{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "5a3ba2b9",
   "metadata": {},
   "source": [
    "Лицензия MIT\n",
    "\n",
    "© Алексей Александрович Щербаков, 2024"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "00ffec2d",
   "metadata": {},
   "source": [
    "# Лекция 5.3. Глубокое обучение в задачах оптики и фотоники"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "ab869914",
   "metadata": {},
   "source": [
    "Глубокое обучение основано на использовании глубоких нейронных сетей (DNN) для решения сложных задач оптимизации. В отличие от традиционных аналитических подходов, глубокое обучение оказывается полезно, когда знаний о рассматриваемой системе недостаточно для применения более традиционных оптимизационных методов, или когда существует слишком много степеней свободы, что существенно затрудняют прогнозирование поведения системы. В таких сценариях «черного ящика» сети можно обучать, используя только входные и выходные данные, без необходимости знания и понимания внутренней работы системы. С одной стороны, такой подход идет несколько в разрез с традиционным научным и инженерным методом, но бывают ситуации, когда только он позволяет получать требуемые решения."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "820f40de",
   "metadata": {},
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.8"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}