Kā pieprasījums pēc mašīnmācīšanās ir svarīgs apakškopa ir piedzīvojis milzīgu pieaugumu, īpaši to vidū, kuri ir ieinteresēti izmantot neierobežotās AI iespējas.Iedvesmojoties no dziļās mācīšanās pieaugošās popularitātes, es izdomāju nākt klajā ar emuāru sēriju, kas jūs izglītos par šo jauno tendenci mākslīgā intelekta jomā un palīdzēs saprast, kas tas viss ir. Šis ir pirmais no daudzajiem emuāriem sērijā ar nosaukumu - Padziļinātas apmācības apmācība .
kas ir mvc java
Dziļo mācību apmācība
Šajā padziļinātas mācīšanās apmācības emuārā es iepazīstināšu jūs ar šādām lietām, kas kalpos par pamatu gaidāmajiem emuāriem:
- Kas ļāva dziļi mācīties
- Kas ir dziļa mācīšanās un kā tā darbojas?
Jūs varat iziet šo Deep Learning Tutorial ierakstu, kur mūsu instruktors ir detalizēti izskaidrojis tēmas ar piemēriem, kas palīdzēs jums labāk izprast šo jēdzienu.
Padziļinātas apmācības apmācība Neironu tīklu padziļināta apguve Edureka
Mākslīgā intelekta un dziļas mācīšanās pielietojums
Tagad padomājiet par to, tā vietā, lai veiktu visu savu darbu, jums ir mašīna, kas jums to pabeigtu, vai arī tā var darīt kaut ko tādu, kas, jūsuprāt, nemaz nav bijis iespējams. Piemēram:
 | Paredzot nākotni: Tas var mums palīdzēt iepriekš paredzēt zemestrīces, cunami utt., Lai varētu veikt preventīvus pasākumus, lai izglābtu daudzas dzīvības no nokļūšanas dabas katastrofu skavās. |
| Tērzēšanas roboti: Jūs visi būtu dzirdējuši par Siri, kas ir Apple balss kontrolēts virtuālais palīgs. Ticiet man, ar Deep Learning palīdzību šī virtuālā palīdzība katru dienu kļūst arvien viedāka. Faktiski Siri var pats pielāgoties atbilstoši lietotājam un sniegt labāk personalizētu palīdzību. |
| Pašpiedziņas automašīnas: Iedomājieties, cik neticami tas būtu fiziski invalīdiem un vecāka gadagājuma cilvēkiem, kuriem ir grūti braukt pašiem. Turklāt tas ietaupīs miljoniem nevainīgu cilvēku, kas cilvēku kļūdu dēļ katru gadu sastopas ar ceļu satiksmes negadījumiem. |
Google AI acu ārsts: Tā ir nesena Google iniciatīva, kad viņi sadarbojas ar Indijas acu aprūpes ķēdi, lai izstrādātu AI programmatūru, kas var pārbaudīt tīklenes skenēšanu un identificēt stāvokli, ko sauc par diabētisko retinopātiju, kas var izraisīt aklumu. |
| AI mūzikas komponists: Nu, kurš domāja, ka mums var būt AI mūzikas komponists, kas izmanto Deep Learning. Tāpēc es nebūtu pārsteigts, dzirdot, ka nākamo labāko mūziku sniedz mašīna. |
| Sapņu lasīšanas mašīna: Šī ir viena no manām iecienītākajām, mašīna, kas var iemūžināt jūsu sapņus video veidā vai kaut kā tā. Tā kā līdz šim esam redzējuši tik daudz nereālistisku AI un dziļas mācīšanās lietojumu, es nebiju pārsteigts, uzzinot, ka tas dažus gadus atpakaļ tika izmēģināts Japānā ar trim testa priekšmetiem un viņi spēja sasniegt gandrīz 60% precizitāti. Tas ir kaut kas diezgan neticams, tomēr patiess. |
Esmu diezgan pārliecināts, ka daži no šiem AI un padziļinātas mācīšanās reālās dzīves lietojumiem būtu jums nodevuši zosu. Labi, tad tas nosaka pamatu jums, un tagad mēs esam gatavi turpināt darbu šajā dziļo mācību apmācībā un saprast, kas ir mākslīgais intelekts.
Kas ir mākslīgais intelekts?
