Co to jest uczenie głębokie?
Na tym blogu będę mówił o tym, co jest Głęboka nauka która jest obecnie popularna i mocno zakorzeniła się w wielu branżach, które inwestują w takie dziedziny, jak sztuczna inteligencja, duże zbiory danych i analityka. Na przykład Google wykorzystuje głębokie uczenie się w swoich algorytmach rozpoznawania głosu i obrazu, podczas gdy Netflix i Amazon używają go do zrozumienia zachowania swoich klientów. W rzeczywistości nie uwierzysz, ale naukowcy z MIT próbują przewidzieć przyszłość za pomocą głębokiego uczenia.Teraz wyobraź sobie, jak duży potencjał ma głębokie uczenie się w zrewolucjonizowaniu świata i jak firmy będą szukać .Zanim zaczniemy mówić o uczeniu głębokim, należy zrozumieć jego związek z uczeniem maszynowym i sztuczną inteligencją. Najłatwiej zrozumieć tę zależność, przeglądając poniższy diagram:
przykład programu rejestrującego dziennik java util
Figa: Co to jest uczenie głębokie - oś czasu technologii AI
Tutaj na obrazku widać, że uczenie maszynowe jest podzbiorem sztucznej inteligencji. Oznacza to, że możemy budować inteligentne maszyny, które same mogą się uczyć na podstawie dostarczonego zestawu danych. Ponadto zauważysz, że Deep Learning jest podzbiorem uczenia maszynowego, w którym podobne algorytmy uczenia maszynowego są używane do trenowania głębokich sieci neuronowych, aby osiągnąć lepszą dokładność w tych przypadkach, w których poprzednia nie działała do końca. FoPoniżej znajdują się tematy, które zamierzam omówić w tym samouczku głębokiego uczenia się:
- Sztuczna inteligencja
- Nauczanie maszynowe
- Wady ML
- Co to jest uczenie głębokie?
- Aplikacja do głębokiego uczenia
Uzyskaj certyfikat z projektami branżowymi i przyspiesz swoją karierę
Sztuczna inteligencja
Figa: Co to jest uczenie głębokie - sztuczna inteligencja
Termin AI został ukuty w 1956 roku przez Johna McCarthy'ego, który jest również nazywany ojcem sztucznej inteligencji. Idea sztucznej inteligencji jest dość prosta, ale fascynująca, a mianowicie tworzenie inteligentnych maszyn, które mogą samodzielnie podejmować decyzje. Możesz myśleć, że to fantazja naukowa, ale biorąc pod uwagę najnowsze osiągnięcia technologii i mocy obliczeniowej, sam pomysł wydaje się zbliżać do rzeczywistości z dnia na dzień.
Uczenie maszynowe: krok w kierunku sztucznej inteligencji
Teraz, kiedy znasz sztuczną inteligencję, porozmawiajmy krótko o uczeniu maszynowym i zrozummy, co to znaczy, gdy mówimy, że programujemy maszyny do nauki. Zacznijmy od bardzo znanej definicji uczenia maszynowego:
„Mówi się, że program komputerowy uczy się z doświadczenia E w odniesieniu do pewnego zadania T i pewnej miary wydajności P, jeśli jego wydajność na T, mierzona przez P, poprawia się wraz z doświadczeniem E.” - Tom Mitchell, Carnegie Mellon University
Jeśli więc chcesz, aby Twój program przewidywał wzorce ruchu na ruchliwym skrzyżowaniu (zadanie T), możesz uruchomić go za pomocą algorytmu uczenia maszynowego z danymi o wzorcach ruchu w przeszłości (doświadczenie E). Teraz dokładność prognozy (miara wydajności P) będzie zależeć od tego, czy program pomyślnie nauczył się ze zbioru danych, czy nie (doświadczenie E).
Zasadniczo uczenie maszynowe jest określane jako rodzaj sztucznej inteligencji (AI), która zapewnia komputerom zdolność uczenia się bez jawnego programowania, wystawiając je na działanie ogromnej ilości danych. Podstawową zasadą uczenia maszynowego jest uczenie się na podstawie zestawów danych i próba zminimalizowania błędów lub zmaksymalizowania prawdopodobieństwa, że ich przewidywania są prawdziwe.
Wady uczenia maszynowego
- Tradycyjne algorytmy ML nie są przydatne podczas pracy z danymi o dużych wymiarach, czyli tam, gdzie mamy dużą liczbę wejść i wyjść. Na przykład w przypadku rozpoznawania pisma ręcznego mamy dużą ilość danych wejściowych, w których będziemy mieć różne typy danych wejściowych związane z różnymi typami pisma ręcznego.
- Drugim głównym wyzwaniem jest wskazanie komputerowi, jakich funkcji powinien szukać, a które będą odgrywać ważną rolę w przewidywaniu wyniku, a także w osiągnięciu lepszej dokładności. Ten sam proces nazywa się ekstrakcja cech .
