Глубокое обучение и его применение
Автор: Сыдыкова М.Б., Эсенаманова Г.К.
Журнал: Бюллетень науки и практики @bulletennauki
Рубрика: Социальные и гуманитарные науки
Статья в выпуске: 12 т.11, 2025 года.
Бесплатный доступ
Рассматриваются теоретические основы и практические аспекты глубокого обучения - одной из ключевых технологий современного искусственного интеллекта. Описана структура и принципы работы искусственных нейронных сетей, включая поверхностные и глубокие архитектуры. Особое внимание уделено переходу от однослойных персептронов к многослойным нейронным сетям, что позволило решать задачи нелинейной классификации и распознавания сложных паттернов. Представлены современные архитектуры глубоких нейронных сетей: сверточные (CNN), рекуррентные (RNN), трансформерные и генеративные модели (GAN, диффузионные сети). Рассмотрены ключевые направления развития технологий, включая интерпретируемый ИИ, энергоэффективное обучение и мультимодальные подходы. Показано, что глубокое обучение является фундаментом интеллектуальных систем нового поколения, обеспечивая их способность к самообучению, анализу и генерации данных.
Глубокое обучение, искусственная нейронная сеть, машинное обучение, многослойный персептрон, сверточная сеть, рекуррентная сеть
Короткий адрес: https://sciup.org/14135486
IDR: 14135486 | УДК: 004.932 | DOI: 10.33619/2414-2948/121/61
Deep Learning and Its Applications
The article explores the theoretical foundations and practical aspects of deep learning - one of the key technologies in modern artificial intelligence. It describes the structure and operating principles of artificial neural networks, including both shallow and deep architectures. Special attention is given to the transition from single-layer perceptrons to multilayer neural networks, which made it possible to solve problems of nonlinear classification and complex pattern recognition. Modern architectures of deep neural networks are presented, such as convolutional (CNN), recurrent (RNN), transformer, and generative models (GAN, diffusion networks). The main directions of technological development are discussed, including interpretable AI, energy-efficient learning, and multimodal approaches. The article demonstrates that deep learning serves as the foundation for next-generation intelligent systems, enabling their abilities for self-learning, data analysis, and data generation.