Mākslīgais intelekts ir nekas cits kā mašīnas spēja atdarināt inteliģentu cilvēka uzvedību. AI tiek sasniegts, atdarinot cilvēka smadzenes, saprotot, kā tās domā, kā mācās, izlemj un strādā, mēģinot atrisināt problēmu.
Piemēram: Mašīna, kas spēlē šahu, vai balss aktivizēta programmatūra, kas jums palīdz ar dažādām lietām jūsu iPhone vai Ciparu zīmju atpazīšanas sistēmā, kas uztver ātrumu pārsniegušas automašīnas numura zīmi un apstrādā to, lai iegūtu reģistrācijas numuru un identificētu automašīnas īpašnieku. . Iepriekš tos visus nebija ļoti viegli īstenot Dziļa mācīšanās . Tagad sapratīsim dažādas mākslīgā intelekta apakškopas.
Mākslīgā intelekta apakšgrupas
Līdz šim jūs būtu daudz dzirdējis par mākslīgo intelektu, mašīnmācīšanos un padziļinātu mācīšanos. Tomēr vai jūs zināt visu trīs attiecības? Būtībā dziļa mācīšanās ir mašīnmācīšanās apakšnozare, un mašīnmācīšanās ir mākslīgā intelekta apakšnozare, kā parādīts zemāk esošajā attēlā:
Kad mēs skatāmies uz kaut ko līdzīgu AlphaGo , to bieži attēlo kā lielu panākumu dziļā mācīšanās procesā, taču tas faktiski ir vairāku dažādu AI un mašīnmācīšanās jomu ideju apvienojums. Patiesībā jūs būtu pārsteigts, dzirdot, ka dziļo neironu tīklu ideja nav jauna, bet aizsākās 1950. gados. Tomēr kļuva praktiski iespējams to realizēt mūsdienās pieejamo augstas klases resursu iespēju dēļ.
Tātad, virzoties uz priekšu šajā padziļinātas apmācības apmācības emuārā, izpētīsim mašīnmācīšanos, kam seko tās ierobežojumi.
Kas ir mašīnmācīšanās?
Mašīnmācība ir mākslīgā intelekta apakškopa, kas nodrošina datoriem iespēju mācīties bez skaidra programmēšanas. Mašīnmācībā mums nav skaidri jādefinē visi soļi vai nosacījumi kā jebkurai citai programmēšanas lietojumprogrammai. Gluži pretēji, mašīna tiek apmācīta uz apmācības datu kopas, kas ir pietiekami liela, lai izveidotu modeli, kas palīdz mašīnai pieņemt lēmumus, pamatojoties uz mācībām.
Piemēram: Izmantojot mašīnmācīšanos, mēs vēlamies noteikt zieda sugu, pamatojoties uz tās ziedlapu un sepal garumu (zieda lapas). Tad kā mēs to izdarīsim?
| Mēs redzēsim mūsu mašīnā ziedu datu kopu, kurā ir dažādi dažādu ziedu raksturlielumi kopā ar to attiecīgajām sugām, kā redzat iepriekš redzamajā attēlā. Izmantojot šo ievades datu kopu, mašīna izveidos un apmācīs modeli, kuru var izmantot ziedu klasificēšanai dažādās kategorijās. |
| Kad mūsu modelis būs apmācīts, mēs modelim ievadīsim īpašību kopumu. |
| Visbeidzot, mūsu modelis izdos jaunajā ievades datu kopā esošo ziedu sugas. Tiek saukts šis mašīnas apmācības process, lai izveidotu modeli un izmantotu to lēmumu pieņemšanā Mašīnmācīšanās . Tomēr šim procesam ir daži ierobežojumi. |
Mašīnmācīšanās ierobežojumi
Mašīnmācība nespēj apstrādāt augstas dimensijas datus, kur ievade un izvade ir diezgan liela. Šāda veida datu apstrāde un apstrāde kļūst ļoti sarežģīta un resursu izsmeļoša. To sauc par Dimensijas lāsts . Lai to saprastu vienkāršāk, ņemsim vērā šādu attēlu:
| Apsveriet 100 jardu līniju, un jūs kaut kur uz līnijas esat nometis monētu. Tagad jums ir diezgan ērti atrast monētu, vienkārši ejot pa līniju. Šī līnija ir viendimensionāla vienība. |
| Pēc tam uzskatiet, ka jums ir kvadrātveida sānu katrs 100 jards, kā parādīts iepriekšējā attēlā, un atkal jūs kaut kur pa vidu nometāt monētu. Tagad ir pilnīgi skaidrs, ka, lai atrastu monētu šajā laukumā, jums būs nepieciešams vairāk laika, salīdzinot ar iepriekšējo scenāriju. Šis kvadrāts ir divdimensiju vienība. |
| Ļaujiet spert soli uz priekšu, apsverot kubu, kura malā ir 100 jardi, un jūs kaut kur pa vidu esat nometis monētu. Tagad šoreiz ir vēl grūtāk atrast monētu. Šis kubs ir trīsdimensiju vienība. |
Tādējādi jūs varat novērot, ka sarežģītība palielinās, jo izmēri palielinās.Reālajā dzīvē augsto dimensiju datiem, par kuriem mēs runājām, ir tūkstošiem dimensiju, kas padara tos ļoti sarežģītus apstrādāt un apstrādāt. Augstas dimensijas datus var viegli atrast tādos lietošanas gadījumos kā attēlu apstrāde, NLP, attēlu tulkošana utt.
