Čo je to Deep Learning?
V tomto blogu budem hovoriť o tom, čo je Hlboké učenie ktorá je v dnešnej dobe horúcou novinkou a pevne zapustila korene v obrovskom množstve priemyselných odvetví, ktoré investujú do oblastí ako umelá inteligencia, veľké dáta a analytika. Napríklad Google využíva hlboké učenie vo svojich algoritmoch rozpoznávania hlasu a obrazu, zatiaľ čo Netflix a Amazon ho využívajú na pochopenie správania svojich zákazníkov. V skutočnosti tomu neuveríte, ale vedci z MIT sa snažia predpovedať budúcnosť pomocou hlbokého učenia.Teraz si predstavte, aký veľký potenciál má hlboké učenie pri revolúcii vo svete a ako budú spoločnosti hľadať .Predtým, ako hovoríme o hlbokom učení, je potrebné pochopiť jeho vzťah so strojovým učením a umelou inteligenciou. Najjednoduchší spôsob, ako pochopiť tento vzťah, je prejsť nižšie uvedeným diagramom:
obr: Čo je to Deep Learning - časová os AI Technologies
Tu na obrázku vidíte, že Machine Learning je podmnožinou AI. To znamená, že môžeme budovať inteligentné stroje, ktoré sa môžu učiť na základe poskytnutej sady údajov samostatne. Ďalej si všimnete, že Deep Learning je podmnožinou strojového učenia, kde sa podobné algoritmy strojového učenia používajú na trénovanie hlbokých neurónových sietí tak, aby sa dosiahla lepšia presnosť v tých prípadoch, keď prvé nedosahovali úroveň. Fonasledujúce témy, ktorým sa budem venovať v tomto výučbe hlbokého učenia:
- Umela inteligencia
- Strojové učenie
- Nevýhody ML
- Čo je to Deep Learning?
- Aplikácia hlbokého učenia
Získajte certifikáciu pomocou projektov na úrovni odvetvia a rýchlo sledujte svoju kariéru
Umela inteligencia
obr: Čo je to Deep Learning - umelá inteligencia
Pojem AI vytvoril v roku 1956 John McCarthy, ktorý je tiež označovaný ako otec umelej inteligencie. Myšlienka umelej inteligencie je pomerne jednoduchá, ale fascinujúca, a to robiť inteligentné stroje, ktoré môžu prijímať rozhodnutia samy. Možno si to myslíte ako vedeckú fantáziu, ale s ohľadom na najnovší vývoj v oblasti technológií a výpočtovej sily sa zdá, že samotná myšlienka sa každým dňom približuje realite.
Strojové učenie: krok k umelej inteligencii
Teraz, keď už AI poznáte, povedzme si krátko o Machine Learning a pochopme, čo to znamená, keď hovoríme, že programujeme stroje, ktoré sa majú učiť. Začnime veľmi slávnou definíciou strojového učenia:
'Počítačový program sa hovorí, že sa učí zo skúsenosti E v súvislosti s niektorými úlohami T a určitými ukazovateľmi výkonu P, ak sa ich výkon na T, meraný P, zlepšuje so skúsenosťami E.' - Tom Mitchell, Carnegie Mellon University
Ak teda chcete, aby váš program predpovedal vzorce prenosu na rušnej križovatke (úloha T), môžete ho spustiť pomocou algoritmu strojového učenia s údajmi o minulých vzorcoch prenosu (skúsenosť E). Teraz bude presnosť predikcie (miera výkonu P) závisieť od skutočnosti, či sa program úspešne naučil zo súboru údajov alebo nie (skúsenosť E).
čo je prechodné v Jave
V zásade sa Machine Learning označuje ako typ umelej inteligencie (AI), ktorá poskytuje počítačom schopnosť učiť sa bez toho, aby boli výslovne naprogramované tak, že ich vystavuje obrovskému množstvu údajov. Základným princípom strojového učenia je učiť sa zo súborov údajov a pokúsiť sa minimalizovať chyby alebo maximalizovať pravdepodobnosť, že ich predpovede budú pravdivé.
Nevýhody strojového učenia
- Tradičné ML algoritmy nie sú užitočné pri práci s vysoko dimenzionálnymi údajmi, to je miesto, kde máme veľké množstvo vstupov a výstupov. Napríklad v prípade rozpoznávania rukopisu máme veľké množstvo vstupov, kde budeme mať iný typ vstupov spojených s rôznym typom rukopisu.
- Druhou veľkou výzvou je povedať počítaču, aké vlastnosti by mal hľadať, ktoré budú hrať dôležitú úlohu pri predpovedaní výsledku a pri dosahovaní lepšej presnosti. Tento proces sa označuje ako Extrakcia funkcií .
