Kas ir dziļa mācīšanās? Darba sākšana ar dziļu mācīšanos



Šis emuārs vietnē Kas ir dziļa mācīšanās sniegs pārskatu par mākslīgo intelektu, mašīnmācīšanos un padziļinātu mācīšanos ar tās lietojumiem.

Kas ir dziļa mācīšanās?

Šajā emuārā es runāšu par Kas ir Dziļa mācīšanās kas mūsdienās ir aktuāls un ir stingri iesakņojies daudzās nozarēs, kas iegulda tādās jomās kā mākslīgais intelekts, lielie dati un analīze. Piemēram, Google savā balss un attēla atpazīšanas algoritmos izmanto dziļu mācīšanos, savukārt Netflix un Amazon to izmanto, lai izprastu sava klienta uzvedību. Patiesībā jūs tam neticēsiet, taču MIT pētnieki mēģina paredzēt nākotni, izmantojot dziļu mācīšanos.Tagad iedomājieties, cik liels ir dziļas mācīšanās potenciāls, radot pārmaiņas pasaulē un kā uzņēmumi to meklēs .Pirms runāt par dziļu mācīšanos, ir jāsaprot tās saistība ar mašīnmācīšanos un mākslīgo intelektu. Vieglākais veids, kā izprast šīs attiecības, ir iet caur šo diagrammu:

AI laika skala - kas ir dziļa mācīšanās - Edureka attēls: Kas ir dziļa mācīšanās - AI tehnoloģiju laika skala





Šeit attēlā var redzēt, ka mašīnmācīšanās ir AI apakškopa. Tas nozīmē to, ka mēs varam uzbūvēt viedas mašīnas, kuras pašas var mācīties, pamatojoties uz sniegto datu kopu. Turklāt jūs pamanīsit, ka padziļinātā mācīšanās ir mašīnmācīšanās apakškopa, kur līdzīgus mašīnmācīšanās algoritmus izmanto dziļu neironu tīklu apmācībai, lai panāktu labāku precizitāti gadījumos, kad pirmais nedarbojās līdz atzīmei. FoŠīs padziļinātās apmācības tēmas, par kurām es runāšu:

  • Mākslīgais intelekts
  • Mašīnmācīšanās
  • ML trūkumi
  • Kas ir dziļa mācīšanās?
  • Dziļu mācību programma

Iegūstiet sertifikātu nozares līmeņa projektos un ātri sekojiet karjerai

Mākslīgais intelekts



attēls: Kas ir dziļa mācīšanās - mākslīgais intelekts

Terminu AI 1956. gadā izdomāja Džons Makartijs, kurš tiek dēvēts arī par mākslīgā intelekta tēvu. AI ideja ir diezgan vienkārša, bet aizraujoša, proti, izveidot viedas mašīnas, kas pašas var pieņemt lēmumus. Jūs domājat, ka tā ir zinātnes fantāzija, taču, ņemot vērā jaunākās tehnoloģijas un skaitļošanas jaudas attīstību, šķiet, ka pati ideja katru dienu tuvojas realitātei.

Mašīnmācīšanās: solis ceļā uz mākslīgo intelektu

Tagad, kad esat pārzinājis AI, ļaujiet mums īsi parunāt par mašīnmācīšanos un saprast, ko tas nozīmē, sakot, ka mēs programmējam mašīnas mācīties. Sāksim ar ļoti slavenu mašīnmācīšanās definīciju:



'Tiek teikts, ka datorprogramma mācās no E pieredzes attiecībā uz kādu T uzdevumu un kādu darbības rādītāju P, ja tās veiktspēja T, ko mēra P, uzlabojas ar E pieredzi.' - Toms Mičels, Karnegi Melona universitāte

Tātad, ja vēlaties, lai jūsu programma prognozē satiksmes modeļus aizņemtā krustojumā (T uzdevums), varat to palaist, izmantojot mašīnmācīšanās algoritmu ar datiem par iepriekšējiem datplūsmas modeļiem (E pieredze). Tagad prognozes precizitāte (veiktspējas rādītājs P) būs atkarīga no tā, vai programma ir veiksmīgi mācījusies no datu kopas vai nav (pieredze E).

