Комментарии 3
Если честно, я не помню, когда Отус в последний раз публиковал что-то по ML, не обосравшись по полной, но этот раз превысил все пределы.

Во-первых, это перевод не статьи в блоге, а научной публикации (так вообще можно?). Во-вторых, перевод как обычно отвратительный (избранные перлы ниже). В-третьих, статья выбрана устаревшая и абсолютно идиотская (в половине референсов автор пиарит свои же работы).

Рис. 1. Исследования в области искусственного интеллекта (ИИ) Источник: [1].

Во-первых, в источнике 1 этой схемы нет. Вы студентов статьи писать садите? А то у них есть привычка ссылки на литературу от балды накидывать знаете ли.
Во-вторых, когда вы делаете классификацию чего-то (например, доменов ИИ, как здесь), надо четко понимать признак, по которому делите. Например, Robotics — это область применения, NLP — это класс задач, а Machine Learning — это группа алгоритмов. Их нельзя класть в один уровень разделения.

Глубокое обучение является передовой областью исследований машинного обучения (machine learning — ML). Оно представляет из себя нескольких скрытых слоев искусственных нейронных сетей. Методология глубокого обучения применяет нелинейные преобразования и модельные абстракции высокого уровня на больших базах данных. Последние достижения во внедрении архитектуры глубокого обучения в многочисленных областях уже внесли значительный вклад в развитие искусственного интеллекта.… Кроме того, представлены выгода и преимущества методологии глубокого обучения в ее многослойной иерархии и нелинейных операциях, которые сравниваются с более традиционными алгоритмами в обычных приложениях.

Господи, да это же просто дичь и вода. Вам уже сто раз писали — не садите людей без технических знаний за перевод статей по сложным темам (таким, как ML).

Кластеризация, байесовская сеть, глубокое обучение и анализ дерева решений — это только их часть.

Передаю привет автору оригинала, который поставил эти четыре термина в один ряд.

Концепция глубокого обучения (Deep Learning — DL) впервые появилась в 2006 году как новая область исследований в машинном обучении. Вначале оно было известно как иерархическое обучение в [2], и как правило оно включало в себя множество областей исследований, связанных с распознаванием образов.

Deep learning появился в восьмидесятых (термин введен в 1986), и в источнике 2 про это ничего не написано, автор опять нагло лжёт.

и обучение под наблюдением или без него

Google Translate от «supervised learning». К вашему сведению, это переводится как «обучение с учителем».

Позже в 2006 году жадный алгоритм и иерархия были объединены в приложение, способное обрабатывать рукописные цифры [7]

Какая иерархия? Опять надмозговой перевод?
И, кстати, вас не смущает, что ссылка 7 ведет на статью по NLP 2017 года?

Эффективность CNN может достигать 99,35% точности [16].

Сейчас бы в задаче биометрической аутентификации использовать accuracy как метрику. И ссылка 16, разумеется, ведет на совсем другую статью.

В последнее время идентификация на основе изображения лица изменилась на автоматическое распознавание путем определения возраста и пола в качестве исходных параметров.

Это две разных задачи, которые ни в коем случае не являются заменой друг друга.

В результате был достигнут PER на уровне 20,07%. Полученный PER лучше по сравнению с ранее применяемым 3-слойным методом базовой линии нейронной сети

«Базовой линии». Kill me please, переводчик не понимает, что несёт.

Очевидно, что постепенное увеличение числа публикаций мог бы описать экспоненциальный рост. Оригинал: Clearly, there is a progressive increment of publications
that could describe an exponential growth

Ничего, что вы перевернули смысл предложения?

Про анализ публикаций вообще смешно говорить. В выборке какие-то байесовские сети, когда очевидные тренды последних семи лет — это CNN в CV и всякие рекуррентные / сверточные архитектуры в NLP.
В анализах трендов 2017 год, хотя я смотрю в календарь и вижу 2019.

«Базовой линии».

Я помню, в русском издании «Сжатия данных, изображений и звука» Сэломона слово «baseline» вообще перевели как «базелина».

Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

Информация

Дата основания
Местоположение
Россия
Сайт
otus.ru
Численность
51–100 человек
Дата регистрации

Блог на Хабре