Dostarczanie surowych danych do algorytmu rzadko kiedy działa i jest to powód, dla którego wyodrębnianie funkcji jest krytyczną częścią tradycyjnego przepływu pracy uczenia maszynowego. Dlatego bez ekstrakcji cech wyzwanie dla programisty rośnie, ponieważ skuteczność algorytmu w dużej mierze zależy od tego, jak wnikliwy jest programista. Dlatego bardzo trudno jest zastosować te modele uczenia maszynowego lub algorytmy do złożonych problemów, takich jak rozpoznawanie obiektów, rozpoznawanie pisma ręcznego, NLP (przetwarzanie języka naturalnego) itp.
Głęboka nauka
Głębokie uczenie jest jedną z niewielu metod, dzięki której możemy pokonać wyzwania związane z ekstrakcją cech. Dzieje się tak, ponieważ modele uczenia głębokiego są w stanie samodzielnie skupić się na właściwych funkcjach, co wymaga niewielkiej pomocy od programisty. Zasadniczo, głębokie uczenie się naśladuje sposób funkcjonowania naszego mózgu, tj. Uczy się na podstawie doświadczenia. Jak wiesz, nasz mózg składa się z miliardów neuronów, które pozwalają nam robić niesamowite rzeczy. Nawet mózg jednorocznego dziecka może rozwiązać złożone problemy, które są bardzo trudne do rozwiązania nawet przy użyciu superkomputerów. Na przykład:
- Rozpoznaj twarz ich rodziców i różne przedmioty.
- Rozróżnia różne głosy, a nawet potrafi rozpoznać konkretną osobę na podstawie jej głosu.
- Wyciągnij wnioski z gestów twarzy innych osób i wielu innych.
W rzeczywistości nasz mózg przez lata podświadomie ćwiczył się do robienia takich rzeczy. Teraz pojawia się pytanie, jak głębokie uczenie się naśladuje funkcjonalność mózgu? Cóż, uczenie głębokie wykorzystuje koncepcję sztucznych neuronów, które działają w podobny sposób, jak neurony biologiczne obecne w naszym mózgu. Dlatego możemy powiedzieć, że Deep Learning jest poddziedziną maszyna uczenie się zajmuje się algorytmami inspirowanymi strukturą i funkcją mózgu zwanymi sztucznymi sieciami neuronowymi.
A teraz weźmy przykład, aby to zrozumieć. Załóżmy, że chcemy stworzyć system, który rozpoznaje twarze różnych osób na obrazie.Jeśli rozwiążemy to jako typowy problem uczenia maszynowego, zdefiniujemy cechy twarzy, takie jak oczy, nos, uszy itp., A następnie system samodzielnie zidentyfikuje, które cechy są ważniejsze dla danej osoby.
Teraz uczenie głębokie idzie o krok do przodu. Deep learning automatycznie wyszukuje cechy, które są ważne dla klasyfikacji ze względu na głębokie sieci neuronowe, podczas gdy w przypadku uczenia maszynowego musieliśmy ręcznie zdefiniować te cechy.
Figa: Rozpoznawanie twarzy za pomocą Deep Networks
Jak pokazano na powyższym obrazku, Deep Learning działa w następujący sposób:
implementuj kolejkę priorytetową c ++
- Na najniższym poziomie sieć skupia się na wzorach lokalnego kontrastu jako ważnych.
- Następna warstwa jest następnie w stanie wykorzystać te wzory lokalnego kontrastu do skupienia się na rzeczach przypominających oczy, nosy i usta
- Wreszcie, górna warstwa jest w stanie zastosować te rysy twarzy do szablonów twarzy.
- Głęboka sieć neuronowa jest w stanie komponować coraz bardziej złożone cechy w każdej z jej kolejnych warstw.
Czy zastanawiałeś się kiedyś, jak Facebook automatycznie oznacza lub oznacza wszystkie osoby obecne na przesłanym przez Ciebie obrazie? Cóż, Facebook używa Deep Learning w podobny sposób, jak podano w powyższym przykładzie. Teraz zdałeś sobie sprawę z możliwości Deep Learning i tego, jak może on przewyższać uczenie maszynowe w przypadkach, w których nie mamy pojęcia o wszystkich funkcjach, które mogą wpływać na wynik. Dlatego Deep Network może przezwyciężyć wady uczenia maszynowego, wyciągając wnioski ze zbioru danych składającego się z danych wejściowych bez odpowiedniego etykietowania.
Co to jest uczenie głębokie | Uproszczone uczenie głębokie | Edureka
Zastosowania uczenia głębokiego
Idąc dalej w tym blogu o głębokim uczeniu się, przyjrzyjmy się niektórym z rzeczywistych zastosowań Deep Learning, aby zrozumieć jego prawdziwe moce.
Rozpoznawanie mowy
Wszyscy z was słyszeliby o Siri, inteligentnym asystencie Apple sterowanym głosem. Podobnie jak inni wielcy giganci, Apple również zaczął inwestować w Deep Learning, aby jego usługi były lepsze niż kiedykolwiek.
