色控传媒

机械学习とは

机械学习とは、明示的なプログラムなしで、学習用データを通じて向上可能なコンピュータ?アルゴリズムを処理する人工知能のサブフィールドです。人間並みの正確な人工知能の実現に向けた最も有望な道筋として広く認められています。?

机械学习アルゴリズムは3つのカテゴリに大別できます。

• 教师あり学习：ラベルを付けて、入力事例と共に正しい出力を提示すれば、入力を出力に割り当てるルールをアルゴリズムが学习できるようになります。??
• 教师なし学习：ラベル付けは行わないため、アルゴリズムは独自の入力処理构造を构筑できます（例：データの隠れパターンの発见）。
• 强化学习：このアルゴリズムは、试合に胜ったり车を运転したりするといった特定の目的を伴う动的环境と何度も対话します。トライアル?アンド?エラーを繰り返して、问题に対する最适なソリューションに近づけます。

以下に、机械学习と深層学習の概要、ならびにこれら2つの概念の相違点を説明します。

深层学习とは

深層学習は机械学习の一種で、人工ニューラル?ネットワークを使って人間並みの知能に近づけるものです。人間の脳の神経細胞（ニューロン）から発想を得て、深層学習ではグラフ理論を使い、アルゴリズムの重み付けをノードとエッジの層に指定します。深層学習アルゴリズムは、画像や言語のような非構造化データの処理に優れています。?

実用上、「深层」に分类されるニューラル?ネットワークは、その构造の基础となるパーセプトロンの入力层と出力层の间に中间层を含む必要があります。これらの层は、外部层と结合していないため「隠れ层」と见なされます。深层学习の构成例は次のとおりです。

• 顺伝播型（贵贵）：?データの流れは一方向で、入力层から中间层を通过し出力层で结果を出力しますが、すべてのノードが互いに结合されているので中间层を介してデータが循环することはありません。贵贵はデータの圧缩や画像処理の基础に使用されます。?
• 再帰型ニューラルネットワーク（搁狈狈）：?顺伝播型ネットワークの一种で、中间层に遅延を追加して反復処理中に过去情报にアクセスできるようにします。このフィードバック?ループはメモリを概算し、言语処理に优れた搁狈狈になります。?入力予测が良い例で、频繁に使う単语を頼りに入力候补を提供します。?
• 畳み込みニューラルネットワーク（颁狈狈）：?畳み込みとは、2つの异なる関数から新しい関数を作る二项演算です。主に画像认识や分类に使用される颁狈狈は、础滨の「目」となっています。颁狈狈の中间层は、加重合计を使う数学的フィルタとして机能し、ピクセルのエッジ、色、コントラストなどの要素を特定します。

机械学习と深層学習との比較

深層学習は机械学习の一部と見なされています。深層学習アルゴリズムを他の机械学习アルゴリズムと区別する主な要因は、人工ニューラル?ネットワークの使用です。ニューラル?ネットワークを「深層」にする主要な特徴は、基本的なパーセプトロンを構成する入力層と出力層の間に中間層が存在することです。

深层学习のメリット

非構造化データの処理能力を有しているならば、深層学習アルゴリズムは当該作業に最適です。これにより、教师なし学习および强化学习では、他の机械学习アルゴリズムに勝るメリットを深層学習に与えてくれます。近年、AIの進歩は、処理能力とデータ?ストレージの向上に伴う深層学習ニューラル?ネットワークの存立可能性の上昇から多大な恩恵を受けています。

ピュア?ストレージによる机械学习のアプリケーションの強化方法

ピュア?ストレージはAIの世界を利活用、支援どちらも行うよう一義的に位置付けられています。深層学習ニューラル?ネットワークには、大型と高速の両面を満たすデータが欠かせません。ピュア?ストレージのオールフラッシュ?ストレージ?ソリューションは、100% NVMeフラッシュ?メモリのパフォーマンスとAI駆動の予測分析を組み合わせて、モダン?データ?エクスペリエンス（Modern Data Experience?）を実現します。ピュア?ストレージの導入により、次のことが可能になります。

• データ?ストレージのサイロを?データ?ハブに统合
• ?リアルタイムのログ分析が、洞察抽出までの时间を短缩
• AI を活用したデータ?ストレージ管理システム ?Pure1 Meta?
• ピュア?ストレージと NVIDIA の共同開発によるフルスタックの AI 完全対応インフラストラクチャ?ソリューション ?AIRI? が AI ソリューションを強化
• Cisco社との共同開発によるコンバージド?インフラストラクチャ?ソリューション ?FlashStack? が、AI?机械学习のライフサイクルに対するフルスタックの支援を提供