<div class="xblock xblock-public_view xblock-public_view-vertical" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="VerticalStudentView" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="vertical" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@vertical+block@ae4be9afd81649828c95fd74ae7ef07d" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <div class="vert-mod"> <div class="vert vert-0" data-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@95e3c33488e8426b81d9f31228db82b0"> <div class="xblock xblock-public_view xblock-public_view-html xmodule_display xmodule_HtmlBlock" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="XBlockToXModuleShim" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="html" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@95e3c33488e8426b81d9f31228db82b0" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <script type="json/xblock-args" class="xblock-json-init-args"> {"xmodule-type": "HTMLModule"} </script> <div style="border: 4px solid #004984; margin-bottom: 24px; padding-top: 16px; padding-left: 16px; padding-right: 16px; background-color: #b1d5e4;"> <p style="text-align: justify;"><span style="color: #000000; font-weight: bold; font-size: 110%;">Штучний інтелект (ШІ) </span> - це загальне поняття, яке охоплює декілька сфер. У їх основі лежать окремі групи методів, що дозволяють «машинам» виконувати інтелектуальні завдання й моделювати людський інтелект у різний спосіб.  </p> </div> <p style="text-align: justify;">Основні методи ШІ включають <strong>обробку природної мови</strong> (NLP, Natural Language Processing), <strong>глибоке навчання</strong> (DL, Deep Learning) та <strong>машинне навчання</strong> (ML, Machine Learning), кожний з яких має свої специфічні напрями використання. Ці групи методів можна розглядати як складові ШІ, які разом формують загальну систему.</p> <ul> <ul> <li>Обробка природної мови (NLP) забезпечує  розуміння мов і текстів.</li> <li>Глибоке навчання (DL) пов’язано із вирішенням складних завдань за допомогою багаторівневих моделей.</li> <li>Машинне навчання (ML) генерує прогнози та ухвалює рішення, навчаючи машини на основі масиву даних.</li> </ul> </ul> <p style="padding-left: 30px; text-align: center;"><img height="auto" width="640" src="/assets/courseware/v1/0d754d0da023358ac1927c2ec721511c/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_10.png" alt="" /></p> <h4 style="text-align: justify;">Розгляньмо це за допомогою конкретних прикладів, уникаючи складних технічних понять.</h4> <p></p> </div> </div> </div> <script type="text/javascript"> (function (require) { require(['/static/js/dateutil_factory.762fd6ff462b.js?raw'], function () { require(['js/dateutil_factory'], function (DateUtilFactory) { DateUtilFactory.transform('.localized-datetime'); }); }); }).call(this, require || RequireJS.require); </script> <script> function emit_event(message) { parent.postMessage(message, '*'); } </script> </div>

<div class="xblock xblock-public_view xblock-public_view-vertical" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="VerticalStudentView" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="vertical" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@vertical+block@1ade10317d9f47dd9215cc2e5d3c9931" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <div class="vert-mod"> <div class="vert vert-0" data-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@96564ae4d6ff4937b7fda5ff784a1b7a"> <div class="xblock xblock-public_view xblock-public_view-html xmodule_display xmodule_HtmlBlock" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="XBlockToXModuleShim" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="html" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@96564ae4d6ff4937b7fda5ff784a1b7a" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <script type="json/xblock-args" class="xblock-json-init-args"> {"xmodule-type": "HTMLModule"} </script> <div style="border: 4px solid #004984; margin-bottom: 24px; padding-top: 16px; padding-left: 16px; padding-right: 16px; background-color: #b1d5e4;"> <p style="text-align: justify;"><span style="color: #000000; font-weight: bold; font-size: 110%;">Машинне навчання</span> – це підгалузь ШІ, у якій комп'ютер навчається знаходити закономірності в даних і робити прогнози без необхідності програмування для кожного завдання.