Mi a mély tanulás? A mély tanulás kezdete

Mi a mély tanulás?

Ebben a blogban a Mi van című témáról fogok beszélni Mély tanulás amely manapság forró hír, és szilárdan gyökeret vert az iparágak sokaságában, amelyek olyan területekre fektetnek be, mint a mesterséges intelligencia, a nagy adat és az Analytics. Például a Google mély tanulást alkalmaz hang- és képfelismerési algoritmusaiban, míg a Netflix és az Amazon az ügyfelek viselkedésének megértéséhez. Valójában nem fogja elhinni, de az MIT kutatói a mély tanulás segítségével próbálják megjósolni a jövőt.Most képzelje el, hogy a mély tanulás mekkora lehetõséget rejt magában a világ forradalmasításában, és hogyan keresik a vállalatok a .Mielőtt mély tanulásról beszélnénk, meg kell értenünk a kapcsolatát a gépi tanulással és a mesterséges intelligenciával. A kapcsolat megértésének legegyszerűbb módja az alábbi ábra:

ábra: Mi a mély tanulás - AI Technologies Timeline

Itt, a képen látható, hogy a Machine Learning az AI részhalmaza. Ez magában foglalja azt a tényt, hogy intelligens gépeket tudunk építeni, amelyek önállóan rendelkezésre álló adatok alapján tanulhatnak. Ezenkívül észreveszi, hogy a mély tanulás a gépi tanulás olyan részhalmaza, ahol hasonló gépi tanulási algoritmusokat használnak a mély neurális hálózatok képzésére, hogy jobb pontosságot érjenek el azokban az esetekben, amikor az előbbi nem teljesített a jelig. FoAz alábbiakban bemutatom azokat a témákat, amelyeket ebben a mély tanulási oktatóanyagban fogok megvitatni:

• Mesterséges intelligencia
• Gépi tanulás
• Az ML hátrányai
• Mi a mély tanulás?
• Mély tanulási alkalmazás

Tanúsítson iparági szintű projektekkel és gyorsítsa nyomon karrierjét

Mesterséges intelligencia

ábra: Mi a mély tanulás - mesterséges intelligencia

Az AI kifejezést 1956-ban találta ki John McCarthy, akit a Mesterséges Intelligencia Atyjának is neveznek. Az AI mögött meghúzódó ötlet meglehetősen egyszerű, mégis lenyűgöző, vagyis olyan intelligens gépek létrehozása, amelyek egyedül képesek döntéseket hozni. Lehet, hogy tudományos fantáziának gondolja, de a technika és a számítási teljesítmény legújabb fejleményei tekintetében úgy tűnik, hogy maga az ötlet napról napra közelebb kerül a valósághoz.

Gépi tanulás: lépés a mesterséges intelligencia felé

Most, hogy ismeri az AI-t, beszéljünk röviden a gépi tanulásról, és értsük meg, mit jelent, ha azt mondjuk, hogy gépeket programozunk tanulásra. Kezdjük a gépi tanulás nagyon híres meghatározásával:

'Azt mondják, hogy egy számítógépes program az E tapasztalatból tanul, valamilyen T feladat és néhány P teljesítménymérő tekintetében, ha a T-n mutatott teljesítménye, P-vel mérve, az E tapasztalattal javul.' - Tom Mitchell, a Carnegie Mellon Egyetem

hogyan lehet deklarálni egy java objektumtömböt

Tehát, ha azt szeretné, hogy a program megjósolja a forgalmi mintákat egy forgalmas kereszteződésben (T feladat), akkor futtathatja azt egy gépi tanulási algoritmuson keresztül, amely tartalmazza a korábbi forgalmi minták adatait (E tapasztalat). Most az előrejelzés pontossága (P teljesítménymérő) attól függ, hogy a program sikeresen tanult-e az adatkészletből vagy sem (E tapasztalat).

Alapvetően a gépi tanulást a mesterséges intelligencia (AI) egyik típusának nevezik, amely a számítógépek számára lehetővé teszi a tanulást anélkül, hogy kifejezetten programoznák őket, mivel hatalmas mennyiségű adatnak teszik ki őket. A gépi tanulás alapelve az, hogy tanuljon az adatsorokból, és megpróbálja minimalizálni a hibákat, vagy maximalizálni a jóslatok igaz valószínûségét.

A gépi tanulás hátrányai

• A hagyományos ML algoritmusok nem használhatók nagy dimenziós adatokkal való munka során, ahol sok be- és kimenetünk van. Például kézírás-felismerés esetén nagy mennyiségű bemenetünk van, ahol a különböző típusú kézírásokhoz különböző típusú bemenetek társulnak.

• A második nagy kihívás az, hogy elmondja a számítógépnek, hogy melyek azok a tulajdonságok, amelyekre keresnie kell, és amelyek fontos szerepet játszanak az eredmény előrejelzésében, valamint hogy ezáltal jobb pontosságot érjen el. Ezt a folyamatot nevezik funkciókivonás .

