Kysyntä on tärkeä koneoppimisen osajoukko on nähnyt valtavan nousun erityisesti niiden joukossa, jotka ovat kiinnostuneita avaamaan tekoälyn rajattomat mahdollisuudet.Syvän oppimisen kasvavan suosion innoittamana ajattelin keksimään sarjan blogeja, jotka kouluttavat sinua tästä uudesta trendistä tekoälyn alalla ja auttavat sinua ymmärtämään, mistä on kyse. Tämä on ensimmäinen monista blogeista sarjassa nimeltä - Syvän oppimisen opetusohjelma .
Syvän oppimisen opetusohjelma
Tässä syvällisen oppimisen opetusblogissa perehdyn sinut seuraaviin asioihin, jotka toimivat tulevien blogien perustekijöinä:
- Mikä antoi syvällisen oppimisen syntyä
- Mikä on syväoppiminen ja miten se toimii?
Voit käydä läpi tämän Deep Learning Tutorial -tallennuksen, jossa ohjaajamme on selittänyt aiheet yksityiskohtaisesti esimerkkien avulla, jotka auttavat sinua ymmärtämään tätä käsitettä paremmin.
Syvän oppimisen opetusohjelma Neuroverkkojen syvällinen oppiminen Edureka
Tekoälyn ja syvällisen oppimisen sovellukset
Ajattele nyt tätä, sen sijaan, että tekisit kaiken työn, sinulla on kone viimeistellä se puolestasi tai se voi tehdä jotain, mitä luulit olevan mahdotonta ollenkaan. Esimerkiksi:
 | Tulevaisuuden ennustaminen: Se voi auttaa meitä ennakoimaan maanjäristykset, tsunamit jne. Etukäteen, jotta voidaan toteuttaa ehkäiseviä toimenpiteitä monien ihmishenkien pelastamiseksi luonnononnettomuuksien kynsiin. |
| Chat-botit: Kaikki olette kuulleet Siristä, joka on Applen ääniohjattu virtuaaliassistentti. Uskokaa minua, Deep Learningin avulla nämä virtuaaliset avustukset ovat älykkäämpiä päivittäin. Itse asiassa Siri voi sopeutua käyttäjän mukaan ja tarjota paremmin henkilökohtaista apua. |
| Itse ajavat autot: Kuvittele, kuinka uskomatonta olisi liikuntarajoitteisille ja vanhuksille, joiden on vaikea ajaa yksin. Tämän lisäksi se säästää miljoonia viattomia ihmishenkiä, jotka tapaavat liikenneonnettomuuksia vuosittain inhimillisten virheiden takia. |
Google AI Eye Doctor: Se on Googlen äskettäinen aloite, jossa he työskentelevät Intian silmähoitoketjun kanssa kehittämään tekoälyohjelmiston, joka voi tutkia verkkokalvon skannauksia ja tunnistaa sokeutta aiheuttavan sairauden, jota kutsutaan diabeettiseksi retinopatiaksi. |
| Tekoälyn säveltäjä: Kuka luuli, että meillä voi olla tekoälyn säveltäjä, joka käyttää Deep Learning -ohjelmaa. Siksi en olisi yllättynyt kuullessani, että seuraavaksi parhaan musiikin antaa kone. |
| Unelmalukukone: Tämä on yksi suosikeistani, kone, joka voi kaapata unelmasi videona tai jotain muuta. Koska tekoälyn ja syvällisen oppimisen sovellukset ovat niin monta epärealistista, mitä olemme tähän mennessä nähneet, en hämmästynyt siitä, että tätä kokeiltiin Japanissa muutama vuosi sitten kolmella koehenkilöllä ja he pystyivät saavuttamaan lähes 60 prosentin tarkkuuden. Se on jotain aivan uskomatonta, mutta totta. |
Olen melko varma, että jotkut näistä tekoälyn ja syvällisen oppimisen tosielämän sovelluksista olisivat antaneet sinulle hanhenmakuusta. Selvä sitten, tämä luo perustan sinulle ja nyt olemme valmiita jatkamaan tätä syvällisen oppimisen opetusohjelmaa ja ymmärtämään, mikä on tekoäly.
Mikä on tekoäly?
Tekoäly ei ole muuta kuin koneen kyky jäljitellä älykästä ihmisen käyttäytymistä. Tekoäly saavutetaan jäljittelemällä ihmisen aivoja, ymmärtämällä, miten se ajattelee, kuinka oppii, päättää ja toimii yrittäessään ratkaista ongelmaa.
c ++ puhelu viitteenä
Esimerkiksi: Kone, joka pelaa shakkia, tai ääniohjattu ohjelmisto, joka auttaa sinua monissa asioissa iPhonessa tai rekisterikilven tunnistusjärjestelmässä, joka sieppaa ylinopeutta ajavan auton rekisterikilven ja käsittelee sen rekisteröintinumeron noutamiseksi ja auton omistajan tunnistamiseksi. . Kaikkia näitä ei ollut kovin helppo toteuttaa ennen Syvä oppiminen . Ymmärretään nyt tekoälyn eri osajoukot.
Keinotekoisen älykkyyden osajoukot
Tähän asti olisit kuullut paljon tekoälystä, koneoppimisesta ja syvällisestä oppimisesta. Tiedätkö kuitenkin kaikkien kolmen suhde? Periaatteessa syvällinen oppiminen on koneoppimisen osa-alue ja koneoppiminen on tekoälyn osa-alue, kuten alla olevassa kuvassa näkyy:
Kun katsomme jotain sellaista AlphaGo , sitä kuvataan usein suureksi menestykseksi syvälliseen oppimiseen, mutta se on itse asiassa yhdistelmä ideoita useilta eri tekoälyn ja koneoppimisen aloilta. Itse asiassa olisit yllättynyt kuullessasi, että syvä neuroverkkojen idea ei ole uusi, vaan juontaa juurensa 1950-luvulle. Sen käytännön toteuttaminen kuitenkin tapahtui nykyään käytettävissä olevan huippuluokan resurssikyvyn takia.
Joten eteenpäin tässä syvällisen oppimisen opetusblogissa, tutkitaan koneoppimista ja sen rajoituksia.
Mikä on koneoppiminen?
Koneoppiminen on tekoälyn osajoukko, joka tarjoaa tietokoneille mahdollisuuden oppia ilman erillistä ohjelmointia. Koneoppimisessa meidän ei tarvitse määritellä kaikkia vaiheita tai ehtoja kuten mitään muuta ohjelmointisovellusta. Päinvastoin, kone koulutetaan koulutustiedostoon, joka on riittävän suuri mallin luomiseen, mikä auttaa konetta tekemään päätöksiä oppimisensa perusteella.
Esimerkiksi: Koneen oppimisen avulla haluamme määrittää kukan lajin terälehden ja seepalin pituuden (kukan lehdet) perusteella. Kuinka sitten teemme sen?
| Annamme koneellemme kukka-tietojoukon, joka sisältää eri kukkien erilaisia ominaisuuksia, samoin kuin niiden lajit, kuten yllä olevasta kuvasta näet. Tämän syöttötietojoukon avulla kone luo ja kouluttaa mallin, jonka avulla kukat voidaan luokitella eri luokkiin. |
| Kun mallimme on koulutettu, välitämme joukon ominaisuuksia mallin syötteenä. |
| Lopuksi mallimme tuottaa uudessa syötetiedostossa esiintyvän kukkalajin. Tätä prosessia, jolla konetta koulutetaan mallin luomiseksi ja sen käyttämiseksi päätöksenteossa, kutsutaan Koneoppiminen . Tällä prosessilla on kuitenkin joitain rajoituksia. |
Koneoppimisen rajoitukset
Koneoppiminen ei kykene käsittelemään suuria ulottuvuuksia, jolloin tulo ja lähtö ovat melko suuria. Tällaisten tietojen käsittelystä ja käsittelystä tulee hyvin monimutkaista ja resurssien tyhjentävää. Tätä kutsutaan Ulottuvuuden kirous . Tarkastelemme tätä yksinkertaisemmin sanoen seuraavaa kuvaa:
| Harkitse 100 jaardin linjaa ja olet pudottanut kolikon jonnekin linjalle. Nyt on melko kätevää löytää kolikko yksinkertaisesti kävelemällä viivaa. Juuri tämä viiva on yksiulotteinen kokonaisuus. |
| Seuraavaksi katsotaan, että sinulla on neliön sivu 100 jaardia, kuten yllä olevassa kuvassa on esitetty, ja taas kerran pudotit kolikon jonnekin väliin. Nyt on aivan selvää, että aiot käyttää enemmän aikaa kolikon löytämiseen tältä neliöltä edelliseen skenaarioon verrattuna. Tämä neliö on 2-ulotteinen kokonaisuus. |
| Otetaan se askel eteenpäin tarkastelemalla kuutio sivua 100 jaardia ja olet pudottanut kolikon jonnekin väliin. Nyt on vielä vaikeampaa löytää kolikko tällä kertaa. Tämä kuutio on kolmiulotteinen kokonaisuus. |
Siksi voit havaita, että monimutkaisuus kasvaa, kun ulottuvuudet kasvavat.Ja tosielämässä puhumallamme suurella dimensiotiedolla on tuhansia ulottuvuuksia, mikä tekee siitä erittäin monimutkaisen käsitellä ja käsitellä. Korkean ulottuvuuden tiedot löytyvät helposti käyttötapauksista, kuten kuvankäsittely, NLP, kuvankääntäminen jne.
Koneoppiminen ei kyennyt ratkaisemaan näitä käyttötapauksia, joten syvällinen oppiminen tuli apuun. Syväoppiminen kykenee käsittelemään korkean ulottuvuuden dataa ja on myös tehokas keskittymään oikeisiin ominaisuuksiin yksin. Tätä prosessia kutsutaan ominaisuuden purkamiseksi. Siirrytään nyt eteenpäin tässä syvällisen oppimisen opetusohjelmassa ja ymmärretään, kuinka syvä oppiminen toimii.
Kuinka syvä oppiminen toimii?
Yrittäessään suunnitella uudelleen ihmisen aivoja, Deep Learning tutkii aivojen perusyksikköä, jota kutsutaan aivosoluksi tai neuroniksi. Neuronista innoittamana kehitettiin keinotekoinen neuroni tai perceptroni. Olkaamme nyt ymmärrettävä biologisten hermosolujen toimivuus ja miten me jäljitämme tätä toimintoa perceptronissa tai keinotekoisessa hermosoluissa:
Jos keskitymme biologisen neuronin rakenteeseen, sillä on dendriittejä, joita käytetään tulojen vastaanottamiseen. Nämä tulot summataan solurungossa ja Axonia käyttäen se siirretään seuraavalle biologiselle neuronille, kuten yllä olevassa kuvassa on esitetty.
Vastaavasti perceptron vastaanottaa useita tuloja, käyttää erilaisia muunnoksia ja toimintoja sekä tuottaa lähdön.
Koska tiedämme, että aivomme koostuu useista yhdistetyistä hermosoluista, joita kutsutaan hermoverkoksi, meillä voi olla myös keinotekoisten hermosolujen verkko, jota kutsutaan perceptroneiksi, muodostamaan syvä hermoverkko. Joten, siirrytään eteenpäin tässä syvällisen oppimisen oppaassa ymmärtämään, miltä Deep-neuroverkko näyttää.
Syvän oppimisen opetusohjelma: Mikä on syvällinen oppiminen?
- Mikä tahansa syvä hermoverkko koostuu kolmesta tyyppisestä kerroksesta:
- Syöttökerros
- Piilotettu kerros
- Tulostustaso
| Edellä olevassa kaaviossa ensimmäinen kerros on tulokerros, joka vastaanottaa kaikki syötteet, ja viimeinen kerros on ulostulokerros, joka tarjoaa halutun ulostulon. |
| Kaikkia näiden kerrosten välisiä kerroksia kutsutaan piilotetuiksi kerroksiksi. Piilotettuja kerroksia voi olla n lukumäärä nykyään käytettävissä olevien huippuluokan resurssien ansiosta. |
| Piilotettujen kerrosten ja perceptronien lukumäärä kussakin kerroksessa riippuu täysin käyttötapauksesta, jota yrität ratkaista. |
Nyt kun sinulla on kuva syvistä hermoverkoista, siirrymme eteenpäin tässä syvällisen oppimisen opetusohjelmassa saadaksemme korkean tason kuvan siitä, miten syvät hermoverkot ratkaisevat kuvan tunnistamisen ongelman.