W obszarze rozpoznawania mowy i inteligentnego asystenta sterowanego głosem, takiego jak Siri, można opracować dokładniejszy model akustyczny przy użyciu głębokiej sieci neuronowej i jest obecnie jednym z najbardziej aktywnych obszarów wdrażania głębokiego uczenia. W prostych słowach możesz zbudować taki system, który będzie w stanie uczyć się nowych funkcji lub dostosowywać się do Ciebie, a tym samym zapewni lepszą pomoc, przewidując z wyprzedzeniem wszystkie możliwości.
Automatyczne tłumaczenie maszynowe
Wszyscy wiemy, że Google może natychmiast przetłumaczyć między 100 różnymi ludzkimi językami, to zbyt szybko, jak za pomocą magii. Technologia stojąca za tłumacz Google nazywa się Tłumaczenie maszynowe i był zbawieniem dla ludzi, którzy nie mogą się ze sobą komunikować z powodu różnicy w języku mówienia. Teraz można by pomyśleć, że ta funkcja istnieje od dawna, więc co nowego w tym? Pozwólcie, że powiem wam, że w ciągu ostatnich dwóch lat, z pomocą głębokiego uczenia się, Google całkowicie zreformował podejście do tłumaczenia maszynowego w swoim Tłumaczu Google. W rzeczywistości badacze zajmujący się głębokim uczeniem się, którzy prawie nic nie wiedzą o tłumaczeniu języków, proponują stosunkowo proste rozwiązania w zakresie uczenia maszynowego, które pokonują najlepsze na świecie systemy tłumaczenia językowego zbudowane przez ekspertów. Tłumaczenie tekstu można wykonać bez żadnego wstępnego przetwarzania sekwencji, co pozwala algorytmowi na poznanie zależności między słowami i ich odwzorowania na nowy język. Do wykonania tego tłumaczenia używane są skumulowane sieci dużych powtarzających się sieci neuronowych.
- Natychmiastowe tłumaczenie wizualne
Jak wiesz, głębokie uczenie się służy do identyfikowania obrazów, które mają litery i gdzie litery znajdują się na scenie. Po zidentyfikowaniu można je przekształcić w tekst, przetłumaczyć i odtworzyć obraz z przetłumaczonym tekstem. To się często nazywa natychmiastowe tłumaczenie wizualne .
Teraz wyobraź sobie sytuację, w której odwiedziłeś inny kraj, którego język ojczysty nie jest Ci znany. Cóż, nie musisz się martwić, korzystając z różnych aplikacji, takich jak Tłumacz Google, możesz wykonywać natychmiastowe tłumaczenia wizualne, aby czytać znaki lub tablice sklepowe napisane w innym języku. Było to możliwe tylko dzięki Deep Learning.
Uwaga: Możesz śmiało pobrać aplikację Tłumacz Google i sprawdzić niesamowite natychmiastowe tłumaczenie wizualne za pomocą powyższego obrazu.
Zachowanie: Zautomatyzowane samochody z własnym napędem
Google stara się przenieść swoją inicjatywę dotyczącą samojezdnych samochodów, znaną jako WAYMO, na zupełnie nowy poziom doskonałości za pomocą Deep Learning. Dlatego zamiast korzystać ze starych, ręcznie kodowanych algorytmów, mogą teraz programować system, który może się uczyć samodzielnie, korzystając z danych dostarczanych przez różne czujniki. Głębokie uczenie jest obecnie najlepszym podejściem do większości zadań związanych z percepcją, a także do wielu niskopoziomowych zadań kontrolnych. Dlatego teraz nawet osoby, które nie potrafią prowadzić samochodu lub są niepełnosprawne, mogą jechać przed siebie bez polegania na nikim innym.
Tutaj wspomniałem tylko o kilku znanych rzeczywistych przypadkach użycia, w których Deep Learning jest szeroko stosowany i daje obiecujące wyniki. Istnieje wiele innych zastosowań uczenia głębokiego, a także wiele dziedzin, które nie zostały jeszcze zbadane.
Tak więc w skrócie chodzi o głębokie uczenie się. Jestem pewien, że do tej pory zdaliście sobie sprawę z różnicy między uczeniem maszynowym a uczeniem głębokim, a także z tym, jak głębokie uczenie się może być bardzo przydatne w różnych rzeczywistych zastosowaniach. Teraz na moim kolejnym blogu z tej serii samouczków dotyczących głębokiego uczenia się szczegółowo omówimy różne koncepcje i algorytmy uczenia głębokiego oraz ich zastosowanie.
Teraz, gdy wiesz już o uczeniu głębokim, zapoznaj się z autorstwa Edureka, zaufanej firmy zajmującej się edukacją online, z siecią ponad 250 000 zadowolonych uczniów rozsianych po całym świecie. Szkolenie Edureka Deep Learning with TensorFlow Certification Training pomaga uczniom stać się ekspertami w szkoleniu i optymalizacji podstawowych i konwolucyjnych sieci neuronowych przy użyciu projektów i zadań w czasie rzeczywistym, wraz z takimi koncepcjami, jak funkcja SoftMax, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
jak używać skanera w java
Masz do nas pytanie? Wspomnij o tym w sekcji komentarzy, a my skontaktujemy się z Tobą.