Будући да је важан подскуп машинског учења, потражња за је забележио неизмеран пораст, посебно међу онима који су заинтересовани за откључавање неограничених могућности АИ.Инспирисан све већом популарношћу дубоког учења, смислио сам да осмислим серију блогова који ће вас едуковати о овом новом тренду на пољу вештачке интелигенције и помоћи вам да разумете о чему се ради. Ово је први од многих блогова у серији под називом - Водич за дубоко учење .
Водич за дубоко учење
У овом блогу Водича за дубоко учење водићу вас кроз следеће ствари које ће послужити као основа за предстојеће блогове:
- Шта је омогућило да дубоко учење постоји
- Шта је дубоко учење и како то функционише?
Можете проћи кроз овај снимак Водича за дубоко учење где је наш инструктор детаљно објаснио теме са примерима који ће вам помоћи да боље разумете овај концепт.
Водич за дубоко учење | Неуронске мреже за дубоко учење | Едурека
Примене вештачке интелигенције и дубоког учења
Сада размислите о овоме, уместо да радите сав свој посао, имате машину која ће вам је довршити или може учинити нешто за шта сте мислили да уопште није могуће. На пример:
 | Предвиђање будућности: Може нам унапред помоћи у предвиђању земљотреса, цунамија итд., Тако да се могу предузети превентивне мере како би се многи животи спасили од пада у канџе природних непогода. |
| Цхат-ботови: Сви бисте чули за Сири, која је Апплеов гласовни виртуелни помоћник. Верујте ми, уз помоћ Дубоког учења, ова виртуелна помоћ постаје паметнија из дана у дан. У ствари, Сири се може прилагодити кориснику и пружити бољу персонализовану помоћ. |
| Самовозећи аутомобили: Замислите, како би то било невероватно за физичке инвалиде и старије људе којима је тешко да возе сами. Осим овога, спасиће милионе невиних живота који се сваке године нађу на путевима због људске грешке. |
Гоогле АИ Еие Доцтор: Недавна је иницијатива коју је Гоогле предузео у сарадњи са индијским ланцем за негу очију да би развили софтвер за интелигенцију који може да прегледа скенирање мрежњаче и идентификује стање звано дијабетичка ретинопатија, које може да изазове слепило. |
| АИ музички композитор: Па, ко је мислио да можемо да имамо АИ музичког композитора користећи Дубоко учење. Стога ме не би изненадило да чујем да следећу најбољу музику даје машина. |
| Машина за читање снова: Ово ми је један од најдражих, машина која може ухватити ваше снове у облику видео записа или нечег сличног. Са толико нереалних примена АИ и дубоког учења које смо до сада видели, нисам био изненађен сазнањем да је ово покушано у Јапану пре неколико година на три испитна предмета и да су успели да постигну близу 60% тачности. То је нешто сасвим невероватно, а опет истинито. |
Прилично сам сигуран да би вам неке од ових стварних апликација АИ и дубоког учења најежиле. Добро, онда вам ово поставља основу, а сада смо спремни да наставимо даље у овом водичу за дубоко учење и схватимо шта је вештачка интелигенција.
Шта је вештачка интелигенција?
Вештачка интелигенција није ништа друго до способност машине да опонаша интелигентно људско понашање. АИ се постиже опонашањем људског мозга, разумевањем како он размишља, како учи, одлучује и ради док покушава да реши проблем.
На пример: Машина која игра шах или софтвер који се активира гласом који вам помаже у разним стварима на вашем иПхоне-у или систем за препознавање регистарске таблице који снима регистарску таблицу пребрзог аутомобила и обрађује га да би извукао регистарски број и идентификовао власника аутомобила . Све ово раније није било баш лако применити Дубоко учење . Хајде сада да разумемо разне подскупове вештачке интелигенције.
шта је инстанца јава
Подскупови вештачке интелигенције
До сада бисте чули много о вештачкој интелигенцији, машинском учењу и дубоком учењу. Међутим, да ли знате какав је однос све троје? У основи, дубоко учење је под-поље машинског учења, а машинско учење је под-поље вештачке интелигенције као што је приказано на доњој слици:
Кад погледамо нешто слично АлпхаГо , често се приказује као велики успех за дубоко учење, али заправо је комбинација идеја из неколико различитих области АИ и машинског учења. У ствари, били бисте изненађени када бисте чули да идеја која стоји иза дубоких неуронских мрежа није нова већ да потиче из 1950-их. Међутим, постало је могуће практично га применити због врхунских ресурса који су данас доступни.
