Аңдатпа
Мақалада нақты тапсырмалар үшін терең оқыту алгоритмдерін қолдану қарастырылды және осы процестерде қолданылатын әдістер зерттелді. Ұсынылған зерттеу «терең оқыту» машиналық оқыту қауымдастығына қатысты деген түсінікке негізделген және соған сай ғалымдардың зерттеу жұмыстары қарастырылған. Терең оқытудың нейрондық желілерінің өзара байланысы зерттелді. Машиналық оқыту жиынтықтарын терең оқыту жиыны ретінде тұжырымдауға болады, ал жасанды интеллект жиынтықтары ішкі жиынтықты білдіреді. Сонымен қатар терең оқытуда, әсіресе кескіндерді классификациялауда ауқымды тапсырмаларды орындаудың тиімді және заманауи әдісі ретінде конволюциялық нейрондық желілерді (CNN) пайдалану деп тұжырымдалады. Болжауды үйретуге арналған құрастырылған тапсырмалардың мысалдары келтірілген және терең оқыту моделін енгізу нәтижелері талданған. 11 000 құжат сканерленіп, Python бағдарламасының көмегімен атаулары бойынша жіктелді. Tensorflow, Keras кітапханаларының көмегімен құжаттар қалыпты үлгіге түрлендірілді. Нәтижесінде деректер жинақталып, талданды. Түйін сөздер: жасанды интеллект, машиналық оқыту, терең оқыту, CNN, Python бағдарламасы, керас. В статье рассматривается применение алгоритмов глубокого обучения для конкретных задач и исследуются методы, используемые в этих процессах. Представленное исследование основано на представлении о том, что «глубокое обучение» имеет отношение к сообществу машинного обучения, и исследовательская работа ученых рассматривается соответствующим образом. Исследована взаимосвязь нейронных сетей глубокого обучения. Наборы машинного обучения могут быть концептуализированы как наборы глубокого обучения, а наборы искусственного интеллекта представляют собой подмножества. В статье также утверждается, что использование сверточных нейронных сетей (CNN) является эффективным и современным методом для выполнения крупномасштабных задач в области глубокого обучения, особенно классификации изображений. Представлены примеры построенных задач для прогнозного обучения и проанализированы результаты реализации модели глубокого обучения. 11 000 документов были отсканированы и классифицированы по заголовкам с помощью Python. Документы были преобразованы в обычную модель с использованием библиотеки Tensorflow и Keras. В результате данные были собраны и проанализированы. Ключевые слова: искусственный интеллект, машинное обучение, глубокое обучение, CNN, программа Python, керас. This article discusses the application of deep learning algorithms to specific problems and explores the methods used in these processes. The presented research is based on the notion that "deep learning" is relevant to the machine learning community, and the research work of scientists is treated accordingly. The interconnection of deep learning neural networks has been investigated. And machine learning sets can be conceptualized as deep learning sets and artificial intelligence sets are subsets. It also claims that the use of Convolutional Neural Networks (CNN) is an efficient and modern method for performing large-scale tasks in deep learning, especially image classification. Examples of constructed tasks for predictive learning and analyzes the results of implementing a deep learning model. 11 000 documents were scanned and classified by title using Python. The documents have been converted to a regular model using the Tensorflow library and Keras. As a result, the data was collected and analyzed. Keywords: artificial intelligence, machine learning, deep learning, CNN, python program, keras.