Výukový program hlbokého učenia: Umelá inteligencia pomocou hlbokého učenia



Tento blog o výučbe Deep Learning vám pomôže pochopiť všetko, čo sa týka Deep Learning a jeho vzťahu k strojovému učeniu a umelej inteligencii.

Byť dôležitou podmnožinou strojového učenia, dopytu po zaznamenal obrovský nárast, najmä medzi tými, ktorí sa zaujímajú o uvoľnenie neobmedzených možností umelej inteligencie.Inšpirovaný rastúcou popularitou programu Deep Learning, napadlo ma vymyslieť sériu blogov, ktoré vás informujú o tomto novom trende v oblasti umelej inteligencie a pomôžu vám pochopiť, o čo ide. Toto je prvý z mnohých blogov v sérii nazývaných ako - Výukový program pre hlboké vzdelávanie .

Výukový program pre hlboké vzdelávanie

V tomto blogu Deep Learning Tutorial vás prevediem nasledujúcimi vecami, ktoré budú slúžiť ako základy pre nadchádzajúce blogy:





  • Čo umožnilo vzniknúť Deep Learning
  • Čo je Deep Learning a ako funguje?

Môžete prejsť týmto záznamom výučby hlbokého učenia, kde náš inštruktor podrobne vysvetlil témy pomocou príkladov, ktoré vám pomôžu lepšie pochopiť tento koncept.

algoritmus triedenia c ++

Výukový program pre hlboké vzdelávanie Neurónové siete s hlbokým učením Edureka

Aplikácie umelej inteligencie a hlbokého učenia

Popremýšľajte teraz, namiesto toho, aby ste robili celú svoju prácu, máte stroj, ktorý to za vás dokončí, alebo dokáže niečo, o čom ste si mysleli, že nie je vôbec možné. Napríklad:



Predikcia budúcnosti - Výukový program pre hlboké vzdelávanie - Edureka

Predpovedanie budúcnosti: Môže nám pomôcť vopred predpovedať zemetrasenie, tsunami atď., Aby sme mohli prijať preventívne opatrenia na záchranu mnohých životov pred pádom do pazúrov prírodných katastrof.

Chatovací roboti: Všetci by ste počuli o Siri, ktorá je hlasovým virtuálnym asistentom spoločnosti Apple. Verte mi, že s pomocou programu Deep Learning je táto virtuálna pomoc zo dňa na deň inteligentnejšia. Siri sa v skutočnosti dokáže prispôsobiť podľa používateľa a poskytnúť lepšiu personalizovanú pomoc.
Samoriadiace autá: Predstavte si, aké neuveriteľné by to bolo pre telesne postihnutých a starších ľudí, pre ktorých je ťažké viesť motorové vozidlá. Okrem toho to zachráni milióny nevinných životov, ktoré sa každoročne stretnú s dopravnými nehodami v dôsledku ľudskej chyby.

Google AI Eye Doctor: Jedná sa o nedávnu iniciatívu spoločnosti Google, v rámci ktorej v spolupráci s indickým reťazcom starostlivosti o oči vyvinú softvér AI, ktorý dokáže vyšetrovať snímky sietnice a identifikovať stav nazývaný diabetická retinopatia, ktorý môže spôsobiť slepotu.

Hudobný skladateľ AI: Kto si myslel, že pomocou Deep Learning môžeme mať hudobného skladateľa AI. Preto by ma neprekvapilo, keby som počul, že ďalšia najlepšia hudba je vydaná strojom.
Stroj na čítanie snov: Toto je jeden z mojich obľúbených, stroj, ktorý dokáže zachytiť vaše sny v podobe videa alebo niečoho podobného. Pri toľkých nerealistických aplikáciách AI a Deep Learning, ktoré sme doteraz videli, som nebol prekvapený, keď som zistil, že to bolo v Japonsku vyskúšané pred niekoľkými rokmi na troch testovaných osobách a boli schopné dosiahnuť takmer 60% presnosť. To je niečo celkom neuveriteľné, ale pravdivé.