Kŕmenie nespracovaných údajov algoritmom funguje zriedka, a to je dôvod, prečo je extrakcia funkcií kritickou súčasťou tradičného pracovného postupu strojového učenia. Bez extrakcie funkcií sa preto výzva pre programátora zvyšuje, pretože účinnosť algoritmu veľmi závisí od toho, aký je programátor bystrý. Preto je veľmi ťažké použiť tieto modely alebo algoritmy strojového učenia na zložité problémy, ako je rozpoznávanie objektov, rozpoznávanie rukopisu, NLP (spracovanie prirodzeného jazyka) atď.
Hlboké učenie
Hlboké učenie je jednou z mála metód, pomocou ktorej môžeme prekonať výzvy spojené s extrakciou funkcií. Je to tak preto, lebo modely hlbokého učenia sú schopné naučiť sa sústrediť sa na správne funkcie samy, čo si vyžaduje len malé vedenie programátora. Hlboké učenie v zásade napodobňuje spôsob fungovania nášho mozgu, to znamená, že sa učí zo skúseností. Ako viete, náš mozog je tvorený miliardami neurónov, ktoré nám umožňujú robiť úžasné veci. Aj mozog ročného dieťaťa dokáže vyriešiť zložité problémy, ktoré je veľmi ťažké vyriešiť aj pomocou superpočítačov. Napríklad:
- Uznávajte tiež tvár svojich rodičov a rôzne predmety.
- Rozlišujte rôzne hlasy a na základe jeho hlasu dokonca rozpoznáte konkrétnu osobu.
- Vyvodzujte závery z gest tváre iných osôb a mnohých ďalších.
Náš mozog sa vlastne v priebehu rokov podvedome vycvičil na také veci. Teraz prichádza otázka, ako hlboké učenie napodobňuje funkčnosť mozgu? Hlboké učenie využíva koncept umelých neurónov, ktorý funguje podobným spôsobom ako biologické neuróny prítomné v našom mozgu. Preto môžeme povedať, že Deep Learning je podpoliskom stroj učenie zaoberá sa algoritmami inšpirovanými štruktúrou a funkciou mozgu nazývanými umelé neurónové siete.
Vezmime si teraz príklad, aby sme to pochopili. Predpokladajme, že chceme vytvoriť systém, ktorý dokáže rozpoznať tváre rôznych ľudí na obrázku.Ak to vyriešime ako typický problém so strojovým učením, definujeme črty tváre, ako sú oči, nos, uši atď., A potom systém určí, ktoré črty sú pre konkrétnu osobu samy osebe dôležitejšie.
Vďaka hlbokému učeniu je teraz tento krok vpred. Hlboké učenie automaticky zistí vlastnosti, ktoré sú dôležité pre klasifikáciu z dôvodu hlbokých neurónových sietí, zatiaľ čo v prípade strojového učenia sme museli tieto vlastnosti definovať manuálne.
obr: Rozpoznávanie tváre pomocou hlbokých sietí
Ako je znázornené na obrázku vyššie, program Deep Learning funguje nasledovne:
- Na najnižšej úrovni je sieť dôležitá ako dôležitá pre vzorce miestneho kontrastu.
- Nasledujúca vrstva je potom schopná použiť tieto vzorce miestneho kontrastu na fixáciu vecí, ktoré sa podobajú očiam, nosom a ústam
- Nakoniec je horná vrstva schopná aplikovať tieto vlastnosti tváre na šablóny tváre.
- Hlboká neurónová sieť je schopná skladať čoraz zložitejšie prvky v každej zo svojich po sebe nasledujúcich vrstiev.
Zamysleli ste sa niekedy nad tým, ako Facebook automaticky označuje alebo označuje všetky osoby prítomné na vami nahranom obrázku? Facebook teda používa Deep Learning podobným spôsobom, ako je uvedené vo vyššie uvedenom príklade. Teraz by ste si uvedomili schopnosť hlbokého učenia a to, ako môže prekonať strojové učenie v tých prípadoch, keď máme veľmi malú predstavu o všetkých funkciách, ktoré môžu ovplyvniť výsledok. Hlboká sieť preto môže prekonať nevýhodu strojového učenia tak, že urobí závery zo sady údajov pozostávajúcej zo vstupných údajov bez náležitého označenia.
Čo je to Deep Learning Zjednodušené hlboké učenie Edureka
Aplikácie hlbokého učenia
Ak sa posunieme vpred v tomto blogu o hlbokom vzdelávaní, pozrime sa na niektoré z aplikácií Deep Learning v reálnom živote, aby sme pochopili jeho skutočné sily.
pl sql návod pre začiatočníkov s príkladmi
Rozpoznávanie reči
Všetci by ste počuli o Siri, ktorá je hlasovým inteligentným asistentom spoločnosti Apple. Rovnako ako ďalší veľkí giganti, aj spoločnosť Apple začala investovať do Deep Learning, aby poskytovala svoje služby lepšie ako kedykoľvek predtým.
