fix(guide): simplify directory structure

guide/russian/machine-learning/neural-networks/convolutional-neural-networks/index.md

@@ -0,0 +1,12 @@
+---
+title: Convolutional Neural Networks
+localeTitle: Сверточные нейронные сети
+---
+Сверточные нейронные сети (ConvNets или CNN) - это категория нейронных сетей, которые оказались очень эффективными в таких областях, как распознавание и классификация изображений. ConvNets успешно идентифицировали лица, объекты и дорожные знаки, кроме того, что они сидели в роботах и ​​самоходных автомобилях.
+
+### Предлагаемые ссылки:
+
+*   Стэнфорд CS231n [Лекция 5 Сверточные нейронные сети](https://www.youtube.com/watch?v=bNb2fEVKeEo)
+*   Стэнфорд CS231n [Лекция 9 Архитектуры CNN](https://www.youtube.com/watch?v=DAOcjicFr1Y&t=2384s)
+*   Udacity Глубокое обучение: [сверточные сети](https://www.youtube.com/watch?v=jajksuQW4mc)
+*   Эндрю Нг DeepLearning.ai: [Конвуляционные нейронные сети](https://www.coursera.org/learn/convolutional-neural-networks/)

guide/russian/machine-learning/neural-networks/generative-adversarial-networks/index.md

@@ -0,0 +1,21 @@
+---
+title: Generative Adversarial Networks
+localeTitle: Генерирующие Adversarial Networks
+---
+## Генерирующие Adversarial Networks
+
+## обзор
+
+Генерирующие состязательные сети (GAN) - это класс алгоритмов [искусственного интеллекта](https://en.wikipedia.org/wiki/Artificial_intelligence) , используемых в [неконтролируемом компьютерном обучении](https://en.wikipedia.org/wiki/Unsupervised_machine_learning) , реализуемый системой двух [нейронных сетей,](https://en.wikipedia.org/wiki/Neural_network) конкурирующих друг с другом в игровой системе с нулевой суммой. Они были представлены Ян Гудфеллоу и др. в 2014 году. Этот метод может генерировать фотографии, которые выглядят, по крайней мере, поверхностно аутентичными для наблюдателей-людей, обладающих множеством реалистичных характеристик (хотя в тестах люди могут сказать реальные из-за сгенерированных во многих случаях).
+
+## метод
+
+Одна сеть генерирует кандидатов (генеративных), а другая [оценивает их](https://en.wikipedia.org/wiki/Turing_test) (дискриминационную). Как правило, генерирующая сеть учится отображать из [скрытого пространства](https://en.wikipedia.org/wiki/Latent_variable) в конкретное распределение данных, представляющее интерес, в то время как дискриминационная сеть различает экземпляры от истинного распределения данных и кандидатов, созданных генератором. Цель обучения генеративной сети - увеличить частоту ошибок дискриминационной сети (т. Е. «Обмануть» сеть дискриминаторов, создавая новые синтезированные экземпляры, которые, как представляется, исходят из истинного распределения данных).
+
+На практике известный набор данных служит исходными данными обучения для дискриминатора. Обучение дискриминатора предполагает представление его с образцами из набора данных, пока он не достигнет определенного уровня точности. Обычно генератор засевается рандомизированным входом, который выбирается из предопределенного скрытого пространства (например, [многомерного нормального распределения](https://en.wikipedia.org/wiki/Multivariate_normal_distribution) ). После этого образцы, синтезированные генератором, оцениваются дискриминатором. [Backpropagation](https://en.wikipedia.org/wiki/Backpropagation) применяется в обеих сетях, так что генератор создает более качественные изображения, в то время как дискриминатор становится более опытным при маркировке синтетических изображений. Генератор обычно является деконволюционной нейронной сетью, а дискриминатор представляет собой [сверточную нейронную сеть](https://en.wikipedia.org/wiki/Convolutional_neural_network) .
+
+Идея вывести модели в конкурентной среде (модель против дискриминатора) была предложена Ли, Гаучи и Гросом в 2013 году. Их метод используется для поведенческого вывода. Это называется Тьюрингом Изучением, так как эта настройка аналогична настройке [теста Тьюринга](https://en.wikipedia.org/wiki/Turing_test) . Обучение Тьюринга - это обобщение ГАН. Могут рассматриваться модели, отличные от нейронных сетей. Более того, дискриминаторам разрешено влиять на процессы, из которых получены наборы данных, делая их активными запросчиками, как в тесте Тьюринга. Идея о состязательном обучении также можно найти в более ранних работах, таких как Шмидхубер в 1992 году.
+
+## заявка
+
+GAN были использованы для производства образцов [фотореалистичных](https://en.wikipedia.org/wiki/Photorealistic) изображений для визуализации нового интерьера / промышленного дизайна, обуви, сумок и предметов одежды или предметов для сцен компьютерных игр. Сообщалось, что эти сети используются Facebook. Недавно GAN смоделировали модели движения в видео. Они также использовались для восстановления 3D-моделей объектов с изображений и улучшения астрономических изображений. В 2017 году для ускорения изображения с использованием автоматизированного синтеза текстур в сочетании с перцептивной потерей был использован полностью сверточный комбинированный GAN-фильтр. Система фокусировалась на реалистичных текстурах, а не на пиксельной точности. Результатом было высокое качество изображения при высоком увеличении.