Som si celkom istý, že niektoré z týchto skutočných aplikácií AI a Deep Learning by vám naskočili husiu kožu. Dobre teda, toto vám nastavuje základňu a teraz sme pripravení pokračovať ďalej v tomto výučbe hlbokého učenia a pochopiť, čo je to umelá inteligencia.



Čo je to umelá inteligencia?

Umelá inteligencia nie je nič iné ako schopnosť stroja napodobňovať inteligentné ľudské správanie. AI sa dosahuje napodobňovaním ľudského mozgu, pochopením jeho myslenia, učenia sa, rozhodovania a práce pri riešení problému.

Napríklad: Stroj, ktorý hrá šach, alebo hlasom aktivovaný softvér, ktorý vám pomôže s rôznymi vecami na vašom iPhone, alebo systém rozpoznávania ŠPZ, ktorý zachytí ŠPZ automobilu s nadmernou rýchlosťou a spracuje ho tak, aby získal registračné číslo a identifikoval majiteľa automobilu . To všetko nebolo predtým veľmi ľahké implementovať Hlboké učenie . Poďme si teraz predstaviť rôzne podmnožiny umelej inteligencie.

Podskupiny umelej inteligencie

Doteraz by ste počuli veľa o umelej inteligencii, strojovom učení a hlbokom učení. Poznáte však vzťah všetkých troch? Hlboké učenie je v podstate podoblasť strojového učenia a strojové učenie je podoblasť umelej inteligencie, ako je znázornené na obrázku nižšie:

Keď sa pozrieme na niečo ako AlphaGo , často sa vykresľuje ako veľký úspech hlbokého učenia, ale v skutočnosti ide o kombináciu nápadov z niekoľkých rôznych oblastí umelej inteligencie a strojového učenia. V skutočnosti by vás prekvapilo, že myšlienka hlbokých neurónových sietí nie je nová, ale pochádza z 50. rokov. Bolo však možné ho prakticky implementovať vďaka špičkovým možnostiam zdrojov, ktoré sú dnes k dispozícii.

môj sql návod pre začiatočníkov

Poďme teda v tomto blogu s výučbou hlbokého učenia ďalej preskúmať Machine Learning a jeho obmedzenia.

Čo je to strojové učenie?

Strojové učenie je podmnožinou umelej inteligencie, ktorá poskytuje počítačom schopnosť učiť sa bez výslovného programovania. V strojovom učení nemusíme explicitne definovať všetky kroky alebo podmienky ako každá iná programovacia aplikácia. Naopak, stroj bude trénovaný na množine výcvikových údajov, ktorá je dostatočne veľká na to, aby vytvorila model, ktorý pomáha stroju prijímať rozhodnutia na základe jeho učenia.

Napríklad: Chceme pomocou strojového učenia určiť druh kvetu na základe jeho okvetnej a sepalovej dĺžky (listy kvetu). Ako to potom urobíme?

Kartu dátových súborov s kvetmi, ktoré obsahujú rôzne charakteristiky rôznych kvetov spolu s ich príslušnými druhmi, vložíme do nášho stroja, ako vidíte na obrázku vyššie. Pomocou tejto sady vstupných údajov stroj vytvorí a trénuje model, ktorý možno použiť na klasifikáciu kvetov do rôznych kategórií.
Keď bude náš model vyškolený, odovzdáme množinu charakteristík ako vstup do modelu.
Nakoniec náš model vyprodukuje druh kvetu prítomný v novej množine vstupných údajov. Tento proces trénovania stroja na vytvorenie modelu a jeho použitie pri rozhodovaní sa nazýva Strojové učenie . Tento proces má však určité obmedzenia.