Mašīnmācību pamatā sauc par mākslīgā intelekta (AI) veidu, kas nodrošina datoriem iespēju mācīties, nepārprotami tos ieprogrammējot, pakļaujot tos milzīgam datu apjomam. Mašīnmācīšanās pamatprincips ir mācīties no datu kopām un mēģināt samazināt kļūdas vai maksimāli palielināt to, ka viņu prognozes ir patiesas.

Mašīnmācīšanās trūkumi

  • Tradicionālie ML algoritmi nav noderīgi, strādājot ar augstas dimensijas datiem, tas ir, ja mums ir daudz ieeju un izeju. Piemēram, rokraksta atpazīšanas gadījumā mums ir daudz ievades, kur mums būs dažāda veida ievades, kas saistītas ar dažāda veida rokrakstu.
  • Otrs lielākais izaicinājums ir pateikt datoram, kādas funkcijas tai vajadzētu meklēt, kurām būs svarīga loma rezultāta prognozēšanā, kā arī panākt labāku precizitāti, to darot. Šis process tiek saukts par iezīmju iegūšana .

Neapstrādātu datu padošana algoritmam reti kad darbojas, un tas ir iemesls, kāpēc iezīmju iegūšana ir kritiskās tradicionālās mašīnmācīšanās darbplūsmas sastāvdaļa. Tāpēc bez iezīmju ekstrakcijas izaicinājums programmētājam palielinās, jo algoritma efektivitāte ir ļoti atkarīga no tā, cik ieskatīgs ir programmētājs. Tādējādi ir ļoti grūti šos mašīnmācīšanās modeļus vai algoritmus pielietot sarežģītās problēmās, piemēram, objektu atpazīšanā, rokraksta atpazīšanā, NLP (dabiskās valodas apstrādē) utt.

Dziļa mācīšanās

Dziļa mācīšanās ir viena no vienīgajām metodēm, ar kuras palīdzību mēs varam pārvarēt iezīmju iegūšanas problēmas. Tas ir tāpēc, ka dziļās mācīšanās modeļi spēj paši iemācīties koncentrēties uz pareizajām iezīmēm, un no programmētāja viņiem ir vajadzīga neliela vadība. Būtībā dziļa mācīšanās atdarina mūsu smadzeņu darbību, t.i., tās mācās no pieredzes. Kā jūs zināt, mūsu smadzenes sastāv no miljardiem neironu, kas ļauj mums izdarīt pārsteidzošas lietas. Pat gadu veca bērna smadzenes var atrisināt sarežģītas problēmas, kuras ir ļoti grūti atrisināt, pat izmantojot superdatorus. Piemēram:

  • Atpazīst arī viņu vecāku seju un dažādus priekšmetus.
  • Diskriminē dažādas balsis un pat var atpazīt konkrētu cilvēku, pamatojoties uz viņa balsi.
  • Izdariet secinājumus no citu personu sejas žestiem un daudz ko citu.

Patiesībā mūsu smadzenes gadu gaitā ir neapzināti sevi apmācījušas darīt šādas lietas. Tagad rodas jautājums, cik dziļa mācīšanās atdarina smadzeņu funkcionalitāti? Labi, dziļi mācoties, tiek izmantots mākslīgo neironu jēdziens, kas darbojas līdzīgi kā mūsu smadzenēs esošie bioloģiskie neironi. Tāpēc mēs varam teikt, ka dziļa mācīšanās ir mašīna mācīšanās nodarbojas ar algoritmiem, kurus iedvesmo smadzeņu struktūra un funkcija, ko sauc par mākslīgiem neironu tīkliem.