</p> </div> <h3 style="text-align: justify;"><span style="color: #000000;"><strong>Приклад: Фільтрація спаму в електронній пошті</strong></span></h3> <ul> <ul> <li>Закономірність: Модель фільтрації спаму вчиться розпізнавати певні слова, фрази, URL-адреси та структури, типові для спаму.</li> <li>Дані: Модель тренується на великій кількості електронних листів, позначених як спам або звичайні повідомлення. Ці дані включають текстові шаблони, наприклад, "отримайте дешевий кредит", підозрілі посилання чи найпоширеніші маркетингові звернення (рекламні гасла).</li> <li>Інтерпретація: Коли надходить новий електронний лист, згідно з алгоритмом здійснюється оцінка його змісту на основі вивчених шаблонів і ухвалюється рішення, чи є це повідомлення спамом.</li> </ul> </ul> <h3 style="text-align: justify;"><span style="color: #000000;"><strong>Приклад: Переклад тексту</strong></span></h3> <ul> <ul> <li>Закономірність: Граматичні структури, смислові зв'язки та словниковий запас у різних мовах є розпізнаваними шаблонами.</li> <li>Дані: Модель тренується на великих обсягах тексту багатьма мовами, включаючи інформацію про структури речень, порядок слів і смислові зв'язки.</li> <li>Інтерпретація: Модель може інтерпретувати новий текст на основі своєї мовної бази, здійснювати переклад або відповідати на запитання про оригінальний текст, розпізнаючи значення та структури, характерні для певної мови.</li> </ul> </ul> <p style="text-align: justify;"></p> <p style="text-align: justify;">У вступі зазначалося, що пошук закономірностей у даних відбувається "без специфічного програмування". Це означає, що машинне навчання дозволяє алгоритмам розпізнавати шаблони або робити прогнози без необхідності написання явного коду для кожного сценарію. На відміну від традиційного програмування, де точні правила та умови визначаються заздалегідь, моделі машинного навчання навчаються на великих масивах даних, щоб виявляти статистичні зв'язки та закономірності. Після навчання модель може робити прогнози для нових даних без попереднього кодування кожного рішення.</p> <p style="text-align: justify;"></p> <h3 style="text-align: justify;"><span style="color: #000000;"><strong>Приклад – Кредитна заява</strong></span></h3> <ul> <ul> <li>Традиційне програмування: Банк може використовувати фіксовані правила, наприклад, відхиляти кредит, якщо у клієнта понад три прострочення або недостатній дохід. Програмісти повинні вручну визначати ці правила, що робить систему складною для підтримки.</li> <li>Машинне навчання: Модель навчається на історичних даних, включаючи аналіз інформації щодо доходів клієнтів, їхньої кредиторської заборгованості, випадків прострочення відсоткових платежів по кредиту та строків повернення кредитних ресурсів. Модель ідентифікує шаблони для оцінки кредитного ризику нових заявників без заздалегідь визначених правил.</li> </ul> </ul> <h3 style="text-align: justify;"><span style="color: #000000;"><strong>Приклад – Рекомендація продуктів</strong></span></h3> <ul> <ul> <li>Традиційне програмування: Система базується на фіксованих правилах, наприклад, рекомендувати продукт B, якщо придбано продукт A. Кожний зв'язок між продуктами необхідно чітко визначати та оновлювати вручну.</li> <li>Машинне навчання: Модель навчається на даних про клієнтів, зокрема на історії придбання ними товарів чи послуг, а також звичок перегляду, щоб самостійно знаходити необхідні зв'язки. Вона ідентифікує взаємозв'язки у сфері регулярних покупок клієнтів, і автоматично оновлює рекомендації, коли надходять нові дані.</li> </ul> </ul> <p style="padding-left: 30px; text-align: center;"><img height="auto" width="720" src="/assets/courseware/v1/898b2f2b3c59347b09a65ebbdf935376/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_11.png" alt="" /></p> <p></p> </div> </div> </div> <script type="text/javascript"> (function (require) { require(['/static/js/dateutil_factory.762fd6ff462b.js?raw'], function () { require(['js/dateutil_factory'], function (DateUtilFactory) { DateUtilFactory.transform('.localized-datetime'); }); }); }).call(this, require || RequireJS.require); </script> <script> function emit_event(message) { parent.postMessage(message, '*'); } </script> </div>