guide/russian/machine-learning/neural-networks/index.md

@@ -0,0 +1,64 @@
+---
+title: Neural Networks
+localeTitle: Нейронные сети
+---
+## Нейронные сети
+
+![Первичная нейронная сеть](http://ufldl.stanford.edu/tutorial/images/SingleNeuron.png)
+
+Искусственная нейронная сеть - это вычислительная система. Они похожи на биологические нейронные сети, которые составляют мозг животных. Для обучения нейронной сети нам нужен вектор ввода и соответствующий выходной вектор. Обучение работает путем сведения к минимуму ошибки. Эта ошибка может быть квадратичной разницей между прогнозируемым выходом и исходным выходом.
+
+Основным принципом, лежащим в основе замечательного успеха нейронных сетей, является «Универсальная теорема приближения». Математически доказано, что нейронные сети являются универсальными машинами аппроксимации, которые способны аппроксимировать любую математическую функцию между данными входами и выходами.
+
+Первоначально нейронные сети стали популярными в 1980-х годах, но ограничения в вычислительной мощности запрещали их широкое признание до последнего десятилетия. Инновации в размерах и мощности процессора позволяют реализовать нейронную сеть в масштабе, хотя другие парадигмы машинного обучения все еще превосходят нейронные сети с точки зрения эффективности.
+
+Основным элементом нейронной сети является нейрон. Он представляет собой вектор, скажем, `x` , а его вывод является вещественной переменной, например `y` . Таким образом, мы можем заключить, что нейрон действует как отображение между вектором `x` и вещественным числом `y` .
+
+Нейронные сети выполняют регрессию итеративно на нескольких уровнях, что приводит к более тонкой модели прогнозирования. Один узел в нейронной сети вычисляет ту же функцию, что и [логистическая регрессия](../logistic-regression/index.md) . Все эти слои, помимо ввода и вывода, скрыты, то есть конкретные черты, представленные этими уровнями, не выбраны или не изменены программистом.
+
+![Четырехслойная нейронная сеть](http://cs231n.github.io/assets/nn1/neural_net2.jpeg)
+
+В любом данном слое каждый узел принимает все значения, хранящиеся на предыдущем уровне, в качестве входных данных и делает прогнозы на них на основе анализа логистической регрессии. Сила нейронных сетей заключается в их способности «обнаруживать» модели и черты, невидимые программистами. Как упоминалось ранее, средние слои «скрыты», что означает, что веса, передаваемые переходам, определяются исключительно обучением алгоритма.
+
+Нейронные сети используются по целому ряду задач. К ним относятся компьютерное зрение, распознавание речи, перевод, фильтрация социальной сети, воспроизведение видеоигр и медицинский диагноз между прочим.
+
+### Визуализация
+
+Есть потрясающий инструмент, который поможет вам понять идею нейронных сетей без какой-либо жесткой математики: [TensorFlow Playground](http://playground.tensorflow.org) , веб-приложение, которое позволяет вам играть с реальной нейронной сетью, работающей в вашем браузере, и щелкать кнопками и настраивать параметры, чтобы увидеть, как это работает.
+
+### Проблемы, решаемые с помощью Neural Networks
+
+*   классификация
+*   Кластеризация
+*   регрессия
+*   Обнаружение аномалий
+*   Правила ассоциации
+*   Укрепление обучения
+*   Структурированное прогнозирование
+*   Разработка функций
+*   Изучение функций
+*   Обучение ранжированию
+*   Грамматическая индукция
+*   Прогноз погоды
+*   Создание изображений
+
+### Общие системы нейронных сетей
+
+Самые распространенные нейронные сети, используемые сегодня, относятся к категории [глубокого обучения](https://github.com/freeCodeCamp/guides/blob/master/src/pages/machine-learning/deep-learning/index.md) . Глубокое обучение - это процесс объединения нескольких слоев нейронов, чтобы сеть могла создавать все более абстрактные отображения между входными и выходными векторами. Глубокие нейронные сети чаще всего используют [обратную пропозицию](https://github.com/freeCodeCamp/guides/blob/master/src/pages/machine-learning/backpropagation/index.md) , чтобы сходиться к наиболее точному отображению.
+
+Второй наиболее распространенной формой нейронных сетей является nueroevolution. В этой системе несколько нейронных сетей генерируются случайным образом в качестве исходных догадок. Затем для сближения более точного отображения используются несколько поколений комбинирования точных большинства сетей и случайных перестановок.
+
+### Типы нейронных сетей
+
+*   Рекуррентная нейронная сеть (RNN)
+*   Долгосрочная временная память (LSTM), тип RNN
+*   Сверточная нейронная сеть (CNN)
+
+### Дополнительная информация:
+
+*   [Нейронные сети - Википедия](https://en.wikipedia.org/wiki/Artificial_neural_network#Components_of_an_artificial_neural_network)
+*   [Характер кода Дэниела Шиффмана](http://natureofcode.com/book/chapter-10-neural-networks/)
+*   [Стэнфордский университет, многослойные нейронные сети](http://ufldl.stanford.edu/tutorial/supervised/MultiLayerNeuralNetworks/)
+*   [Канал 3Blue1Brown, Youtube с содержанием нейронной сети](https://youtu.be/aircAruvnKk)
+*   [Siraj Raval, Youtube CHANNEL с содержанием нейронной сети](https://youtu.be/h3l4qz76JhQ)
+*   [Нейроэволюция - Википедия](https://en.wikipedia.org/wiki/Neuroevolution)

