Шта је дубоко учење?
На овом блогу ћу говорити о томе шта је Дубоко учење што је данас актуелно и чврсто је пустило своје корене у огромном мноштву индустрија које улажу у поља попут вештачке интелигенције, великих података и аналитике. На пример, Гоогле користи дубоко учење у својим алгоритмима за препознавање гласа и слика, док га Нетфлик и Амазон користе да би разумели понашање својих купаца. У ствари, нећете веровати, али истраживачи са МИТ-а покушавају да предвиде будућност користећи дубоко учење.Сада замислите колики потенцијал има дубоко учење у револуцији света и како ће компаније то потражити .Пре него што говоримо о дубоком учењу, морамо разумети његов однос са машинским учењем и вештачком интелигенцијом. Најлакши начин да разумете ову везу је пролазак кроз дијаграм испод:
шипак: Шта је дубоко учење - АИ Тецхнологиес Тимелине
која је разлика између замене и преоптерећења
Овде, на слици, можете видети да је машинско учење подскуп АИ. То подразумева чињеницу да можемо да изградимо интелигентне машине које могу самостално да уче на основу добијених скупова података. Даље ћете приметити да је дубоко учење подгрупа машинског учења где се слични алгоритми машинског учења користе за обуку дубоких неуронских мрежа како би се постигла боља прецизност у оним случајевима у којима претходни није био успешан. Фосве су теме о којима ћу разговарати у овом водичу за дубоко учење:
- Вештачка интелигенција
- Машинско учење
- Недостаци МЛ
- Шта је дубоко учење?
- Апликација за дубоко учење
Стекните сертификат за пројекте на индустријском нивоу и убрзајте своју каријеру
Вештачка интелигенција
шипак: Шта је дубоко учење - вештачка интелигенција
Израз АИ сковао је 1956. године Јохн МцЦартхи, који се такође назива и оцем вештачке интелигенције. Идеја која стоји иза АИ прилично је једноставна, али фасцинантна, а то је стварање интелигентних машина које саме могу доносити одлуке. Можда то мислите као научну фантазију, али с обзиром на недавни развој технологије и рачунарске снаге, чини се да се сама идеја из дана у дан приближава стварности.
Машинско учење: корак ка вештачкој интелигенцији
Сад кад сте упознати са уметничком интелигенцијом, разговарајмо укратко о машинском учењу и схватимо шта то значи када кажемо да програмирамо машине за учење. Почнимо са врло познатом дефиницијом машинског учења:
„За рачунарски програм се каже да учи из искуства Е у односу на неки задатак Т и неку меру перформанси П, ако се његове перформансе на Т, мерене П, побољшавају са искуством Е.“ - Том Митцхелл, Универзитет Царнегие Меллон
Дакле, ако желите да ваш програм предвиђа обрасце промета на прометној раскрсници (задатак Т), можете га покренути кроз алгоритам машинског учења са подацима о прошлим обрасцима саобраћаја (искуство Е). Сада ће тачност предвиђања (мера перформанси П) зависити од чињенице да ли је програм успешно учио из скупа података или не (искуство Е).
У основи, машинско учење се назива врстом вештачке интелигенције (АИ) која пружа рачунарима могућност учења без изричитог програмирања излагањем огромној количини података. Основни принцип који стоји иза машинског учења је учити из скупова података и покушати минимизирати грешке или повећати вероватноћу да су њихова предвиђања истинита.
Недостаци машинског учења
- Традиционални МЛ алгоритми нису корисни у раду са високодимензионалним подацима, ту имамо велики број улаза и излаза. На пример, у случају препознавања рукописа имамо велику количину уноса где ћемо имати различите врсте уноса повезане са различитим врстама рукописа.
- Други главни изазов је рећи рачунару које су функције које треба да тражи и које ће играти важну улогу у предвиђању исхода, као и постизање веће тачности при томе. Управо се овај процес назива издвајање својстава .
Храњење сирових података алгоритмом ретко икад успева и то је разлог зашто је издвајање карактеристика критичан део традиционалног процеса машинског учења. Стога, без издвајања карактеристика, изазов за програмера се повећава јер ефикасност алгоритма веома зависи од тога колико је програмер проницљив. Стога је врло тешко применити ове моделе или алгоритме машинског учења на сложене проблеме као што су препознавање предмета, препознавање рукописа, НЛП (обрада природног језика) итд.
Дубоко учење
Дубинско учење је једна од јединих метода помоћу којих можемо превазићи изазове екстракције карактеристика. То је зато што модели дубоког учења могу сами да науче да се фокусирају на праве карактеристике, што захтева мало смерница од програмера. У основи, дубоко учење опонаша начин на који наш мозак функционише, тј. Учи из искуства. Као што знате, наш мозак чине милијарде неурона који нам омогућавају да радимо невероватне ствари. Чак и мозак једногодишњег детета може да реши сложене проблеме које је врло тешко решити чак и користећи супер-рачунаре. На пример:
- Препознајте и лице својих родитеља, као и различите предмете.
- Дискриминишу различите гласове и могу чак препознати одређену особу на основу њеног гласа.
- Извуците закључак из геста лица других особа и многих других.
Заправо, наш мозак се током година подсвесно обучавао за такве ствари. Сада долази питање, колико дубоко учење опонаша функционалност мозга? Па, дубоко учење користи концепт вештачких неурона који функционише на сличан начин као и биолошки неурони присутни у нашем мозгу. Стога можемо рећи да је дубоко учење подпоље машина учење забринут за алгоритме инспирисане структуром и функцијом мозга званим вештачке неуронске мреже.