Obmedzenia strojového učenia

Strojové učenie nie je schopné spracovať vysokorozmerné údaje, teda práve tam, kde je vstup a výstup dosť veľký. Spracovanie a spracovanie tohto typu údajov sa stáva veľmi zložitým a vyčerpávajúcim zdrojom. Toto sa nazýva ako Prekliatie dimenzionality . Aby sme to pochopili jednoduchšie, uvažujme o nasledujúcom obrázku:

Zvážte čiaru 100 metrov a niekde na čiare ste odhodili mincu. Teraz je celkom pohodlné nájsť mincu jednoduchou chôdzou po čiare. Táto línia je jednorozmerná entita.
Ďalej zvážte, že máte štvorec po 100 yardoch, ako je to znázornené na obrázku vyššie, a opäť ste medzi sebou odhodili mincu. Teraz je celkom zrejmé, že v porovnaní s predchádzajúcim scenárom budete hľadať mincu na danom štvorci dlhšie. Tento štvorec je dvojrozmerná entita.
Poďme to urobiť o krok vpred, pretože vezmeme do úvahy kocku s veľkosťou 100 yardov a vy ste niekde medzi tým zhodili mincu. Nájsť mince je tentoraz ešte ťažšie. Táto kocka je trojrozmerná entita.

Preto môžete pozorovať, ako sa zložitosť zvyšuje, ako sa zväčšujú rozmery.A v skutočnom živote majú vysoko dimenzionálne údaje, o ktorých sme hovorili, tisíce dimenzií, vďaka čomu je ich spracovanie a spracovanie veľmi zložité. Vysokorozmerné údaje možno ľahko nájsť v prípadoch použitia, ako je spracovanie obrazu, NLP, preklad obrázkov atď.

Strojové učenie nebolo schopné tieto prípady použitia vyriešiť, a preto prišlo na pomoc hlboké učenie. Hlboké učenie je schopné zaobchádzať s vysokodimenzionálnymi údajmi a je tiež účinné pri samostatnom zameraní na správne funkcie. Tento proces sa nazýva extrakcia prvkov. Poďme teraz v tomto Výučbe hlbokého učenia a pochopme, ako hlboké učenie funguje.

Ako funguje hlboké učenie?

Pri pokuse o reštrukturalizáciu ľudského mozgu študuje Deep Learning základnú jednotku mozgu nazývanú mozgová bunka alebo neurón. Inšpirovaný neurónom bol vyvinutý umelý neurón alebo perceptrón. Poďme teda pochopiť funkčnosť biologických neurónov a to, ako napodobňujeme túto funkčnosť v perceptróne alebo umelom neuróne:

  • Ak sa zameriame na štruktúru biologického neurónu, má dendrity, ktoré sa používajú na príjem vstupov. Tieto vstupy sa sčítajú v tele bunky a pomocou Axonu sa prenášajú do ďalšieho biologického neurónu, ako je to znázornené na obrázku vyššie.

  • Podobne perceptrón prijíma viac vstupov, uplatňuje rôzne transformácie a funkcie a poskytuje výstup.

  • Ako vieme, že náš mozog pozostáva z viacerých spojených neurónov nazývaných neurónová sieť, môžeme mať aj sieť umelých neurónov nazývaných perceptróny, ktoré vytvoria hlbokú neurónovú sieť. Poďme teda ďalej v tomto výučbovom programe Deep Learning, aby sme pochopili, ako vyzerá hlboká neurónová sieť.

Výukový program Deep Learning: Čo je to Deep Learning?

  • Akákoľvek hlboká neurónová sieť bude pozostávať z troch typov vrstiev:
    • Vstupná vrstva
    • Skrytá vrstva
    • Výstupná vrstva
Vo vyššie uvedenom diagrame je prvou vrstvou vstupná vrstva, ktorá prijíma všetky vstupy, a posledná vrstva je výstupná vrstva, ktorá poskytuje požadovaný výstup.
Všetky vrstvy medzi týmito vrstvami sa nazývajú skryté vrstvy. Vďaka špičkovým zdrojom, ktoré sú v dnešnej dobe k dispozícii, môže byť n počet skrytých vrstiev.
Počet skrytých vrstiev a počet perceptrónov v každej vrstve bude úplne závisieť od prípadu použitia, ktorý sa snažíte vyriešiť.

Teraz, keď máte predstavu o hlbokých neurónových sieťach, poďme v tomto výučbovom programe hlbokých neurónov napredovať a získajte prehľad o tom, ako hlboké neurónové siete riešia problém rozpoznávania obrázkov.