A nyers adatoknak az algoritmusba történő betáplálása ritkán működik, és ez az oka annak, hogy a funkciókivonás kritikus része a hagyományos gépi tanulási munkafolyamatnak. Ezért a funkciók kibontása nélkül a programozó kihívása növekszik, mivel az algoritmus hatékonysága nagyban függ attól, hogy a programozó mennyire éleslátó. Ezért nagyon nehéz ezeket a gépi tanulási modelleket vagy algoritmusokat olyan összetett problémákra alkalmazni, mint az objektumfelismerés, a kézírás-felismerés, az NLP (természetes nyelv feldolgozása) stb.

Mély tanulás

A mély tanulás az egyetlen módszer, amellyel leküzdhetjük a funkciók kitermelésének kihívásait. A mély tanulási modellek ugyanis képesek megtanulni önmagukban a megfelelő jellemzőkre összpontosítani, és kevés útmutatást igényelnek a programozótól. Alapvetően a mély tanulás utánozza az agyunk működését, vagyis tapasztalatból tanul. Mint tudják, agyunk neuronok milliárdjaiból áll, amelyek lehetővé teszik számunkra, hogy elképesztő dolgokat hajtsunk végre. Még egy éves gyerek agya is képes megoldani összetett problémákat, amelyeket nagyon nehéz megoldani még szuper számítógépek használatával is. Például:

• Ismerje fel szüleik arcát és a különböző tárgyakat is.
• Különböző hangokat különböztessen meg, és a hangja alapján akár egy adott személyt is felismerhet.
• Vezessen le következtetéseket más emberek és még sok más arcmozdulataival.

Valójában agyunk az évek során tudattalanul képezte ki magát ilyen dolgokra. Most jön a kérdés, mennyire mély tanulás utánozza az agy funkcionalitását? Nos, a mély tanulás a mesterséges neuronok fogalmát használja, amelyek hasonló módon működnek, mint az agyunkban jelen lévő biológiai idegsejtek. Ezért azt mondhatjuk, hogy a mély tanulás a gép tanulás mesterséges idegi hálózatoknak nevezett algoritmusok foglalkoznak az agy felépítésével és működésével.

Vegyünk egy példát, hogy megértsük. Tegyük fel, hogy olyan rendszert akarunk létrehozni, amely képes felismerni a képen különböző emberek arcát.Ha ezt tipikus gépi tanulási problémaként oldjuk meg, akkor meghatározzuk az arcvonásokat, mint a szem, az orr, a fül stb., Majd a rendszer azonosítani fogja, melyik jellemzők melyik ember számára fontosabbak önmagában.

A mély tanulás ezt egy lépéssel előrébb viszi. A mély tanulás automatikusan megismeri azokat a tulajdonságokat, amelyek a mély neurális hálózatok miatt fontosak az osztályozáshoz, míg a Gépi tanulás esetében ezeket a jellemzőket manuálisan kellett definiálnunk.

ábra: Arcfelismerés a Deep Networks segítségével

fibonacci sorozat c ++ -ban

Amint az a fenti képen látható, a Deep Learning a következőképpen működik:

• A legalacsonyabb szinten a hálózat rögzíti a helyi kontraszt mintáit, mint fontos.
• A következő réteg képes ezeket a helyi kontrasztmintákat felhasználni a szemre, az orrra és a szájra hasonlító dolgok rögzítésére
• Végül a legfelső réteg képes alkalmazni ezeket az arcvonásokat az arc sablonokra.
• A mély neurális hálózat egyre összetettebb tulajdonságokat képes felépíteni az egymást követő rétegekben.

Gondolkodott már azon, hogy a Facebook hogyan címkézi vagy címkézi meg az Ön által feltöltött képen jelen lévő személyeket? Nos, a Facebook a Deep Learning-et hasonló módon használja, mint azt a fenti példa megfogalmazta. Most már rájött volna a mély tanulás képességére és arra, hogy hogyan képes felülmúlni a gépi tanulást azokban az esetekben, amikor nagyon kevés fogalmunk van az összes olyan tulajdonságról, amely befolyásolhatja az eredményt. Ezért a Deep network leküzdheti a gépi tanulás hátrányát azáltal, hogy megfelelő címkézés nélkül következtetéseket von le a bemeneti adatokból álló adatkészletből.

Mi a mély tanulás | Egyszerűsített mély tanulás Edureka

A mély tanulás alkalmazásai

Ebben a mély tanulási blogban haladva nézzük át a Deep Learning néhány valós alkalmazását, hogy megértsük annak valódi erejét.

• Beszédfelismerés

Mindannyian hallottak volna a Siriről, amely az Apple hangvezérelt intelligens asszisztense. A többi nagy óriáshoz hasonlóan az Apple is elkezdett befektetni a Deep Learning-be, hogy szolgáltatásait minden eddiginél jobbá tegye.

