Mis on sügav õppimine?
Selles blogis räägin teemal Mis on Sügav õppimine mis on tänapäeval kuum uudis ja on kindlalt oma juured pannud paljudesse tööstusharudesse, mis investeerivad sellistesse valdkondadesse nagu tehisintellekt, Big Data ja Analytics. Näiteks kasutab Google oma hääle- ja pildituvastuse algoritmides sügavat õppimist, Netflix ja Amazon aga kasutavad seda oma kliendi käitumise mõistmiseks. Tegelikult te ei usu seda, kuid MITi teadlased üritavad sügavat õppimist kasutades tulevikku ennustada.Kujutage nüüd ette, kui palju potentsiaali on sügaval õppimisel maailma murrangulisel muutmisel ja kuidas ettevõtted seda otsivad .Enne sügavõppest rääkimist tuleb mõista selle suhet masinõppe ja tehisintellektiga. Kõige lihtsam on seda suhet mõista alloleva skeemi kaudu:
joonis: Mis on sügav õppimine - tehisintellekti tehnoloogiate ajaskaala
Siin pildil näete, et masinõpe on tehisintellekti alamhulk. See tähendab asjaolu, et saame ehitada arukaid masinaid, mis saavad ise õppida pakutavate andmekogumite põhjal. Lisaks märkate, et sügavõpe on masinõppe alamhulk, kus sarnaseid masinõppe algoritme kasutatakse sügavate närvivõrkude koolitamiseks, et saavutada parem täpsus nendel juhtudel, kui esimene ei toiminud kuni märgini. FoAlljärgnevad on teemad, mida kavatsen selles süvaõppe õpetuses arutada:
- Tehisintellekt
- Masinõpe
- ML puudused
- Mis on sügav õppimine?
- Sügava õppimise rakendus
Hankige sertifikaat valdkonna tasandi projektide abil ja jälgige oma karjääri kiiresti
Tehisintellekt
joonis: Mis on sügav õppimine - tehisintellekt
Mõiste AI võttis 1956. aastal kasutusele John McCarthy, keda nimetatakse ka tehisintellekti isaks. Tehisintellekti idee on üsna lihtne, kuid põnev, milleks on intelligentsete masinate valmistamine, mis suudaksid otsuseid ise vastu võtta. Võib arvata, et see on teadusfantaasia, kuid seoses tehnoloogia ja arvutusvõimsuse hiljutiste arengutega näib just see idee päev-päevalt tegelikkusele lähemale jõudvat.
Masinõpe: samm tehisintellekti poole
Nüüd, kui olete tehisintellektiga tuttav, rääkigem lühidalt masinõppest ja mõistkem, mida see tähendab, kui ütleme, et programmeerime masinaid õppimiseks. Alustame masinõppe väga kuulsa määratlusega:
'Arvatakse, et arvutiprogramm õpib kogemusest E seoses mõne ülesande T ja mõne tulemusnäitajaga P, kui selle toimivus T-l, mõõdetuna P-ga, paraneb kogemuse E abil.' - Tom Mitchell, Carnegie Melloni ülikool
pl sql õpetus algajatele
Seega, kui soovite, et teie programm prognoosiks liiklusmustreid hõivatud ristmikul (ülesanne T), saate selle käivitada läbi masinõppe algoritmi, mis sisaldab andmeid varasemate liiklusmustrite kohta (kogemus E). Nüüd sõltub prognoosi täpsus (tulemusnäitaja P) sellest, kas programm on andmekogumist edukalt õppinud või mitte (kogemus E).
Põhimõtteliselt nimetatakse masinõpet tehisintellekti (AI) tüübiks, mis pakub arvutitele õppimisvõimalust, ilma et neid oleks selgesõnaliselt programmeeritud, paljastades neile tohutu hulga andmeid. Masinõppe peamine põhimõte on õppida andmekogumitest ja proovida minimeerida vigu või maksimeerida nende prognooside tõesuse tõenäosust.
Masinõppe puudused
- Traditsioonilised ML-algoritmid pole kõrgemõõtmeliste andmetega töötamisel kasulikud, see on koht, kus meil on palju sisendeid ja väljundeid. Näiteks käsikirja tuvastamise korral on meil palju sisendeid, kus meil on erinevat tüüpi käekirjadega seotud erinevat tüüpi sisendid.
- Teine suurem väljakutse on öelda arvutile, millised on funktsioonid, mida ta peaks otsima, mis mängivad olulist rolli nii tulemuste ennustamisel kui ka parema täpsuse saavutamisel. Just sellele protsessile viidatakse kui funktsioonide väljavõtmine .