Prípad použitia Deep Learning

Chceme vykonať rozpoznávanie obrázkov pomocou Deep Networks:

Tu prenášame vysoko dimenzionálne údaje do vstupnej vrstvy. Aby sa zhodovala rozmernosť vstupných údajov, bude vstupná vrstva obsahovať viac podvrstiev perceptrónov, aby mohla spotrebovať celý vstup.
Výstup prijatý zo vstupnej vrstvy bude obsahovať vzory a bude schopný identifikovať iba okraje obrázkov na základe úrovní kontrastu.
Tento výstup sa prenesie do skrytej vrstvy 1, kde bude schopný identifikovať rôzne tvárové prvky, ako sú oči, nos, uši atď.
Teraz sa to zavedie do skrytej vrstvy 2, kde bude schopná formovať celé tváre. Potom sa výstup vrstvy 2 odošle do výstupnej vrstvy.
Nakoniec výstupná vrstva vykoná klasifikáciu na základe výsledku získaného z predchádzajúcej a predikuje názov.

Položím vám otázku, čo sa stane, ak niektorá z týchto vrstiev chýba alebo neurónová sieť nie je dostatočne hlboká? Jednoduché, nebudeme schopní presne identifikovať obrázky. To je ten pravý dôvod, prečo tieto prípady použitia nemali riešenie celé tie roky pred Deep Learning. Aby sme to posunuli ďalej, pokúsime sa aplikovať siete Deep na množinu údajov MNIST.

čo je bufferedreader java
  • Súbor údajov Mnist pozostáva zo 60 000 tréningových vzoriek a 10 000 testovacích vzoriek ručne písaných číslic. Úlohou je vycvičiť model, ktorý dokáže presne identifikovať číslicu prítomnú na obrázku.

  • Na vyriešenie tohto prípadu použitia bude vytvorená sieť Deep s viacerými skrytými vrstvami na spracovanie všetkých 60 000 obrázkov pixel po pixeli a nakoniec dostaneme výstupnú vrstvu.
  • Výstupnou vrstvou bude pole indexov 0 až 9, kde každý index zodpovedá príslušnej číslici. Index 0 obsahuje pravdepodobnosť toho, že 0 bude číslica prítomná na vstupnom obrázku.
  • Podobne index 2, ktorý má hodnotu 0,1, v skutočnosti predstavuje pravdepodobnosť, že 2 bude číslica prítomná na vstupnom obrázku. Pokiaľ teda vidíme, najvyššia pravdepodobnosť v tomto poli je 0,8, ktorá je prítomná v indexe 7 poľa. Preto je na obrázku číslo 7.

Záver

Takže chlapci, toto bolo v skratke všetko o hlbokom učení. V tomto výučbe hlbokého učenia sme videli rôzne aplikácie hlbokého učenia a pochopili sme jeho vzťah s AI a strojovým učením. Potom sme pochopili, ako môžeme použiť perceptrón alebo základné stavebné prvky umelého neurónu na vytvorenie hlbokej neurónovej siete, ktorá môže vykonávať napríklad zložité úlohy. Nakoniec sme prešli jedným z prípadov použitia hlbokého učenia, kde sme pomocou hlbokých neurónových sietí uskutočňovali rozpoznávanie obrazu a porozumeli všetkým krokom, ktoré sa dejú za scénou. Teraz sa v ďalšom blogu tejto série Deep Learning Tutorial dozvieme, ako implementovať perceptron pomocou TensorFlow, čo je knižnica založená na Pythone pre Deep Learning.

Teraz, keď viete o Deep Learning, pozrite sa na autor: Edureka, dôveryhodná online vzdelávacia spoločnosť so sieťou viac ako 250 000 spokojných študentov rozmiestnených po celom svete. Kurz Edureka Deep Learning with TensorFlow Certification Training pomáha študentom stať sa odborníkmi na výcvik a optimalizáciu základných a konvolučných neurónových sietí pomocou projektov a úloh v reálnom čase spolu s konceptmi, ako sú funkcia SoftMax, neurónové siete s automatickým kódovaním, obmedzený Boltzmann Machine (RBM).

Máte na nás otázku? Uveďte to prosím v sekcii komentárov a my sa vám ozveme.