<div class="xblock xblock-public_view xblock-public_view-vertical" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="VerticalStudentView" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="vertical" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@vertical+block@541503a1faf848188f6610fe549c8657" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <div class="vert-mod"> <div class="vert vert-0" data-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@d3e0625073e1416f8bb3e2cc7abb52ae"> <div class="xblock xblock-public_view xblock-public_view-html xmodule_display xmodule_HtmlBlock" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="XBlockToXModuleShim" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="html" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@d3e0625073e1416f8bb3e2cc7abb52ae" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <script type="json/xblock-args" class="xblock-json-init-args"> {"xmodule-type": "HTMLModule"} </script> <p style="text-align: justify;">Існує декілька методів машинного навчання, які можна поділити на різні категорії залежно від стилю та мети навчання (різні методи підходять для різних завдань). Наведемо декілька методів у спрощеному вигляді:</p> <h3><span style="color: #156082; font-weight: bold; font-size: 110%;">1.Навчання з учителем (Supervised Learning)</span></h3> <p style="text-align: justify;">У навчанні з учителем модель тренується на даних, які включають як вхідні дані, так і правильні відповіді (тобто цільові дані). Модель поступово вчиться видавати правильну відповідь на нові входи. У попередньому прикладі (розпізнавання робота) цей метод навчання був би гарним вибором. Інший приклад у реальному житті – фільтрація спаму.</p> <p style="text-align: center;"><img height="auto" width="860" src="/assets/courseware/v1/a6f1a8cd8a64625cf729e89273bf7b58/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_12.png" alt="" /></p> <h3><span style="color: #156082; font-weight: bold; font-size: 110%;">2.Навчання без учителя (Unsupervised Learning)</span></h3> <p style="text-align: justify;">Навчання без учителя відбувається без правильних відповідей (немає цільових даних), на відміну від попереднього методу. Модель намагається знайти структури, групи або закономірності, спираючись лише на вхідні дані. Прикладом цього є рекомендаційні системи в інтернет-магазинах: можна вивчити, як знаходити схожі продукти (або користувачів), аналізуючи поведінку користувачів, наприклад, які товари вони часто купують разом.</p> <p style="text-align: center;"><img height="auto" width="800" src="/assets/courseware/v1/d0906f6757d03e4b13b3bddd9ddbcf81/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_13.png" alt="" /></p> <h3><span style="color: #156082; font-weight: bold; font-size: 110%;">3. Самонавчання (Self-Supervised Learning)</span></h3> <p style="text-align: justify;">У цьому випадку модель навчається створювати цільові дані безпосередньо з вхідних даних (тобто без попередньої обробки). Вона ніби "створює завдання" на основі даних: заповнює відсутній блок або прогнозує наступну частину. Цей метод найчастіше використовується у великих мовних моделях, де модель має навчитися розуміти структури речень і текстів без попередньо створених людиною анотацій. Прикладами цього методу є моделі BERT і GPT.</p> <p style="text-align: center;"><img height="auto" width="800" src="/assets/courseware/v1/36c10fa806eb725e82dd5d13dd3641f4/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_14.png" alt="" /></p> <p style="text-align: justify;"></p> </div> </div> </div> <script type="text/javascript"> (function (require) { require(['/static/js/dateutil_factory.762fd6ff462b.js?raw'], function () { require(['js/dateutil_factory'], function (DateUtilFactory) { DateUtilFactory.transform('.localized-datetime'); }); }); }).call(this, require || RequireJS.require); </script> <script> function emit_event(message) { parent.postMessage(message, '*'); } </script> </div>

<div class="xblock xblock-public_view xblock-public_view-vertical" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="VerticalStudentView" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="vertical" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@vertical+block@24f2da6c2072406297fcda44df1b5ab7" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <div class="vert-mod"> <div class="vert vert-0" data-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@2d6b5ab8791b45428d3e9c39b6579136"> <div class="xblock xblock-public_view xblock-public_view-html xmodule_display xmodule_HtmlBlock" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="XBlockToXModuleShim" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="html" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@2d6b5ab8791b45428d3e9c39b6579136" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <script type="json/xblock-args" class="xblock-json-init-args"> {"xmodule-type": "HTMLModule"} </script> <div style="border: 4px solid #004984; margin-bottom: 24px; padding-top: 16px; padding-left: 16px; padding-right: 16px; background-color: #b1d5e4;"> <p style="text-align: justify;"><span style="color: #000000; font-weight: bold; font-size: 110%;">Глибоке навчання </span>– це складова або "підкатегорія" машинного навчання, яка використовує глибокі нейронні мережі для обробки складних і великих даних (англ. Big Data), таких як зображення та звуки.