Узмимо сада пример да бисмо то разумели. Претпоставимо да желимо да направимо систем који може препознати лица различитих људи на слици.Ако ово решимо као типичан проблем машинског учења, дефинисаћемо особине лица попут очију, носа, ушију итд., А затим ће систем сам препознати које су особине важније за коју особу.
Сада дубоко учење чини овај корак напред. Дубинско учење аутоматски открива карактеристике које су важне за класификацију због дубоких неуронских мрежа, док смо у случају машинског учења морали ручно да дефинишемо ове карактеристике.
шипак: Препознавање лица помоћу дубоких мрежа
Као што је приказано на слици изнад, Дееп Леарнинг делује на следећи начин:
- На најнижем нивоу, мрежа се фиксира на обрасцима локалног контраста као важним.
- Следећи слој је тада у стању да користи те обрасце локалног контраста да би се фиксирао на ствари које подсећају на очи, нос и уста
- Коначно, горњи слој је у стању да примени те црте лица на предлошке лица.
- Дубока неуронска мрежа способна је да компонује све сложеније карактеристике у сваком од својих узастопних слојева.
Да ли сте се икада запитали како Фацебоок аутоматски означава или означава све особе присутне на слици коју сте поставили? Па, Фацебоок користи дубоко учење на сличан начин као што је наведено у горњем примеру. Сада бисте схватили способност дубоког учења и како оно може надмашити машинско учење у оним случајевима када имамо врло мало идеје о свим карактеристикама које могу утицати на исход. Стога, дубока мрежа може превазићи недостатак машинског учења цртањем закључака из скупа података који се састоји од улазних података без одговарајућег означавања.
Шта је дубоко учење | Поједностављено дубоко учење | Едурека
Примене дубоког учења
Крећући се напред на овом блогу о дубоком учењу, погледајмо неке од стварних примена дубоког учења да бисмо разумели његове истинске моћи.
Препознавање говора
Сви бисте чули за Сири, која је интелигентни асистент Аппле-овог гласовног управљања. Као и други велики гиганти, Аппле је такође почео да улаже у Дееп Леарнинг како би своје услуге учинио бољим него икад.
добити дужину низа јс
У подручју препознавања говора и интелигентног асистента који контролише глас, попут Сирија, може се развити тачнији акустички модел користећи дубоку неуронску мрежу и тренутно је једно од најактивнијих поља за имплементацију дубоког учења. Једноставним речима, можете да направите такав систем који може да научи нове карактеристике или да се прилагоди вама, те према томе пружите бољу помоћ тако што ћете унапред предвидети све могућности.
Аутоматско машинско превођење
Сви знамо да Гоогле може тренутно да преведе између 100 различитих људских језика, и то пребрзо као магијом. Технологија која стоји иза Гугл преводилац се зове Машинско превођење и спасио је људе који не могу да комуницирају једни с другима због разлике у говорном језику. Сад бисте помислили да је ова функција већ дуго, па, шта је ново у овоме? Дозволићу вам да вам кажем да је током протекле две године, уз помоћ дубоког учења, Гоогле потпуно реформисао приступ машинском превођењу у свом Гоогле преводиоцу. У ствари, истраживачи дубоког учења који не знају скоро ништа о превођењу језика износе релативно једноставна решења за машинско учење која побеђују најбоље системе за превођење језика створене на свету. Превођење текста може се извршити без било какве претходне обраде низа, што омогућава алгоритму да научи зависности између речи и њихово мапирање на нови језик. За извођење овог превода користе се наслагане мреже великих рекурентних неуронских мрежа.
- Тренутно визуелно превођење
Као што знате, дубоко учење се користи за препознавање слика на којима су слова и где су слова на сцени. Једном идентификовани, могу се претворити у текст, превести и створити слику са преведеним текстом. То се често назива тренутни визуелни превод .
Сада замислите ситуацију у којој сте посетили било коју другу земљу чији вам матерњи језик није познат. Па, не морате да бринете, користећи разне апликације попут Гоогле преводиоца, можете да извршите тренутне визуелне преводе за читање натписа или куповину плоча написаних на другом језику. То је могуће само захваљујући дубоком учењу.
Белешка: Можете да преузмете апликацију Гоогле Транслате и проверите невероватни тренутни визуелни превод користећи горњу слику.
које су компоненте Јава платформе?
Понашање: аутоматски аутоматизовани аутомобили
Гоогле покушава да поведе њихову иницијативу за самостално управљање аутомобилом, познату као ВАИМО, на потпуно нови ниво савршенства користећи дубоко учење. Стога, уместо да користе старе ручно кодиране алгоритме, они сада могу да програмирају систем који може сам да учи користећи податке добијене од различитих сензора. Дубинско учење је сада најбољи приступ већини задатака перцепције, као и многим контролним задацима на нижем нивоу. Отуда, сада чак и људи који не знају да возе или су онеспособљени, могу ићи даље и возити се без зависности од било кога другог.
Овде сам споменуо само неколико познатих случајева стварног коришћења у којима се дубоко учење интензивно користи и показују обећавајуће резултате. Постоји много других примена дубоког учења, заједно са многим пољима која тек треба истражити.
Дакле, све је ово укратко дубоко учење. Сигуран сам да бисте до сада схватили разлику између машинског учења и дубоког учења, као и то како дубинско учење може бити врло корисно за разне стварне примене. Сада, у мом следећем блогу у овој серији туторијала за дубоко учење, детаљно ћемо заронити у различите концепте и алгоритме дубоког учења заједно са њиховом детаљном применом.
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.