Algandmete toorandmete sisestamine töötab harva ja see on põhjus, miks funktsioonide väljavõtmine on traditsioonilise masinõppe töövoo kriitiline osa. Seetõttu suureneb programmeerija väljakutse ilma funktsioonide väljavõtmiseta, kuna algoritmi tõhusus sõltub paljuski programmeerija läbinägelikkusest. Seetõttu on neid masinõppe mudeleid või algoritme väga keeruline rakendada keeruliste probleemide korral, nagu objektide tuvastamine, käekirja tuvastamine, NLP (loomuliku keele töötlemine) jne.
Sügav õppimine
Sügav õppimine on üks ainsatest meetoditest, mille abil saame ületada tunnuste väljavõtte väljakutseid. Seda seetõttu, et süvaõppemudelid suudavad õppida ise keskenduma õigetele funktsioonidele, nõudes programmeerijalt vähe juhendamist. Põhimõtteliselt jäljendab sügav õppimine seda, kuidas meie aju toimib, st ta õpib kogemustest. Nagu teate, koosneb meie aju miljarditest neuronitest, mis võimaldavad meil teha hämmastavaid asju. Isegi üheaastase lapse aju suudab lahendada keerulisi probleeme, mida on isegi superarvutite abil väga raske lahendada. Näiteks:
- Tundke ära ka nende vanemate nägu ja erinevad esemed.
- Eristage erinevaid hääli ja saate isegi konkreetse inimese tema hääle järgi ära tunda.
- Tehke järeldusi teiste inimeste ja paljude teiste näožestidest.
Tegelikult on meie aju end aastate jooksul alateadlikult treeninud selliseid asju tegema. Nüüd tuleb küsimus, kui sügav õppimine jäljendab aju funktsionaalsust? Noh, sügav õppimine kasutab kunstlike neuronite mõistet, mis toimib sarnaselt meie ajus esinevate bioloogiliste neuronitega. Seetõttu võime öelda, et sügav õppimine on masin õppimine on seotud algoritmidega, mis on inspireeritud aju struktuurist ja funktsioonist, mida nimetatakse kunstlikeks närvivõrkudeks.
Nüüd võtame selle mõistmiseks näite. Oletame, et tahame luua süsteemi, mis suudaks pildil ära tunda erinevate inimeste näod.Kui lahendame selle kui tüüpilise masinõppeprobleemi, määratleme näojooned, nagu silmad, nina, kõrvad jne, ja seejärel tuvastab süsteem, millised omadused on selle inimese jaoks iseseisvamad.
Nüüd võtab sügav õppimine selle sammu edasi. Sügav õppimine selgitab välja funktsioonid, mis on sügavate närvivõrkude tõttu klassifitseerimisel olulised, samas kui masinõppe puhul pidime need funktsioonid käsitsi määratlema.
joonis: Näotuvastus sügavate võrkude abil
Nagu ülaltoodud pildil näha, töötab Deep Learning järgmiselt:
- Kõige madalamal tasemel fikseeritakse võrk kohaliku kontrastsuse mustritega sama olulisena.
- Seejärel saab järgmine kiht kasutada neid kohaliku kontrasti mustreid, et fikseerida asjadele, mis sarnanevad silmadele, ninale ja suule
- Lõpuks suudab pealmine kiht neid näojooni rakendada näomallidele.
- Sügav närvivõrk on võimeline igas järjestikuses kihis koostama üha keerukamaid jooni.
Kas olete kunagi mõelnud, kuidas Facebook automaatselt sildistab või sildistab kõik teie üleslaaditud pildil olevad inimesed? Noh, Facebook kasutab Deep Learning'i sarnaselt, nagu on öeldud ülaltoodud näites. Nüüd oleksite mõistnud sügava õppimise võimekust ja seda, kuidas see masinõppest üle suudab olla neil juhtudel, kui meil on kõigist tulemust mõjutavatest funktsioonidest väga vähe aimu. Seetõttu suudab Deep network ületada masinõppe puuduse, tehes sisendandmetest koosneva andmekogumi põhjal järeldused ilma nõuetekohase märgistamiseta.
Mis on sügav õppimine | Sügav õppimine lihtsustatud Edureka
Sügava õppimise rakendused
Selles sügava õppimise ajaveebis edasi liikudes vaatleme mõningaid Deep Learning'i tegelikke rakendusi, et mõista selle tõelisi võimeid.
Kõnetuvastus
Te kõik oleksite kuulnud Sirist, mis on Apple'i hääljuhtimisega intelligentne assistent. Nagu teised suured hiiglased, on ka Apple hakanud investeerima Deep Learning'i, et muuta oma teenuseid paremaks kui kunagi varem.