</p> </div> <p>Розглянемо концепцію глибокого навчання на простому прикладі розпізнавання зображення, використовуючи термін "глибока нейронна мережа" та досліджуючи зв'язок між машинним і глибоким навчанням.</p> <p style="text-align: center;"><img height="auto" width="420" src="/assets/courseware/v1/43e05f1c7965750ad635ef9660cd6d20/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/2_02.png" alt="" /></p> <div style="background-color: #b1d5e4; padding: 16px 20px; margin-bottom: 16px; border-radius: 5px;"> <p style="color: #253777;"><strong>Приклад: розпізнавання робота на зображенні, рівень за рівнем</strong></p> <p style="padding-left: 30px; text-align: justify;">Уявіть глибоке навчання як розширення моделі машинного навчання, де модель машинного навчання може навчатися на простих шаблонах. Глибоке навчання йде далі. Воно не обмежується окремими характеристиками, а вчиться, як ці характеристики (особливості) пов'язані між собою. Багатошаровість, або "глибина", дає моделі можливість розуміти дані на різних рівнях, переходячи від простих характеристик до складних висновків. Цей процес схожий на те, як людина поступово усвідомлює певні речі, починаючи з розуміння окремих деталей  і переходячи до уявлення про зміст загальних концепцій, що, зрештою, приводить до глибокого розуміння сутності явища.</p> </div> <p style="text-align: justify;"></p> <h3 style="text-align: justify;"><span style="color: #156082; font-weight: bold; font-size: 110%;"> Коротко про нейронну мережу:</span></h3> <ul> <ul> <li>Глибина і багатошаровість – це дійсно основа нейронної мережі, і саме ці характеристики дозволяють мережі вивчати складні теми.</li> <li>Нейронні мережі аналізують дані через багато шарів. Інформація аналізу передається від одного шару до іншого, обробляючи та уточнюючи дані на кожному етапі.</li> <li>У цьому контексті не обов’язково заглиблюватися в складність нейронних мереж.</li> </ul> </ul> <p style="text-align: justify;"></p> <p style="text-align: center;"><strong>Погляд ШІ-художника (ChatGPT &amp; DALL-E) на роботу глибокої нейронної мережі:</strong></p> <p style="text-align: center;"><img height="auto" width="420" src="/assets/courseware/v1/c9cf31ba4595559727f5b5674c26f9b4/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_Chapter_4_1.jpg" alt="" /></p> <p style="text-align: justify;"></p> <p style="text-align: justify;"></p> <p style="text-align: center;"></p> <div style="background-color: #b1d5e4; padding: 16px 20px; margin-bottom: 16px; border-radius: 5px;"> <p style="color: #253777;"><strong>Приклад</strong></p> <p style="text-align: justify;">Н<span style="font-size: 1em;">ейронній мережі дали завдання "</span><span style="font-size: 1em;">ідентифікувати робота на зображенні".</span></p> <p style="text-align: justify;">Розглянемо механізм роботи нейронної мережі за допомогою шарів, кожен з яких аналізує зображення від деталей (від часткового) до загального:</p> </div> <h3 style="text-align: left; padding-left: 30px;"></h3> <p style="margin-bottom: 1px; font-size: 80%;"><em>Натисніть на інтерактивні елементи, щоб дізнатись більше.</em></p> <p></p> <div class="container-dm-pic3"> <div class="dm-pic3"><!-- button start 1 --> <div class="dm-sc-collaps-wrapper"> <div class="dm-collaps-wrap"><button class="dm-collaps"> <i class="fa fa-angle-down" aria-hidden="true"></i><b>1. Перший шар: аналізатори пікселів</b> </button> <div class="dm-collaps-content"><!-- start element --> <div style="display: flex;"> <div style="width: 100%; align-self: center; text-align: justify;"> <p style="text-align: justify;">Цей шар досліджує окремі пікселі, визначаючи металеві або інші кольори, які можуть бути пов’язані з роботами, але не розпізнає форми. Аналізатори пікселів не знають, що таке робот, але помічають, що певні ділянки зображення є металевими та холодними, і передають ці спостереження далі.</p> </div> </div> <!-- end element --></div> </div> </div> <!-- button end 1 --> <!