Дакле, крећући напред у овом блогу туторијала за дубоко учење, истражимо машинско учење праћено његовим ограничењима.
Шта је машинско учење?
Машинско учење је подскуп вештачке интелигенције који рачунарима пружа могућност учења без изричитог програмирања. У машинском учењу не морамо експлицитно дефинисати све кораке или услове као било која друга апликација за програмирање. Супротно томе, машина се обучава на скупу података за обуку, довољно великом да створи модел, који помаже машини да доноси одлуке на основу свог учења.
На пример: Врсте цвета желимо да утврдимо на основу дужине латица и сепала (листови цвета) помоћу машинског учења. Онда, како ћемо то учинити?
| У нашу машину ћемо убацити сет података о цвећу који садржи различите карактеристике различитих цветова заједно са њиховим врстама, као што можете видети на горњој слици. Користећи овај скуп улазних података, машина ће створити и обучити модел који се може користити за класификацију цвећа у различите категорије. |
| Једном када се наш модел обучи, пренећемо низ карактеристика као улаз у модел. |
| Коначно, наш модел ће приказати врсте цвета присутне у новом скупу улазних података. Назван је овај процес обуке машине за стварање модела и употребу за доношење одлука Машинско учење . Међутим, овај процес има одређена ограничења. |
Ограничења машинског учења
Машинско учење није способно да обрађује високо димензионалне податке, јер су тамо улаз и излаз прилично велики. Руковање и обрада такве врсте података постаје веома сложено и исцрпљује ресурсе. Ово се назива Проклетство димензионалности . Да бисмо ово једноставније разумели, узмимо у обзир следећу слику:
| Узмите у обзир линију од 100 јарди и бацили сте новчић негде на линију. Сада вам је сасвим згодно да новчић пронађете једноставним ходањем по линији. Управо је та линија једнодимензионална целина. |
| Даље, узмите у обзир да имате квадрат бочне по 100 јарди, као што је приказано на горњој слици, а опет сте негде између оставили новчић. Сада је сасвим очигледно да ће вам требати више времена да пронађете новчић унутар тог квадрата у односу на претходни сценарио. Овај квадрат је дводимензионални ентитет. |
| Кренимо корак напред узимајући у обзир коцку бочне по 100 јарди свака и негде између сте бацили новчић. Сада је још теже пронаћи новчић овог пута. Ова коцка је тродимензионални ентитет. |
Стога можете приметити да се сложеност повећава како се димензије повећавају.А у стварном животу високодимензионални подаци о којима смо говорили имају хиљаде димензија што их чини врло сложеним за руковање и обраду. Висококвалитетни подаци се лако могу наћи у случајевима коришћења попут обраде слика, НЛП-а, превођења слика итд.
ц ++ сортирање низа
Машинско учење није било у стању да реши ове случајеве употребе и стога је дубоко учење прискочило у помоћ. Дубоко учење је способно да обрађује високодимензионалне податке и такође је ефикасно у самосталном фокусирању на праве карактеристике. Овај процес се назива издвајање карактеристика. Сада, кренимо даље у овом водичу за дубоко учење и схватимо како функционише дубоко учење.
Како функционише дубоко учење?
У покушају да реинжењерише људски мозак, Дееп Леарнинг проучава основну јединицу мозга која се назива мождана ћелија или неурон. Инспирисани неуроном, развијен је вештачки неурон или перцептрон. Хајде сада да разумемо функционалност биолошких неурона и како опонашамо ову функционалност у перцептрону или вештачком неурону:
Ако се фокусирамо на структуру биолошког неурона, он има дендрите који се користе за пријем улаза. Ови улази се сумирају у ћелијском телу и помоћу Акона преносе се на следећи биолошки неурон као што је приказано на горњој слици.
Слично томе, перцептрон прима више улаза, примењује различите трансформације и функције и даје излаз.
цаст доубле то инт ин јава
Као што знамо да се наш мозак састоји од више повезаних неурона који се називају неуронска мрежа, можемо имати и мрежу вештачких неурона названих перцептрони да бисмо формирали дубоку неуронску мрежу. Па, кренимо даље у овом водичу за дубоко учење како бисмо разумели како изгледа дубока неуронска мрежа.