Kõnetuvastuse ja hääljuhitava intelligentse assistendi, nagu Siri, valdkonnas saab sügava närvivõrgu abil välja töötada täpsema akustilise mudeli ja see on praegu üks kõige aktiivsemaid valdkondi sügava õppimise rakendamiseks. Lihtsamalt öeldes saate luua sellise süsteemi, mis suudaks õppida uusi funktsioone või kohandada ennast vastavalt teile ja seega pakkuda paremat abi, ennustades eelnevalt kõiki võimalusi.
Automaatne masintõlge
Me kõik teame, et Google suudab koheselt tõlkida 100 erineva inimkeele vahel, seda liiga kiiresti justkui võluväel. Tehnoloogia taga Google'i tõlge kutsutakse Masintõlge ja on olnud päästjaks inimestele, kes ei saa omavahel rääkida rääkiva keele erinevuse tõttu. Nüüd võiksite arvata, et see funktsioon on seal olnud pikka aega, nii et mida uut selles on? Lubage mul teile öelda, et viimase kahe aasta jooksul on Google põhjaliku õppimise abil oma Google'i tõlkes täielikult reforminud lähenemist masintõlkele. Tegelikult pakuvad süvaõppe uurijad, kes keeletõlkimisest peaaegu midagi ei tea, välja suhteliselt lihtsad masinõppelahendused, mis ületavad maailma parimaid ekspertide poolt loodud keeletõlkesüsteeme. Teksti tõlkimist saab teostada ilma järjestuse eeltöötluseta, võimaldades algoritmil õppida sõltuvusi sõnade ja nende uue keele vastendamise vahel. Selle tõlke teostamiseks kasutatakse suurte korduvate närvivõrkude virnastatud võrke.
- Kiire visuaalne tõlge
Nagu teate, kasutatakse sügavat õppimist piltide tuvastamiseks, millel on tähed ja kus tähed on areenil. Kui need on tuvastatud, saab need muuta tekstiks, tõlkida ja pilt koos tõlgitud tekstiga uuesti luua. Seda nimetatakse sageli kohene visuaalne tõlge .
Kujutage nüüd ette olukorda, kus olete külastanud mõnda muud riiki, mille emakeel pole teile teada. Noh, pole vaja muretseda, kasutades erinevaid rakendusi, näiteks Google Translate, võite jätkata visuaalset tõlget, et lugeda teises keeles kirjutatud märke või poelaudu. See on olnud võimalik ainult tänu sügavale õppimisele.
Märge: Võite jätkata Google'i rakenduse allalaadimist ja vaadata ülaltoodud pildi abil hämmastavat kiiret visuaalset tõlget.
Käitumine: automatiseeritud isejuhtivad autod
Google üritab nende isesõitvate autode initsiatiivi, tuntud kui WAYMO, viia Deep Learning abil täiesti uuele tasemele. Seetõttu saavad nad vanade käsitsi kodeeritud algoritmide asemel nüüd programmeerida süsteemi, mis saab erinevate andurite andmete abil ise õppida. Sügav õppimine on nüüd parim lähenemisviis enamikule tajumisülesannetele, samuti paljudele madala taseme kontrollülesannetele. Seega saavad nüüd isegi inimesed, kes ei oska juhtida või on puudega, minna edasi sõitma ilma kellestki teisest sõltumata.
Siinkohal olen maininud vaid mõnda kuulsat päriselus kasutatavat juhtumit, kus Deep Learningut kasutatakse laialdaselt ja see näitab paljutõotavaid tulemusi. Süvaõppel on palju muid rakendusi koos paljude valdkondadega, mis on veel uurimata.
Niisiis, see kõik puudutab sügavat õppimist lühidalt. Olen kindel, et nüüdseks oleksite mõistnud masinõppe ja süvaõppe erinevust ning seda, kuidas sügavõpe võib olla väga kasulik mitmesuguste reaalses elus rakenduste jaoks. Nüüd, selles sügava õppe juhendamise seeria järgmises ajaveebis, sukeldume põhjalikult erinevatesse mõistetesse ja algoritmidesse Deep Learning koos nende rakendustega üksikasjalikult.
Nüüd, kui olete sügava õppimise kohta teadlik, vaadake järgmist autor Edureka, usaldusväärne veebiõppeettevõte, mille võrgustik koosneb enam kui 250 000 rahulolevast õppijast ja mis levib üle kogu maailma. Kursus Edureka Deep Learning with TensorFlow sertifitseerimiskoolitus aitab õppijatel saada ekspertideks põhi- ja konvolutsiooniliste närvivõrkude koolitamisel ning optimeerimisel, kasutades reaalajas toimuvaid projekte ja ülesandeid koos selliste mõistetega nagu SoftMax-funktsioon, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
java operaatori võimule
Kas teil on meile küsimus? Palun mainige seda kommentaaride jaotises ja võtame teiega ühendust.