Deep learning использовался для решения сложных задач, где традиционные ML-методы не справлялись. Например: - **Компьютерное зрение**: классификация изображений, обнаружение объектов (YOLO, Faster R-CNN), сегментация (U-Net). - **Обработка естественного языка (NLP)**: генерация текста (GPT), классификация тональности (BERT). - **Временные ряды**: прогнозирование (LSTM, Transformers). **Пример с кодом (Keras):** ``` from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, LSTM model = Sequential([ LSTM(64, input_shape=(100, 10)), # временные ряды Dense(1, activation='sigmoid') # бинарная классификация ]) model.compile(optimizer='adam', loss='binary_crossentropy') model.fit(X_train, y_train, epochs=10) ``` **Нюансы:** - Требует больших данных и вычислительных ресурсов. - Интерпретируемость сложнее, чем у линейных моделей. - Гиперпараметры (слои, нейроны, learning rate) критичны.