-- button start 2 --> <div class="dm-sc-collaps-wrapper"> <div class="dm-collaps-wrap"><button class="dm-collaps"> <i class="fa fa-angle-down" aria-hidden="true"></i><b>2. Другий шар: виявлення контурів</b> </button> <div class="dm-collaps-content"><!-- start element --> <div style="display: flex;"> <div style="width: 100%; align-self: center; text-align: justify;"> <p style="text-align: justify;">На цьому рівні ідентифікуються контури та контрасти, що дозволяє окреслити можливі частини робота, наприклад, «руки» або «ноги». Форми визначаються, але ще не підтверджуються остаточно.</p> </div> </div> <!-- end element --></div> </div> </div> <!-- button end 3 --> <!-- button start 4 --> <div class="dm-sc-collaps-wrapper"> <div class="dm-collaps-wrap"><button class="dm-collaps"> <i class="fa fa-angle-down" aria-hidden="true"></i><b>3. Третій шар: ідентифікатори особливих рис</b> </button> <div class="dm-collaps-content"><!-- start element --> <div style="display: flex;"> <div style="width: 100%; align-self: center; text-align: justify;"> <p style="text-align: justify;">Цей шар виявляє специфічні особливості, притаманні роботам, такі як антени, сенсори тощо. Зв’язки між особливостями об’єднуються в категорії «подібності».</p> </div> </div> <!-- end element --></div> </div> </div> <!-- button end 4 --> <!-- button start 5 --> <div class="dm-sc-collaps-wrapper"> <div class="dm-collaps-wrap"><button class="dm-collaps"> <i class="fa fa-angle-down" aria-hidden="true"></i><b>4. Четвертий шар: порівняння з поширеними дизайнами роботів</b> </button> <div class="dm-collaps-content"><!-- start element --> <div style="display: flex;"> <div style="width: 100%; align-self: center; text-align: justify;"> <p style="text-align: justify;">Аналізуються специфічні риси роботів, такі як LED-лампи або металеві каркаси. Виявлені шаблони порівнюються з поширеними дизайнами роботів. На цьому етапі з високою ймовірністю допускається, що це робот, і ця інформація передається на наступний рівень.</p> </div> </div> <!-- end element --></div> </div> </div> <!-- button end 5 --> <!-- button start 4 --> <div class="dm-sc-collaps-wrapper"> <div class="dm-collaps-wrap"><button class="dm-collaps"> <i class="fa fa-angle-down" aria-hidden="true"></i><b>5. П’ятий шар: фінальне розпізнавання</b> </button> <div class="dm-collaps-content"><!-- start element --> <div style="display: flex;"> <div style="width: 100%; align-self: center; text-align: justify;"> <p style="text-align: justify;">На завершальному етапі вся зібрана інформація об’єднується і робиться остаточний висновок, що на зображенні робот. Цей останній шар враховує всі попередні інтерпретації.</p> <p style="text-align: justify;">Нейронна мережа тепер може надати остаточну відповідь: «Це робот!».</p> </div> </div> <!-- end element --></div> </div> </div> <!-- button end 4 --></div> </div> <div style="background-color: #a3b1e2; margin-right: 16px; box-shadow: 0px 0px 10px #C3CAD3; margin-left: 16px; margin-bottom: 24px; border-radius: 8px; padding: 16px;"> <p style="text-align: justify; padding-top: 24px;"><em><strong>Цей приклад включає п’ять шарів, що підходять для базових завдань. Однак для складніших завдань можуть знадобитися глибші мережі з тисячами шарів, які потребують значної обчислювальної потужності та великих масивів даних.</strong></em></p> </div> <style><!-- .dm-collaps-wrap { margin-bottom: 15px; box-shadow: 0 1px 2px 0 rgba(44, 47, 60, 0.06), 0 3px 10px 0 rgba(44, 47, 60, 0.09); border-radius: 6px; } .dm-collaps { background-color: #EDEDED; color: black; background-image: none; text-shadow: none; width: 100%; font-family: inherit; cursor: pointer; padding: 18px; width: 100%; border: none; border-radius: 6px 6px 0 0; text-align: left; outline: none; font-size: 15px; } .dm-collaps i.fa-angle-down { font-style: inherit; margin-right: 10px; } .dm-collaps--active i.fa-angle-down { transform: scaleY(-1); } button.dm-collaps--active, button.dm-collaps:hover, button.dm-collaps:focus, button.dm-collaps:active { background-color: #c0c0c0ff; color: #000000; background-image: none; box-shadow: none; border: none; text-shadow: none; } .dm-collaps-content { padding: 0 18px; display: none; border-radius: 6px; overflow: hidden; background-color: #fff; } .dm-collaps-content p { margin-top: 5px; } .dm-collaps-content img { height: auto; } .dm-picnorm { display: flex; align-items: center; } .dm-picnorm img { width: auto; max-height: 150px; margin-left: 10px; } .element_container{ min-height: 