guide/russian/machine-learning/neural-networks/multi-layer-perceptron/index.md

@@ -0,0 +1,11 @@
+---
+title: Multi Layer Perceptron
+localeTitle: Многослойный перцептрон
+---
+## Многослойный перцептрон
+
+Это заглушка. [Помогите нашему сообществу расширить его](https://github.com/freecodecamp/guides/tree/master/src/pages/machine-learning/neural-networks/multi-layer-perceptron/index.md) .
+
+[Это руководство по быстрому стилю поможет вам принять ваш запрос на тягу](https://github.com/freecodecamp/guides/blob/master/README.md) .
+
+#### Дополнительная информация:

guide/russian/machine-learning/neural-networks/perceptron/index.md

@@ -0,0 +1,11 @@
+---
+title: Perceptron
+localeTitle: Perceptron
+---
+## Perceptron
+
+Это заглушка. [Помогите нашему сообществу расширить его](https://github.com/freecodecamp/guides/tree/master/src/pages/machine-learning/neural-networks/perceptron/index.md) .
+
+[Это руководство по быстрому стилю поможет вам принять ваш запрос на тягу](https://github.com/freecodecamp/guides/blob/master/README.md) .
+
+#### Дополнительная информация:

guide/russian/machine-learning/neural-networks/recurrent-neural-networks/index.md

@@ -0,0 +1,11 @@
+---
+title: Recurrent Neural Networks
+localeTitle: Рекуррентные нейронные сети
+---
+## Рекуррентные нейронные сети
+
+Это заглушка. [Помогите нашему сообществу расширить его](https://github.com/freecodecamp/guides/tree/master/src/pages/machine-learning/neural-networks/recurrent-neural-networks/index.md) .
+
+[Это руководство по быстрому стилю поможет вам принять ваш запрос на тягу](https://github.com/freecodecamp/guides/blob/master/README.md) .
+
+#### Дополнительная информация: