Mikä on syväoppiminen? Syvällisen oppimisen aloittaminen

Mikä on syväoppiminen?

Tässä blogissa puhun Mikä on Syvä oppiminen joka on nykyään kuuma suosio ja joka on tukenut juurensa moniin teollisuudenaloihin, jotka investoivat esimerkiksi tekoälyn, Big Data: n ja Analyticsin aloille. Esimerkiksi Google käyttää syvää oppimista ääni- ja kuvantunnistamisalgoritmeissaan, kun taas Netflix ja Amazon käyttävät sitä asiakkaidensa käyttäytymisen ymmärtämiseen. Itse asiassa et usko sitä, mutta MIT: n tutkijat yrittävät ennustaa tulevaisuuden syvällisen oppimisen avulla.Kuvittele nyt, kuinka paljon syvällisellä oppimisella on potentiaalia mullistaa maailma ja miten yritykset etsivät sitä .Ennen kuin puhutaan syvällisestä oppimisesta, on ymmärrettävä sen suhde koneoppimiseen ja tekoälyyn. Helpoin tapa ymmärtää tämä suhde on käydä läpi seuraava kaavio:

kuva: Mikä on syvä oppiminen - AI-tekniikoiden aikajana

Tässä kuvassa näkyy, että koneoppiminen on tekoälyn osajoukko. Tämä tarkoittaa sitä, että voimme rakentaa älykkäitä koneita, jotka voivat oppia itse toimitettujen tietojen perusteella. Lisäksi huomaat, että syvällinen oppiminen on koneoppimisen osajoukko, jossa samanlaisia ​​koneoppimisalgoritmeja käytetään syvähermoverkkojen kouluttamiseen, jotta saavutettaisiin parempi tarkkuus niissä tapauksissa, joissa edellinen ei toiminut merkkiin saakka. FoLlowing ovat aiheita, joista aion keskustella tässä syvällisen oppimisen opetusohjelmassa:

• Tekoäly
• Koneoppiminen
• ML: n haitat
• Mikä on syväoppiminen?
• Syväoppimissovellus

Hanki sertifikaatti alan tason projekteista ja seuraa nopeasti urasi

Tekoäly

kuva: Mikä on syvä oppiminen - tekoäly

AI-termin kehitti vuonna 1956 John McCarthy, jota kutsutaan myös tekoälyn isäksi. Tekoälyn taustalla oleva ajatus on melko yksinkertainen mutta kiehtova, eli älykkäiden koneiden valmistaminen, jotka voivat tehdä päätöksiä yksin. Voit ajatella sitä tieteellisenä fantasiana, mutta tekniikan ja laskentatehon viimeaikaisen kehityksen suhteen idea näyttää näyttävän lähestyvän todellisuutta päivittäin.

Koneoppiminen: askel kohti tekoälyä

Nyt kun olet perehtynyt tekoälyyn, puhutaanpa lyhyesti koneoppimisesta ja ymmärretään, mitä se tarkoittaa, kun sanomme, että ohjelmoimme koneita oppimaan. Aloitetaan hyvin tunnetulla koneoppimisen määritelmällä:

'Tietokoneohjelman sanotaan oppivan kokemuksesta E jonkin tehtävän T ja jonkin suorituskykymittauksen P suhteen, jos sen suorituskyky T: llä mitattuna P: llä paranee kokemuksen E kanssa.' - Tom Mitchell, Carnegie Mellonin yliopisto

Joten, jos haluat, että ohjelmasi ennustaa liikennemalleja vilkkaassa risteyksessä (tehtävä T), voit suorittaa sen koneoppimisalgoritmin läpi, joka sisältää tietoja aikaisemmista liikennemalleista (kokemus E). Ennakoinnin (suorituskyvyn mitta P) tarkkuus riippuu siitä, onko ohjelma oppinut onnistuneesti aineistosta vai ei (kokemus E).

Periaatteessa koneoppimista kutsutaan tekoälyn tyypiksi (AI), joka tarjoaa tietokoneille mahdollisuuden oppia ilman erillistä ohjelmointia altistamalla heille valtava määrä tietoa. Koneoppimisen ydinperiaate on oppia tietojoukoista ja yrittää minimoida virheet tai maksimoida todennäköisyys, että niiden ennusteet ovat totta.

mitä eroa on ohittamisella ja ylikuormituksella

Koneoppimisen haitat

• Perinteiset ML-algoritmit eivät ole hyödyllisiä työskenneltäessä suurdimensionaalisen datan kanssa, jolloin meillä on suuri määrä tuloja ja lähtöjä. Esimerkiksi käsinkirjoituksen tunnistuksessa meillä on paljon syötteitä, joissa meillä on erityyppisiä syötteitä, jotka liittyvät erityyppiseen käsinkirjoitukseen.

• Toinen suuri haaste on kertoa tietokoneelle, mitä ominaisuuksia sen pitäisi etsiä, joilla on tärkeä rooli tuloksen ennustamisessa sekä paremman tarkkuuden saavuttamiseksi samalla. Juuri tätä prosessia kutsutaan ominaisuuksien erottaminen .