V oblasti rozpoznávania reči a hlasom riadeného inteligentného asistenta, ako je Siri, je možné vyvinúť presnejší akustický model pomocou hlbokej neurónovej siete a je v súčasnosti jedným z najaktívnejších polí pre implementáciu hlbokého učenia. Jednoduchými slovami, môžete vytvoriť taký systém, ktorý sa dokáže naučiť nové funkcie alebo sa adaptovať podľa vás, a preto vám poskytne lepšiu pomoc tým, že vopred predpovedá všetky možnosti.
na čo sa používa mongodb
Automatický strojový preklad
Všetci vieme, že Google dokáže okamžite preložiť medzi 100 rôznymi ľudskými jazykmi, a to príliš rýchlo, akoby pomocou mágie. Technológia v pozadí Google Translate sa volá Strojový preklad a bol záchrancom pre ľudí, ktorí medzi sebou nemôžu komunikovať kvôli rozdielom v hovorenom jazyku. Teraz by ste si mysleli, že táto funkcia je tu už dlho, tak čo je v nej nové? Poviem vám, že za posledné dva roky spoločnosť Google pomocou hlbokého učenia úplne zreformovala prístup k strojovému prekladu vo svojom Google Translate. Výskumní pracovníci v oblasti hlbokého učenia, ktorí o prekladoch jazykov takmer nič nevedia, v skutočnosti navrhujú pomerne jednoduché riešenia strojového učenia, ktoré prekonávajú najlepšie systémy na preklad jazykov zostavené odborníkmi na svete. Preklad textu je možné vykonať bez predbežného spracovania sekvencie, čo umožňuje algoritmu naučiť sa závislosti medzi slovami a ich mapovanie do nového jazyka. Na vykonanie tohto prekladu sa používajú zoskupené siete veľkých opakujúcich sa neurónových sietí.
- Okamžitý vizuálny preklad
Ako viete, hlboké učenie sa používa na identifikáciu obrázkov, ktoré majú písmená a kde sa písmená nachádzajú na scéne. Po identifikácii je možné ich zmeniť na text, preložiť a obrázok znovu vytvoriť s preloženým textom. Toto sa často nazýva okamžitý vizuálny preklad .
Teraz si predstavte situáciu, že ste navštívili inú krajinu, ktorej rodný jazyk neviete. Nie je potrebné sa obávať, že pomocou rôznych aplikácií, ako je Google Translate, môžete okamžite vykonať okamžité vizuálne preklady a prečítať nápisy alebo vývesky obchodov napísané v inom jazyku. To bolo možné len vďaka Deep Learning.
Poznámka: Môžete si stiahnuť aplikáciu Prekladač Google a vyskúšať úžasný okamžitý vizuálny preklad pomocou vyššie uvedeného obrázka.
Správanie: Automatizované samohybné vozidlá
Google sa snaží pomocou technológie Deep Learning posunúť iniciatívu ich samoriadiacich automobilov, známu ako WAYMO, na úplne novú úroveň dokonalosti. Preto namiesto toho, aby používali staré ručne kódované algoritmy, môžu teraz programovať systém, ktorý sa dokáže učiť sám pomocou údajov poskytnutých rôznymi senzormi. Hlboké učenie je teraz najlepším prístupom k väčšine úloh vnímania, ako aj k mnohým úlohám kontroly na nízkej úrovni. Preto teraz môžu aj ľudia, ktorí nevedia šoférovať alebo sú zdravotne postihnutí, pokračovať v jazde bez toho, aby boli závislí od kohokoľvek iného.
Tu som spomenul iba niekoľko slávnych prípadov použitia v reálnom živote, keď sa program Deep Learning intenzívne využíva a vykazuje sľubné výsledky. Existuje mnoho ďalších aplikácií hlbokého vzdelávania spolu s mnohými oblasťami, ktoré je ešte potrebné preskúmať.
Toto je teda v skratke všetko o hlbokom učení. Som si istý, že by ste si teraz uvedomili rozdiel medzi strojovým učením a hlbokým učením, ako aj to, ako môže byť hlboké učenie veľmi užitočné pre rôzne aplikácie v reálnom živote. Teraz sa v mojom ďalšom blogu v tejto sérii výučbových programov hlbokého učenia podrobne ponoríme do rôznych konceptov a algoritmov Deep Learning spolu s ich aplikáciou.
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 školenie a optimalizáciu základných a konvolučných neurónových sietí pomocou projektov a úloh v reálnom čase spolu s konceptmi ako SoftMax, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
Máte na nás otázku? Uveďte to prosím v sekcii komentárov a my sa vám ozveme.