Tagad ņemsim piemēru, lai to saprastu. Pieņemsim, ka mēs vēlamies izveidot sistēmu, kas attēlā var atpazīt dažādu cilvēku sejas.Ja mēs to atrisināsim kā tipisku mašīnmācīšanās problēmu, mēs definēsim sejas vaibstus, piemēram, acis, degunu, ausis utt., Un pēc tam sistēma identificēs, kuras iezīmes katrai personai ir svarīgākas atsevišķi.

kā izmantot semaforas java

Tagad dziļa mācīšanās sper šo soli uz priekšu. Dziļā mācīšanās automātiski noskaidro pazīmes, kas ir svarīgas klasifikācijai dziļu neironu tīklu dēļ, savukārt mašīnmācīšanās gadījumā šīs funkcijas mums bija jādefinē manuāli.

attēls: Sejas atpazīšana, izmantojot dziļus tīklus

Kā redzams attēlā iepriekš, dziļa mācīšanās darbojas šādi:

  • Zemākajā līmenī tīkls tiek fiksēts uz vietējā kontrasta modeļiem kā svarīgiem.
  • Pēc tam nākamais slānis var izmantot šos vietējā kontrasta modeļus, lai fiksētu lietas, kas līdzinās acīm, deguniem un mutēm
  • Visbeidzot, augšējais slānis spēj pielietot šīs sejas īpašības sejas veidnēs.
  • Dziļais neironu tīkls spēj sastādīt arvien sarežģītākas iezīmes katrā no tā secīgajiem slāņiem.

Vai esat kādreiz domājis, kā Facebook automātiski uzlīmē vai atzīmē visu jūsu augšupielādētajā attēlā esošo personu? Nu, Facebook izmanto Deep Learning līdzīgā veidā, kā norādīts iepriekš minētajā piemērā. Tagad jūs būtu sapratuši dziļas mācīšanās iespējas un to, kā tā var pārspēt mašīnmācīšanos tajos gadījumos, kad mums ir ļoti maz priekšstata par visām funkcijām, kas var ietekmēt rezultātu. Tāpēc dziļais tīkls var pārvarēt mašīnmācīšanās trūkumu, izdarot secinājumus no datu kopas, kas sastāv no ievades datiem, bez pienācīgas marķēšanas.

Kas ir dziļa mācīšanās Vienkāršota padziļināta mācīšanās Edureka

Dziļās mācīšanās pielietojumi

Virzoties šajā dziļo mācību emuārā, apskatīsim dažus Deep Learning reālās dzīves lietojumus, lai saprastu tā patiesās spējas.

datu zinātne kas tas ir
  • Runas atpazīšana

Jūs visi būtu dzirdējuši par Siri, kas ir Apple balss kontrolēts inteliģents palīgs. Tāpat kā citi lieli giganti, arī Apple ir sākusi ieguldīt Deep Learning, lai savus pakalpojumus padarītu labākus nekā jebkad agrāk.

Runas atpazīšanas un balss kontrolēta inteliģenta palīga jomā, piemēram, Siri, var izstrādāt precīzāku akustisko modeli, izmantojot dziļu neironu tīklu, un šobrīd tas ir viens no visaktīvākajiem dziļās mācīšanās ieviešanas laukiem. Vienkāršiem vārdiem sakot, jūs varat izveidot tādu sistēmu, kas var iemācīties jaunas funkcijas vai pielāgoties sev atbilstoši un tādējādi sniegt labāku palīdzību, iepriekš paredzot visas iespējas.