Raakadatan syöttäminen algoritmiin ei koskaan toimi, ja siksi ominaisuuksien purkaminen on kriittinen osa perinteistä koneoppimisen työnkulkua. Siksi ilman ominaisuuksien purkamista ohjelmoijan haaste kasvaa, koska algoritmin tehokkuus riippuu suuresti siitä, kuinka oivaltava ohjelmoija on. Siksi on erittäin vaikeaa soveltaa näitä koneoppimismalleja tai -algoritmeja monimutkaisiin ongelmiin, kuten esineiden tunnistamiseen, käsinkirjoituksen tunnistamiseen, NLP: hen (luonnollinen kielenkäsittely) jne.

Yhdistä lajittelu c ++ -esimerkki

Syvä oppiminen

Syvä oppiminen on yksi ainoista menetelmistä, joilla voimme voittaa ominaisuuksien poiminnan haasteet. Tämä johtuu siitä, että syvälliset oppimismallit pystyvät oppimaan keskittymään oikeisiin ominaisuuksiin itse, mikä vaatii ohjelmoijalta vain vähän ohjausta. Pohjimmiltaan syvä oppiminen jäljittelee tapaa, jolla aivomme toimivat, eli se oppii kokemuksesta. Kuten tiedätte, aivomme koostuvat miljardeista hermosoluista, joiden avulla voimme tehdä hämmästyttäviä asioita. Jopa vuoden ikäisen lapsen aivot voivat ratkaista monimutkaisia ​​ongelmia, joita on erittäin vaikea ratkaista jopa supertietokoneiden avulla. Esimerkiksi:

• Tunnista myös heidän vanhempiensa kasvot ja erilaiset esineet.
• Erota eri äänet ja voi jopa tunnistaa tietyn henkilön hänen äänensä perusteella.
• Tee johtopäätös muiden ihmisten ja useiden muiden kasvojen eleistä.

Itse asiassa aivomme ovat tietämättään kouluttaneet itsensä tekemään tällaisia ​​asioita vuosien varrella. Nyt tulee kysymys, kuinka syvä oppiminen jäljittelee aivojen toiminnallisuutta? No, syvässä oppimisessa käytetään keinotekoisten hermosolujen käsitettä, joka toimii samalla tavalla kuin aivojemme biologiset hermosolut. Siksi voimme sanoa, että syvä oppiminen on kone oppiminen huolissaan algoritmeista, jotka ovat innoittamana aivojen rakennetta ja toimintaa, joita kutsutaan keinotekoisiksi hermoverkoiksi.

Otetaanpa nyt esimerkki sen ymmärtämiseksi. Oletetaan, että haluamme tehdä järjestelmän, joka tunnistaa kuvassa olevien ihmisten kasvot.Jos ratkaisemme tämän tyypillisenä koneoppimisongelmana, määritämme kasvojen piirteet, kuten silmät, nenä, korvat jne., Ja sitten järjestelmä tunnistaa, mitkä ominaisuudet ovat tärkeämpiä kullekin henkilölle yksin.

Nyt syvällinen oppiminen vie tämän askeleen eteenpäin. Syväoppiminen selvittää automaattisesti ominaisuudet, jotka ovat tärkeitä luokittelulle syvien hermoverkkojen takia, kun taas koneoppimisen tapauksessa nämä ominaisuudet oli määriteltävä manuaalisesti.

kuva: Kasvojentunnistus Deep Networksin avulla

Kuten yllä olevassa kuvassa näkyy, Deep Learning toimii seuraavasti:

• Alimmalla tasolla verkko kiinnittyy paikallisen kontrastin kuvioihin yhtä tärkeinä.
• Seuraava kerros pystyy sitten käyttämään näitä paikallisen kontrastin malleja kiinnittymään silmiin, nenään ja suuhun muistuttaviin asioihin
• Lopuksi ylin kerros pystyy soveltamaan näitä kasvonpiirteitä kasvomalleihin.
• Syvä hermoverkko kykenee säveltämään yhä monimutkaisempia ominaisuuksia jokaisessa peräkkäisessä kerroksessa.

Oletko koskaan miettinyt, kuinka Facebook merkitsee tai merkitsee automaattisesti kaikki lähettämäsi kuvan läsnä olevat henkilöt? No, Facebook käyttää Deep Learningia samalla tavalla kuin edellä olevassa esimerkissä todetaan. Nyt olisit ymmärtänyt syvällisen oppimisen kyvyn ja kuinka se voi ylittää koneoppimisen niissä tapauksissa, joissa meillä on hyvin vähän käsitystä kaikista ominaisuuksista, jotka voivat vaikuttaa tulokseen. Siksi Deep-verkko voi voittaa koneoppimisen haitan vetämällä johtopäätöksiä syötetiedoista koostuvasta tietojoukosta ilman asianmukaista merkintää.

Mikä on syvä oppiminen | Yksinkertaistettu syvällinen oppiminen Edureka

Syvän oppimisen sovellukset

Siirtymällä eteenpäin tässä syvällisessä oppimisblogissa tarkastellaan joitain Deep Learning -sovelluksen tosielämän sovelluksia ymmärtämään sen todelliset voimat.

