñðàçó è ñ îäèíàêîâûì óñïåõîì. À òåïåðü ïðåäñòàâüòå, ñêîëüêî íåéðîíîâ â ýòîò ìîìåíò çàäåéñòâîâàíî è ñêîëüêî àëãîðèòìîâ ñîñòàâëÿåòñÿ çà äîëþ ñåêóíäû. Ïðåäñòàâüòå, êàêîé ìîùíîñòè ïîòðåáóåòñÿ òåõíèêà, ÷òîáû ñîçäàòü íå÷òî õîòü îòäàëåííî íàïîìèíàþùåå ðàáîòó íàøåãî ïîðàçèòåëüíîãî ìîçãà, ñî âñåì åãî îïûòîì è ÷óâñòâàìè.

— Íî âåäü íåéðîñåòè — ýòî âñå ðàâíî õîðîøî?

— Íå âñåãäà.

Íåéðîííûå ñåòè — ïîëåçíàÿ øòóêà, êîãäà íóæíî ïðîàíàëèçèðîâàòü áîëüøîé ìàññèâ äàííûõ. Âñïîìíèòå «Äîêòîðà Õàóñà». Âðà÷è èç êîæè âîí ëåçóò, ïåðå÷èòûâàþò êíèãè, ïîñòîÿííî ÷òî-òî ó÷àò, ÷òîáû ïîäîáðàòü âåðíûé äèàãíîç. Íåéðîñåòü, â êîòîðóþ çàëîæèëè èñòîðèè áîëåçíåé òûñÿ÷ ïàöèåíòîâ, ñäåëàåò ýòî áûñòðåå.

Íî íå âñå íåéðîñåòè îäèíàêîâî ïîëåçíû. Òåõíîëîãèÿ äèïôåéê. Äà, òà ñàìàÿ, ÷òî ïîçâîëÿåò íàì íàêëàäûâàòü ëèöà îäíèõ àêòåðîâ íà äðóãèõ è ñîçäàâàòü àëüòåðíàòèâíûå âåðñèè èçâåñòíûõ ôèëüìîâ. Âîò, ïîñìîòðèòå, êàê áû âûãëÿäåëà «Ìàòðèöà», åñëè áû Óèëë Ñìèò íå îòêàçàëñÿ îò ãëàâíîé ðîëè.

Çàáàâíî, ïðàâäà? À òåïåðü ïðåäñòàâüòå, ÷òî âàøå ëèöî íàëîæèëè íà êàêîãî-íèáóäü ïîðíîàêòåðà. Èëè êòî-íèáóäü ðåøèë çàïóñòèòü ôåéêîâóþ íîâîñòü, êîòîðàÿ â èòîãå ïðèâåäåò ê áîëüøîìó ïîëèòè÷åñêîìó êîíôëèêòó ìåæäó ñòðàíàìè. Óæå íå òàê ñìåøíî.

Âîëíåíèå íàñ÷åò ýòè÷åñêîãî àñïåêòà íåéðîñåòåé ïîíÿòíî. Íî ýòî íå ïîâîä îáðóøèâàòüñÿ íà íåéðîñåòè ñ êðèòèêîé è òðåáîâàòü èõ çàïðåòèòü. Âîçìîæíî, èìåííî íåéðîñåòü îäíàæäû íàéäåò íàì ëåêàðñòâî îò ðàêà. Êàê è ëþáàÿ òåõíîëîãèÿ, îíà ìîæåò ðàáîòàòü íà ïîëüçó èëè âî âðåä, à çíà÷èò îïðåäåëÿþùèì âñå æå îñòàåòñÿ ÷åëîâå÷åñêèé ôàêòîð.

— Îêåé, ýòî çâó÷èò êðóòî. È êàæåòñÿ, íå òàê óæ è ñëîæíî. À ÿ ìîãó ñîçäàòü ñâîþ íåéðîñåòü?

— Äà. È ýòî î÷åíü ïåðñïåêòèâíîå íàïðàâëåíèå ðàáîòû.

Âîò òîëüêî äëÿ íà÷àëà âàì ñòîèò ðàçîáðàòüñÿ â òåìå ìàøèííîãî îáó÷åíèÿ è óçíàòü, êàê ðàáîòàòü íà ÿçûêå ïðîãðàììèðîâàíèÿ Python. Íåò, ïðîôåññîðîì ìàòåìàòèêè âàì áûòü íå íóæíî. Íåîáõîäèìîìó âàñ íàó÷àò. À ÷òîáû ðàçâèâàòüñÿ â ñôåðå IT è ðàáîòàòü ñ íåéðîííûìè ñåòÿìè äîñòàòî÷íî æåëàíèÿ è õîðîøåé áàçû.

 îíëàéí-øêîëå SkillFactory åñòü äâà ïîäõîäÿùèõ êóðñà äëÿ òåõ, êòî õî÷åò ñîçäàâàòü íåéðîñåòè è ìåíÿòü ìèð. À ÷òîáû îáó÷åíèå áûëî åùå äîñòóïíåé, èñïîëüçóéòå ïðîìîêîä pikabu 2020. Äî 16 ìàðòà 2020 ãîäà îí äàñò âàì ñêèäêó 25%. Îñòàâüòå çàÿâêó, à êîãäà ñ âàìè ñâÿæåòñÿ ìåíåäæåð, íàçîâèòå êîä.

Êóðñ ïî Data Science äëÿ íîâè÷êîâ, êîòîðûå òâåðäî ðåøèëè óéòè â ïåðñïåêòèâíóþ ñôåðó àíàëèçà äàííûõ è ìàøèííîãî îáó÷åíèÿ. Ïðîãðàììà ðàññ÷èòàíà íà 12 ìåñÿöåâ è ïîìîæåò ñ íóëÿ îñâîèòü ïðîôåññèþ äàòà ñàåíòèñòà, íàó÷èòüñÿ ïèñàòü êîä, ðàçîáðàòüñÿ ñ ìàøèííûì îáó÷åíèåì è óçíàòü, êàê ñîçäàâàòü ïðîäâèíóòûå íåéðîñåòè.  òå÷åíèå âñåãî êóðñà ñòóäåíòîâ ïîääåðæèâàþò íà êàæäîì ýòàïå, à ëó÷øèì ãàðàíòèðóþò òðóäîóñòðîéñòâî.

Õî÷ó íàó÷èòüñÿ âñåìó ñ íóëÿ

Êóðñ ïî íåéðîííûì ñåòÿì äëÿ ïðîäâèíóòûõ ñïåöèàëèñòîâ, êîòîðûå óæå â êóðñå Data Science è çíàþò, êàê ïðîãðàììèðîâàòü íà Python. Çà 10 íåäåëü âû óçíàåòå, êàê ñîçäàâàòü, îáó÷àòü è îïòèìèçèðîâàòü íåéðîííûå ñåòè.

Õî÷ó ïðîêà÷àòü ñâîè çíàíèÿ