Mašīnmācība nebija spējīga atrisināt šos lietošanas gadījumus, un tāpēc dziļa mācīšanās nāca talkā. Dziļa mācīšanās spēj apstrādāt augstas dimensijas datus, kā arī pati efektīvi koncentrējas uz pareizajām funkcijām. Šo procesu sauc par funkciju ekstrakciju. Tagad turpināsim šajā padziļinātas mācīšanās apmācībā un sapratīsim, kā darbojas dziļa mācīšanās.
Kā darbojas dziļa mācīšanās?
Mēģinot pārveidot cilvēka smadzenes, Deep Learning pēta smadzeņu pamatvienību, ko sauc par smadzeņu šūnu vai neironu. Iedvesmojoties no neirona, tika izveidots mākslīgais neirons vai perceptrons. Tagad ļaujiet mums saprast bioloģisko neironu funkcionalitāti un to, kā mēs atdarinām šo funkcionalitāti perceptronā vai mākslīgajā neironā:
c ++ goto paziņojums
Ja mēs koncentrējamies uz bioloģiskā neirona struktūru, tam ir dendrīti, kurus izmanto izejvielu saņemšanai. Šīs ieejas tiek summētas šūnas ķermenī un, izmantojot Aksonu, tas tiek nodots nākamajam bioloģiskajam neironam, kā parādīts iepriekš redzamajā attēlā.
Līdzīgi perceptrons saņem vairākas ieejas, pielieto dažādas transformācijas un funkcijas un nodrošina izvadi.
Tā kā mēs zinām, ka mūsu smadzenes sastāv no vairākiem saistītiem neironiem, ko sauc par neironu tīklu, mums var būt arī mākslīgo neironu tīkls, ko sauc par perceptroniem, lai izveidotu dziļu neironu tīklu. Tātad, dodieties uz priekšu šajā padziļinātās apmācības apmācībā, lai saprastu, kā izskatās dziļo neironu tīkls.
Padziļinātas mācības apmācība: kas ir dziļa mācīšanās?
- Jebkurš dziļo neironu tīkls sastāv no trīs veidu slāņiem:
- Ievades slānis
- Slēptais slānis
- Izejas slānis
| Iepriekš redzamajā diagrammā pirmais slānis ir ievades slānis, kas saņem visus ievadītos elementus, un pēdējais slānis ir izvades slānis, kas nodrošina vēlamo izvadi. |
| Visus slāņus starp šiem slāņiem sauc par slēptajiem slāņiem. Pateicoties mūsdienās pieejamiem augstākās klases resursiem, var būt n slēptu slāņu. |
| Slēpto slāņu skaits un perceptronu skaits katrā slānī būs pilnībā atkarīgs no izmantošanas gadījuma, kuru mēģināt atrisināt. |
Tagad, kad jums ir padziļinātu neironu tīklu attēls, dodieties uz priekšu šajā padziļinātās apmācības apmācībā, lai iegūtu augsta līmeņa priekšstatu par to, kā dziļi neironu tīkli risina attēlu atpazīšanas problēmu.