Syväoppiminen - tapaus
Haluamme suorittaa kuvan tunnistuksen Deep Networksin avulla:
| Tässä välitämme korkean ulottuvuuden tiedot syöttökerrokselle. Tulodatan mittasuhteiden vastaamiseksi tulokerros sisältää useita perceptronien alikerroksia, jotta se voi kuluttaa koko syötteen. |
| Tulokerrokselta vastaanotettu lähtö sisältää kuvioita ja pystyy tunnistamaan kuvien reunat vain kontrastitasojen perusteella. |
| Tämä ulostulo syötetään piilotettuun kerrokseen 1, jossa se pystyy tunnistamaan erilaiset kasvojen piirteet, kuten silmät, nenä, korvat jne. |
| Nyt tämä syötetään piilotettuun kerrokseen 2, jossa se pystyy muodostamaan koko kasvot. Sitten kerroksen 2 ulostulo lähetetään lähtökerrokseen. |
| Lopuksi lähtökerros suorittaa luokituksen edellisestä saadun tuloksen perusteella ja ennustaa nimen. |
Haluan kysyä teiltä kysymyksen, mitä tapahtuu, jos jokin näistä kerroksista puuttuu tai hermoverkko ei ole tarpeeksi syvä? Yksinkertainen, emme pysty tunnistamaan kuvia tarkasti. Juuri tästä syystä näillä käyttötapauksilla ei ollut ratkaisua kaikkia näitä vuosia ennen syvää oppimista. Vain tämän eteenpäin pyrimme käyttämään Deep-verkkoja MNIST-tietojoukossa.
Mnist-tietojoukko koostuu 60 000 koulutusnäytteestä ja 10000 testinäytteestä käsinkirjoitetuista kuvista. Tehtävänä on kouluttaa malli, joka tunnistaa tarkasti kuvassa olevan numeron.
- Tämän käyttötapauksen ratkaisemiseksi luodaan Deep-verkko, jossa on useita piilotettuja kerroksia käsittelemään kaikki 60 000 kuvaa pikseli kerrallaan, ja lopulta saamme tulosteen kerroksen.
- Lähtökerros on indeksien 0 - 9 taulukko, jossa kukin indeksi vastaa vastaavaa numeroa. Hakemisto 0 sisältää todennäköisyyden, että 0 on tulokuvassa oleva numero.
Vastaavasti indeksi 2, jonka arvo on 0,1, edustaa tosiasiallisesti todennäköisyyttä, että 2 on tulokuvassa oleva numero. Joten, jos näemme tässä taulukossa suurimman todennäköisyyden, on 0,8, joka on taulukon indeksissä 7. Siksi kuvassa oleva numero on 7.
Johtopäätös
Joten kaverit, kyse oli syvällisestä oppimisesta pähkinänkuoressa. Tässä syvällisen oppimisen oppaassa näimme syvällisen oppimisen erilaisia sovelluksia ja ymmärsimme sen suhdetta tekoälyyn ja koneoppimiseen. Sitten ymmärsimme, kuinka voimme käyttää perceptronia tai keinotekoisen hermosolujen peruselementtejä syvällisen hermoverkon luomiseen, joka voi suorittaa monimutkaisia tehtäviä. Viimeinkin kävimme läpi yhden syvällisen oppimisen käyttötapauksista, jossa suoritimme kuvan tunnistamisen käyttämällä syviä hermoverkkoja ja ymmärsimme kaikki vaiheet, jotka tapahtuvat kulissien takana. Seuraavassa tämän Deep Learning Tutorial -sarjan seuraavassa blogissa opitaan, miten perceptroni voidaan toteuttaa TensorFlow-ohjelmiston avulla, joka on Python-pohjainen kirjasto syvälle oppimiselle.
löytää suurin joukko java-taulukkoa
Nyt kun tiedät syvällisestä oppimisesta, tutustu Edureka, luotettava verkko-oppimisyritys, jolla on yli 250 000 tyytyväisen oppijan verkosto, joka levisi ympäri maailmaa. Edureka Deep Learning with TensorFlow -sertifiointikoulutuskurssi auttaa oppijoita tulemaan asiantuntijoiksi koulutuksessa ja perus- ja konvoluutio-hermoverkkojen optimoinnissa käyttämällä reaaliaikaisia projekteja ja tehtäviä sekä käsitteitä, kuten SoftMax-toiminto, automaattisen kooderin hermoverkot, rajoitettu Boltzmann Machine (RBM).
Onko sinulla kysymys meille? Mainitse se kommenttiosassa ja palaamme sinuun.