Алгоритмы машинного обучения в нейросетевых приложениях работают следующим образом: 1

1. Нейросети получают большой массив правильно решённых задач. 1 Например, тысячу чертежей домов с уже прописанными площадями. 1
2. После этого нейронной сети дают возможность самой решить подобную задачу. 1 Она начинает угадывать, какой ответ от неё хотят получить. 1
3. Отдельный алгоритм подсказывает ей, правильно она справилась с решением или нет. 1 Со временем нейросеть учится угадывать всё лучше, формирует связи внутри своей структуры, которые обеспечивают полезный результат. 1

Для успешного решения задач нейросети нуждаются: 1

• В данных. 1 К ним относится всё, что может помочь обучению: статистика, исторические факты, примеры переводов с одного языка на другой, изображения. 1
• В признаках. 1 Это то, на что должна обращать внимание нейросеть в процессе обучения. 1 Например, к ним относится частотность слов в тексте, цена определённых товаров. 1
• В алгоритмах. 1 Они представляют собой способы решения задачи. 1 Обычно для каждой задачи может быть использовано множество алгоритмов, поэтому очень важно выбрать наиболее точный и эффективный из них. 1

Также существует глубокое обучение (deep learning), при котором нейросеть сама находит признаки данных без подсказок человека. 2 Для этого она прогоняет данные через несколько слоёв и на каждом из них иерархически собирает признаки: начинает с простых, например пятна и чёрточки, и с каждым слоем собирает всё более сложные формы. 2