Водич за дубоко учење: Шта је дубоко учење?
- Било која дубока неуронска мрежа састојаће се од три врсте слојева:
- Улазни слој
- Скривени слој
- Излазни слој
| У горњем дијаграму, први слој је улазни слој који прима све улазе, а последњи слој је излазни слој који даје жељени излаз. |
| Сви слојеви између ових слојева називају се скривени слојеви. Захваљујући врхунским ресурсима који су данас доступни, може бити н број скривених слојева. |
| Број скривених слојева и број перцептрона у сваком слоју у потпуности ће зависити од случаја употребе који покушавате да решите. |
Сада када имате слику дубоких неуронских мрежа, кренимо даље у овом водичу за дубоко учење како бисмо добили поглед на високом нивоу како дубоке неуронске мреже решавају проблем препознавања слика.
Употреба дубоког учења - случај
Желимо да извршимо препознавање слика користећи Дееп Нетворкс:
| Овде преносимо високодимензионалне податке на улазни слој. Да би се подударао са димензионалношћу улазних података, улазни слој ће садржати више под-слојева перцептрона тако да може потрошити цео улаз. |
| Излаз примљен са улазног слоја садржаће обрасце и моћи ће да идентификује ивице слика на основу нивоа контраста. |
| Овај излаз ће бити прослеђен на Скривени слој 1, где ће моћи да идентификује различите особине лица као што су очи, нос, уши итд. |
| Сада ће ово бити пребачено на скривени слој 2 где ће моћи да формира читава лица. Затим се излаз слоја 2 шаље излазном слоју. |
| На крају, излазни слој врши класификацију на основу резултата добијеног из претходног и предвиђа име. |
Да вам поставим питање, шта ће се догодити ако било који од ових слојева недостаје или неуронска мрежа није довољно дубока? Једноставно, нећемо моћи тачно да идентификујемо слике. То је управо разлог зашто ови случајеви употребе нису имали решење свих ових година пре дубоког учења. Само да ово наставимо даље, покушаћемо да применимо дубоке мреже на МНИСТ скупу података.
Скуп података Мнист састоји се од 60.000 узорака за обуку и 10.000 узорака за тестирање слика написаних руком. Задатак је овде да се обучи модел који може тачно да идентификује цифру присутну на слици.
- Да би се решио овај случај употребе, створиће се дубока мрежа са више скривених слојева за обраду свих 60 000 слика пиксел по пиксел и на крају ћемо добити излазни слој.
- Излазни слој биће низ индекса од 0 до 9, при чему сваки индекс одговара одговарајућој цифри. Индекс 0 садржи вероватноћу да је 0 цифра присутна на улазној слици.
Слично томе, индекс 2 који има вредност 0,1, заправо представља вероватноћу да је 2 цифра присутна на улазној слици. Дакле, ако видимо да је највећа вероватноћа у овом низу 0,8, која је присутна у индексу 7 низа. Отуда је број присутан на слици 7.
Закључак
Дакле, момци, све се овде бавило дубоким учењем укратко. У овом упутству за дубоко учење видели смо разне примене дубоког учења и разумели његов однос са уметничком интелигенцијом и машинским учењем. Тада смо схватили како можемо да користимо перцептрон или основне градивне блокове вештачког неурона за стварање дубоке неуронске мреже која може да обавља сложене задатке попут њих. Напокон смо прошли један од случајева дубоког учења где смо извршили препознавање слика користећи дубоке неуронске мреже и разумели све кораке који се дешавају иза сцене. Сада, у следећем блогу ове серије Водича за дубоко учење, научићемо како да применимо перцептрон користећи ТенсорФлов, а то је Питхон библиотека за дубоко учење.
Сад кад знате за дубоко учење, погледајте Едурека, поуздана компанија за учење на мрежи са мрежом од више од 250 000 задовољних ученика раширених широм света. Едурека курс за дубинско учење помоћу ТенсорФлов сертификата помаже ученицима да постану стручњаци за обуку и оптимизацију основних и конволуционих неуронских мрежа користећи пројекте и задатке у стварном времену заједно са концептима као што су СофтМак функција, Неуронске мреже са аутоматским кодирањем, Ограничена Болтзманн машина (РБМ).
Имате питање за нас? Молимо вас да то споменете у одељку за коментаре и јавићемо вам се.