ir maģistra grāds, kas tiek uzskatīts par pēcdiploma izglītību
Dziļa mācību izmantošana - gadījums
Mēs vēlamies veikt attēlu atpazīšanu, izmantojot Deep Networks:
| Šeit mēs nododam augstas dimensijas datus ievades slānim. Lai saskaņotu ievades datu dimensiju, ievades slānis satur vairākus perceptronu apakšslāņus, lai tas varētu patērēt visu ievadi. |
| No ievades slāņa saņemtajā izvadā būs modeļi, un tie varēs noteikt attēlu malas tikai, pamatojoties uz kontrasta līmeni. |
| Šī izeja tiks ievadīta slēptajā slānī 1, kur tā varēs noteikt dažādas sejas iezīmes, piemēram, acis, degunu, ausis utt. |
| Tagad tas tiks padots slēptajam 2. slānim, kur tas varēs veidot visas sejas. Pēc tam 2. slāņa izvade tiek nosūtīta uz izvades slāni. |
| Visbeidzot, izejas slānis veic klasifikāciju, pamatojoties uz rezultātu, kas iegūts no iepriekšējā, un paredz vārdu. |
Ļaujiet man uzdot jums jautājumu, kas notiks, ja kāds no šiem slāņiem trūkst vai neironu tīkls nav pietiekami dziļš? Vienkārši, mēs nevarēsim precīzi noteikt attēlus. Tas ir iemesls, kāpēc šiem lietošanas gadījumiem nebija risinājuma visus šos gadus pirms dziļas mācīšanās. Lai to paveiktu tālāk, mēs mēģināsim izmantot Deep tīklus MNIST datu kopā.
Mnist datu kopu veido 60 000 apmācības paraugu un 10 000 ar roku rakstītu ciparu attēlu pārbaudes paraugu. Uzdevums šeit ir apmācīt modeli, kas var precīzi noteikt attēlā esošo ciparu.
- Lai atrisinātu šo lietošanas gadījumu, tiks izveidots dziļais tīkls ar vairākiem slēptiem slāņiem, lai apstrādātu visus 60 000 attēlus pikseļi pa pikseļiem, un visbeidzot mēs saņemsim izvades slāni.
- Izejas slānis būs no 0 līdz 9 indeksa masīvs, kur katrs indekss atbilst attiecīgajam ciparam. Indekss 0 satur varbūtību, ka 0 ir cipars, kas atrodas ievades attēlā.
Līdzīgi indekss 2, kura vērtība ir 0,1, faktiski atspoguļo varbūtību, ka 2 būs ievades attēlā esošais cipars. Tātad, ja mēs redzam, ka šajā masīvā visaugstākā varbūtība ir 0,8, kas atrodas masīva 7. indeksā. Tādējādi attēlā redzamais skaitlis ir 7.
Secinājums
Tātad puiši, tas viss bija par dziļu mācīšanos īsumā. Šajā dziļo mācību apmācībā mēs redzējām dažādus dziļas mācīšanās pielietojumus un sapratām tās saistību ar AI un mašīnmācīšanos. Tad mēs sapratām, kā mēs varam izmantot perceptronu vai mākslīgā neirona pamatelementus, lai izveidotu dziļu neironu tīklu, kas var veikt tādus sarežģītus uzdevumus. Beidzot mēs izgājām cauri vienam no dziļās mācīšanās izmantošanas gadījumiem, kad mēs veicām attēla atpazīšanu, izmantojot dziļus neironu tīklus, un sapratām visus soļus, kas notiek aiz ainas. Tagad šīs Deep Learning Tutorial sērijas nākamajā emuārā mēs uzzināsim, kā ieviest perceptronu, izmantojot TensorFlow, kas ir Python balstīta bibliotēka dziļai mācībai.
Tagad, kad jūs zināt par dziļu mācīšanos, pārbaudiet Autors: Edureka, uzticams tiešsaistes mācību uzņēmums ar vairāk nekā 250 000 apmierinātu izglītojamo tīklu visā pasaulē. Edureka Deep Learning with TensorFlow sertifikācijas apmācības kurss palīdz izglītojamajiem kļūt par ekspertiem apmācībā un optimizēt pamata un konvolucionālos neironu tīklus, izmantojot reāllaika projektus un uzdevumus, kā arī tādas koncepcijas kā SoftMax funkcija, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
Vai mums ir jautājums? Lūdzu, pieminējiet to komentāru sadaļā, un mēs ar jums sazināsimies.