• Puheentunnistus

Kaikki olette kuulleet Siristä, joka on Applen ääniohjattu älykäs avustaja. Kuten muutkin suuret jättiläiset, Apple on myös alkanut investoida Deep Learningiin, jotta palvelunsa olisivat parempia kuin koskaan.

Puheentunnistuksen ja ääniohjatun älykkään avustajan, kuten Sirin, alueella voidaan kehittää tarkempi akustinen malli käyttämällä syvää hermoverkkoa, ja se on tällä hetkellä yksi aktiivisimmista kentistä syvällisen oppimisen toteuttamiseksi. Yksinkertaisesti sanottuna voit rakentaa sellaisen järjestelmän, joka voi oppia uusia ominaisuuksia tai sopeutua itseesi mukaan ja siten tarjota parempaa apua ennakoimalla kaikki mahdollisuudet etukäteen.

• Automaattinen konekäännös

Me kaikki tiedämme, että Google pystyy kääntämään heti 100 eri ihmiskielen välillä, liian nopeasti kuin taikuudella. Teknologia takana Google kääntäjä kutsutaan Konekäännös ja on pelastanut ihmisiä, jotka eivät voi kommunikoida keskenään puhekielen erojen vuoksi. Ajattelet nyt, että tämä ominaisuus on ollut käytössä jo kauan, joten mitä uutta tässä on? Sallikaa minun kertoa teille, että Google on kahden viime vuoden aikana syvällisen oppimisen avulla täysin uudistanut konekääntötapaa Google-kääntäjässään. Itse asiassa syvällisen oppimisen tutkijat, jotka eivät tiedä melkein mitään kielikäännöksestä, esittävät suhteellisen yksinkertaisia ​​koneoppimisratkaisuja, jotka voittavat maailman parhaat asiantuntijoiden rakentamat kielenkääntöjärjestelmät. Tekstin käännös voidaan suorittaa ilman sekvenssin esikäsittelyä, jolloin algoritmi voi oppia sanojen väliset riippuvuudet ja niiden yhdistämisen uuteen kieleen. Tämän käännöksen suorittamiseen käytetään suurten toistuvien hermoverkkojen pinottuja verkkoja.

• Välitön visuaalinen käännös

Kuten tiedät, syvällistä oppimista käytetään tunnistamaan kuvat, joissa on kirjaimia ja missä kirjaimet ovat paikalla. Tunnistettuaan ne voidaan muuttaa tekstiksi, kääntää ja kuva luoda uudelleen käännetyn tekstin kanssa. Tätä kutsutaan usein välitön visuaalinen käännös .

Kuvittele nyt tilanne, jossa olet käynyt missä tahansa muussa maassa, jonka äidinkieltä et tiedä. Ei tarvitse huolehtia, sillä käyttämällä erilaisia ​​sovelluksia, kuten Google Translate, voit mennä eteenpäin ja suorittaa välittömiä visuaalisia käännöksiä lukeaksesi muulla kielellä kirjoitettuja kylttejä tai myymälätauluja. Tämä on ollut mahdollista vain syvällisen oppimisen ansiosta.

Huomautus: Voit mennä eteenpäin ja ladata Google Translate -sovelluksen ja tarkistaa hämmästyttävän välitön visuaalinen käännös käyttämällä yllä olevaa kuvaa.

• Käyttäytyminen: Automaattiset itse ajavat autot

Google yrittää viedä heidän itsensä ajavien autojen aloitteensa, joka tunnetaan nimellä WAYMO, täysin uudelle tasolle täydellisyyden avulla Deep Learningin avulla. Siksi vanhojen käsikoodattujen algoritmien käyttämisen sijaan he voivat nyt ohjelmoida järjestelmän, joka voi oppia itse käyttämällä eri antureiden toimittamia tietoja. Syvä oppiminen on nyt paras tapa useimpiin havaintotehtäviin sekä moniin matalan tason ohjaustehtäviin. Näin ollen nyt jopa ihmiset, jotka eivät osaa ajaa tai ovat vammaisia, voivat mennä eteenpäin ja ottaa matkan ilman, että kukaan muu on.

salesforce service cloud haastattelukysymykset

Tässä olen maininnut vain muutaman kuuluisan tosielämän käyttötapauksen, joissa Deep Learning -ohjelmaa käytetään laajasti ja jolla on lupaavia tuloksia. On olemassa monia muita syvällisen oppimisen sovelluksia sekä monia aloja, joita ei ole vielä tutkittu.

Joten kyse on syvällisestä oppimisesta pähkinänkuoressa. Olen varma, että olisit jo ymmärtänyt koneoppimisen ja syvällisen oppimisen välisen eron sekä sen, kuinka syväoppiminen voi olla erittäin hyödyllistä erilaisissa tosielämän sovelluksissa. Seuraavassa blogissani tässä syvällisen oppimisen opetusohjelmasarjassa syvenymme syvällisesti erilaisiin Deep Learning -konsepteihin ja algoritmeihin sekä niiden yksityiskohtaiseen soveltamiseen.

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.