120px; } @media only screen and (max-width: 980px) { .dm-picnorm { flex-direction: column; margin: 0 auto; } } --></style> <script>// <![CDATA[ $(".dm-sc-collaps-wrapper").each(function () { $(this) .find(".dm-collaps") .click(function () { $(this).toggleClass("dm-collaps--active"); $(this).next().toggle(); }); }); // ]]></script> <p></p> <p style="text-align: left;"></p> <p></p> <p></p> </div> </div> </div> <script type="text/javascript"> (function (require) { require(['/static/js/dateutil_factory.762fd6ff462b.js?raw'], function () { require(['js/dateutil_factory'], function (DateUtilFactory) { DateUtilFactory.transform('.localized-datetime'); }); }); }).call(this, require || RequireJS.require); </script> <script> function emit_event(message) { parent.postMessage(message, '*'); } </script> </div>

<div class="xblock xblock-public_view xblock-public_view-vertical" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="VerticalStudentView" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="vertical" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@vertical+block@22ffa0b790ef4320b40dfdc9d1f3d8fa" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <div class="vert-mod"> <div class="vert vert-0" data-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@44f4b4fd7d6949a1acbede1d708c2e66"> <div class="xblock xblock-public_view xblock-public_view-html xmodule_display xmodule_HtmlBlock" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="XBlockToXModuleShim" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="html" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@44f4b4fd7d6949a1acbede1d708c2e66" data-request-token="3833315e321811f0a5767e47ee5c442d" data-graded="False" data-has-score="False"> <script type="json/xblock-args" class="xblock-json-init-args"> {"xmodule-type": "HTMLModule"} </script> <div style="border: 4px solid #004984; margin-bottom: 24px; padding-top: 16px; padding-left: 16px; padding-right: 16px; background-color: #b1d5e4;"> <p style="text-align: justify;"><span style="color: #000000; font-weight: bold; font-size: 110%;">Обробка природної мови</span> – це підгалузь штучного інтелекту, яка допомагає комп’ютерам розуміти, створювати та аналізувати людську мову.</p> </div> <p>Мета полягає в тому, щоб ШІ міг вести розмови, відповідати на запитання та перекладати мови, як це роблять люди.</p> <p style="text-align: justify;">Зв’язок NLP із методами машинного навчання, глибокого навчання та іншими методами можна візуалізувати на наступному зображенні. Воно також демонструє, як інші підгалузі та технології ШІ взаємопов’язані.</p> <p style="text-align: center;"><img height="auto" width="720" src="/assets/courseware/v1/aec037ac2ea91d9ca9d9de16d114c0e0/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_Chapter_4_3.png" alt="" /></p> <p style="text-align: justify;">NLP спирається на методи машинного навчання, включаючи навчання з учителем і без учителя, для обробки людської мови. Воно також активно використовує глибоке навчання, а модель Transformer є ключовою інновацією (згадувалася в попередньому розділі). Transformers кардинально трансформували NLP, обробляючи значення та зв’язки між словами в усьому тексті, на відміну від попередніх моделей, які аналізували слова окремо. Це робить їх швидшими та кращими у розумінні довгих і складних речень.</p> <p style="text-align: justify;">Моделі Transformer можуть обробляти кілька слів одночасно та покращувати продуктивність завдяки збільшенню розміру моделі або даних для навчання. Передові моделі NLP, такі як GPT-4 і Gemini, використовують цю технологію для створення високоякісного тексту, схожого на людський. Вони підкреслюють важливість слів у контексті, створюючи більш точні та значущі результати.</p> <p style="text-align: justify;"><strong>Роботу та навчання NLP у контексті великих мовних моделей буде описано у Розділі 6.</strong></p> <p style="text-align: justify;"></p> <p style="text-align: justify;"></p> <p style="text-align: justify;"></p> <p style="text-align: justify;"></p> <p style="text-align: justify;"></p> </div> </div> </div> <script type="text/javascript"> (function (require) { require(['/static/js/dateutil_factory.762fd6ff462b.js?raw'], function () { require(['js/dateutil_factory'], function (DateUtilFactory) { DateUtilFactory.transform('.localized-datetime'); }); }); }).call(this, require || RequireJS.require); </script> <script> function emit_event(message) { parent.postMessage(message, '*'); } </script> </div>