A beszédfelismerés és a hangvezérelt intelligens asszisztens, például a Siri területén egy pontosabb akusztikai modellt lehet kifejleszteni egy mély neurális hálózat segítségével, és jelenleg ez az egyik legaktívabb területe a mély tanulás megvalósításának. Egyszerű szavakkal létrehozhat egy olyan rendszert, amely képes új funkciók elsajátítására, vagy az Ön igényeinek megfelelő adaptációra, és ennélfogva jobb segítséget nyújt az összes lehetőség előrejelzésével.

• Automatikus gépi fordítás

Mindannyian tudjuk, hogy a Google azonnal képes lefordítani 100 különböző emberi nyelvet, túl gyorsan, mintha varázslatra képes lenne. A mögöttes technológia Google Fordító nak, nek hívják Gépi fordítás és megmentője volt azoknak az embereknek, akik a beszélő nyelv különbsége miatt nem tudnak kommunikálni egymással. Most arra gondolna, hogy ez a funkció már régóta létezik, tehát mi új ebben? Hadd mondjam el, hogy az elmúlt két évben a Google a mély tanulás segítségével a Google Fordítójában teljesen átalakította a gépi fordítás megközelítését. Valójában a nyelvtanításról szinte semmit sem tudó mélyen tanuló kutatók viszonylag egyszerű gépi tanulási megoldásokat terjesztenek elő, amelyek a világ legjobb, szakértők által felépített nyelvfordító rendszereit verik felül. A szövegfordítás elvégezhető a szekvencia előzetes feldolgozása nélkül, lehetővé téve az algoritmus számára, hogy megtanulja a szavak és az új nyelvhez való hozzárendelés közötti függőségeket. A fordítás elvégzéséhez nagy visszatérő neurális hálózatok halmozott hálózatait használják.

• Azonnali vizuális fordítás

Mint tudják, a mély tanulást arra használják, hogy azonosítsák azokat a képeket, amelyek betűvel rendelkeznek, és hol vannak a betűk a helyszínen. Azonosítás után szöveggé alakíthatók, lefordíthatók, és a kép újra elkészül a lefordított szöveggel. Ezt gyakran hívják azonnali vizuális fordítás .

hogyan kell használni a bitenkénti operátorokat a java-ban

Képzeljen el egy olyan helyzetet, amikor meglátogatott bármely más országot, amelynek anyanyelve nem ismeretes Önnek. Nos, nem kell aggódni, a különféle alkalmazások, például a Google Fordító segítségével haladhat, és azonnali vizuális fordításokat hajthat végre, hogy elolvassa a másik nyelven írt táblákat vagy üzletfórumokat. Ez csak a mély tanulás miatt volt lehetséges.

Jegyzet: Folytathatja a Google Fordító alkalmazás letöltését, és megnézheti a csodálatos azonnali vizuális fordítást a fenti kép használatával.

• Viselkedés: Automatizált önvezérelt autók

A Google a Deep Learning segítségével egy teljesen új szintre próbálja vinni a WAYMO néven ismert önvezető autóval kapcsolatos kezdeményezésüket. Ezért ahelyett, hogy régi, kézzel kódolt algoritmusokat használnának, most már olyan rendszert programozhatnak, amely önmagában is tanulhat a különböző érzékelők által szolgáltatott adatok felhasználásával. A mély tanulás ma már a legtöbb észlelési feladat, valamint számos alacsony szintű ellenőrzési feladat legjobb megközelítése. Ezért ma már azok is tudnak menni, akik nem tudnak vezetni, vagy fogyatékkal élnek, és bárki mástól függetlenül indulhatnak.

Itt csak néhány híres, valós életben használt esetet említettem, amikor a Deep Learning-et széles körben használják és ígéretes eredményeket mutatnak. A mély tanulásnak számos más alkalmazási területe van, számos terület mellett, amelyeket még fel kell tárni.

Szóval, ez a mély tanulásról szól dióhéjban. Biztos vagyok benne, hogy mostanra felismerte a különbséget a gépi tanulás és a mély tanulás között, valamint azt, hogy a mély tanulás hogyan lehet nagyon hasznos a valós élet különböző alkalmazásaihoz. Most, a következő blogomban, ebben a mély tanulási oktatósorozatban, mélyrehatóan elmélyülünk a Deep Learning különféle fogalmakban és algoritmusokban, valamint azok alkalmazásában.

Most, hogy tud a mély tanulásról, nézze meg a az Edureka, egy megbízható online tanulási vállalat, amelynek több mint 250 000 elégedett tanulóval rendelkező hálózata elterjedt az egész világon. Az Edureka mély tanulás a TensorFlow tanúsítással tanfolyam segít a tanulóknak abban, hogy szakértőkké váljanak az alap- és konvolúciós neurális hálózatok képzésében és optimalizálásában valós idejű projektek és feladatok felhasználásával, olyan koncepciókkal együtt, mint a SoftMax funkció, az Auto-encoder Neural Networks, a Restricted Boltzmann Machine (RBM).

Van egy kérdésünk? Kérjük, említse meg a megjegyzések részben, és mi kapcsolatba lépünk Önnel.