  • Automātiskā mašīntulkošana

Mēs visi zinām, ka Google var uzreiz tulkot starp 100 dažādām cilvēku valodām, pārāk ātri, it kā ar burvju palīdzību. Tehnoloģija aiz muguras Google tulkotājs tiek saukts Mašīntulkošana un ir bijis glābējs cilvēkiem, kuri runāšanas valodas atšķirības dēļ nevar sazināties savā starpā. Tagad jūs domājat, ka šī funkcija ir bijusi jau ilgu laiku, kas tad ir jauns? Ļaujiet man jums pateikt, ka pēdējo divu gadu laikā Google ar padziļinātu mācību palīdzību savā Google tulkotājā ir pilnībā pārveidojis pieeju mašīntulkošanai. Faktiski dziļo mācību pētnieki, kuri gandrīz neko nezina par valodas tulkošanu, izvirza salīdzinoši vienkāršus mašīnmācīšanās risinājumus, kas pārspēj labākās ekspertu izveidotās valodu tulkošanas sistēmas pasaulē. Teksta tulkošanu var veikt bez iepriekšējas secības apstrādes, ļaujot algoritmam uzzināt atkarības starp vārdiem un to kartēšanu uz jaunu valodu. Lai veiktu šo tulkošanu, tiek izmantoti sakrauti lielu atkārtotu neironu tīklu tīkli.

  • Tūlītēja vizuālā tulkošana

Kā jūs zināt, dziļu mācīšanos izmanto, lai identificētu attēlus, kuriem ir burti un kur burti atrodas uz skatuves. Pēc identifikācijas tos var pārvērst tekstā, tulkot un atjaunot attēlu ar tulkoto tekstu. To bieži sauc tūlītējs vizuālais tulkojums .

Tagad iedomājieties situāciju, kad esat apmeklējis jebkuru citu valsti, kuras dzimtā valoda jums nav zināma. Nav jāuztraucas, izmantojot dažādas lietotnes, piemēram, Google tulkotāju, varat turpināt veikt tūlītējus vizuālos tulkojumus, lai lasītu izkārtnes vai veikala dēļus, kas rakstīti citā valodā. Tas ir bijis iespējams tikai dziļas mācīšanās dēļ.

Piezīme: Varat turpināt lejupielādēt Google Translate lietotni un pārbaudīt apbrīnojamo tūlītēju vizuālo tulkojumu, izmantojot iepriekš minēto attēlu.

  • Uzvedība: automatizētas pašpiedziņas automašīnas

Google mēģina panākt viņu pašpiedziņas automašīnu iniciatīvu, kas pazīstama kā WAYMO, pilnīgi pilnveidot, izmantojot programmu Deep Learning. Tāpēc viņi, nevis izmantojot vecus ar roku kodētus algoritmus, tagad var ieprogrammēt sistēmu, kas var mācīties paši, izmantojot dažādu sensoru sniegtos datus. Dziļa mācīšanās tagad ir labākā pieeja lielākajai daļai uztveres uzdevumu, kā arī daudziem zema līmeņa kontroles uzdevumiem. Tādējādi tagad pat cilvēki, kuri nezina braukt vai ir invalīdi, var doties uz priekšu un doties braucienā neatkarīgi no kāda cita.

Šeit es esmu minējis tikai dažus slavenus reālās dzīves izmantošanas gadījumus, kad dziļa mācīšanās tiek plaši izmantota un uzrāda daudzsološus rezultātus. Ir vēl daudz citu padziļinātas mācīšanās pielietojumu, kā arī daudzas jomas, kas vēl jāizpēta.

Tātad, tas viss ir par dziļu mācīšanos īsumā. Esmu pārliecināts, ka līdz šim jūs būtu sapratuši atšķirību starp mašīnmācīšanos un dziļu mācīšanos, kā arī to, kā dziļa mācīšanās var būt ļoti noderīga dažādiem reālās dzīves lietojumiem. Tagad manā nākamajā emuārā šajā dziļo mācību apmācību sērijā mēs dziļi iegremdēsimies dažādos jēdzienos un algoritmos Deep Learning kopā ar to detalizētu pielietojumu.

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 pamata un konvolucionālo neironu tīklu apmācībā un optimizācijā, izmantojot reāllaika projektus un uzdevumus, kā arī tādus jēdzienus 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.