Što je duboko učenje? Početak rada s dubokim učenjem

Ovaj blog na temu Što je duboko učenje pružit će vam pregled umjetne inteligencije, strojnog učenja i dubokog učenja sa svojim aplikacijama.

Što je duboko učenje?

Na ovom blogu govorit ću o tome što je Duboko učenje što je danas vrlo popularno i čvrsto je pustilo korijene u velikom mnoštvu industrija koje ulažu u polja poput umjetne inteligencije, velikih podataka i analitike. Na primjer, Google koristi duboko učenje u svojim algoritmima za prepoznavanje glasa i slike, dok ga Netflix i Amazon koriste kako bi razumjeli ponašanje svojih kupaca. Zapravo, nećete vjerovati, ali istraživači s MIT-a pokušavaju predvidjeti budućnost koristeći duboko učenje.Sada zamislite koliko potencijala duboko učenje ima u revoluciji svijeta i kako će tvrtke tražiti .Prije nego što govorimo o dubokom učenju, moramo shvatiti njegov odnos sa strojnim učenjem i umjetnom inteligencijom. Najlakši način da shvatite ovaj odnos je prolazak kroz donji dijagram:

AI Vremenska crta - Što je duboko učenje - Edureka smokva: Što je dubinsko učenje - AI Technologies Timeline





Ovdje na slici možete vidjeti da je Strojno učenje podskup AI-a. To implicira činjenicu da možemo graditi inteligentne strojeve koji mogu samostalno učiti na temelju pruženih podataka. Dalje ćete primijetiti da je Dubinsko učenje podskup Strojnog učenja u kojem se slični algoritmi strojnog učenja koriste za treniranje dubokih neuronskih mreža kako bi se postigla bolja preciznost u onim slučajevima u kojima prethodno nije bilo uspješno. Foslijede teme o kojima ću raspravljati u ovom vodiču za duboko učenje:

  • Umjetna inteligencija
  • Strojno učenje
  • Nedostaci ML
  • Što je duboko učenje?
  • Primjena za duboko učenje

Potvrdite se projektima na razini industrije i ubrzajte svoju karijeru

Umjetna inteligencija



smokva: Što je duboko učenje - umjetna inteligencija

Izraz AI skovao je 1956. John McCarthy, koji se također naziva Ocem umjetne inteligencije. Ideja koja stoji iza AI prilično je jednostavna, ali fascinantna, a to je stvaranje inteligentnih strojeva koji mogu samostalno donositi odluke. Možda to mislite kao znanstvenu fantaziju, ali s obzirom na nedavni razvoj tehnologije i računalne snage, čini se da se sama ideja iz dana u dan približava stvarnosti.

Strojno učenje: korak ka umjetnoj inteligenciji

Sad, kad ste upoznati s AI-om, razgovarajmo ukratko o Strojnom učenju i shvatimo što to znači kad kažemo da programiramo strojeve za učenje. Počnimo s vrlo poznatom definicijom strojnog učenja:



'Kaže se da računalni program uči iz iskustva E s obzirom na neki zadatak T i neku mjeru izvedbe P, ako se njegova izvedba na T, mjerena P, poboljšava s iskustvom E.' - Tom Mitchell, Sveučilište Carnegie Mellon

Dakle, ako želite da vaš program predviđa obrasce prometa na prometnom raskrižju (zadatak T), možete ga pokrenuti kroz algoritam strojnog učenja s podacima o prošlim obrascima prometa (iskustvo E). Sada će točnost predviđanja (mjera izvedbe P) ovisiti o činjenici da li je program uspješno naučio iz skupa podataka ili ne (iskustvo E).

U osnovi, strojno učenje naziva se vrstom umjetne inteligencije (AI) koja računalima pruža mogućnost učenja bez izričitog programiranja izlažući ih velikoj količini podataka. Temeljni princip strojnog učenja je učiti iz skupova podataka i pokušati minimizirati pogreške ili povećati vjerojatnost da su njihova predviđanja istinita.

Nedostaci strojnog učenja

  • Tradicionalni ML algoritmi nisu korisni za rad s visokodimenzionalnim podacima, tu imamo velik broj ulaza i izlaza. Na primjer, u slučaju prepoznavanja rukopisa imamo veliku količinu unosa gdje ćemo imati različite vrste unosa povezane s različitim vrstama rukopisa.
  • Drugi glavni izazov je reći računalu koje su značajke koje treba potražiti, a koje će imati važnu ulogu u predviđanju ishoda, kao i postizanje veće preciznosti. Upravo se taj postupak naziva izdvajanje značajki .

Hranjenje sirovih podataka algoritmu rijetko ikad uspije i to je razlog zašto je izdvajanje značajki kritični dio tradicionalnog tijeka strojnog učenja. Stoga se, bez izdvajanja značajki, izazov za programera povećava jer učinkovitost algoritma uvelike ovisi o tome koliko je programer pronicljiv. Stoga je vrlo teško primijeniti ove modele ili algoritme strojnog učenja na složene probleme poput prepoznavanja predmeta, prepoznavanja rukopisa, NLP (Obrada prirodnog jezika) itd.

Duboko učenje

Dubinsko učenje jedna je od metoda kojom možemo prevladati izazove ekstrakcije značajki. To je zato što modeli dubokog učenja mogu sami naučiti kako se usredotočiti na prave značajke, zahtijevajući malo smjernica od programera. U osnovi, duboko učenje oponaša način na koji naš mozak funkcionira, tj. Uči iz iskustva. Kao što znate, naš mozak čine milijarde neurona koji nam omogućuju nevjerojatne stvari. Čak i mozak jednogodišnjeg djeteta može riješiti složene probleme koje je vrlo teško riješiti čak i koristeći super-računala. Na primjer:

  • Prepoznajte lice svojih roditelja i različite predmete.
  • Diskriminirati različite glasove i čak može prepoznati određenu osobu na temelju njezina glasa.
  • Izvucite zaključak iz gesta lica drugih osoba i mnogih drugih.

Zapravo, naš se mozak godinama nesvjesno uvježbavao u takve stvari. Sada dolazi pitanje, koliko duboko učenje oponaša funkcionalnost mozga? Pa, duboko učenje koristi koncept umjetnih neurona koji funkcionira na sličan način kao i biološki neuroni prisutni u našem mozgu. Stoga možemo reći da je duboko učenje potpolje mašina učenje zabrinut za algoritme nadahnute strukturom i funkcijom mozga zvanim umjetne neuronske mreže.

Uzmimo sada primjer da bismo to razumjeli. Pretpostavimo da želimo napraviti sustav koji može prepoznati lica različitih ljudi na slici.Ako to riješimo kao tipičan problem strojnog učenja, definirat ćemo značajke lica poput očiju, nosa, ušiju itd., A zatim će sustav sam prepoznati koje su značajke važnije za koju osobu.

Sada duboko učenje čini jedan korak naprijed. Dubinsko učenje automatski otkriva značajke koje su važne za klasifikaciju zbog dubokih neuronskih mreža, dok smo u slučaju Strojnog učenja morali ručno definirati te značajke.

smokva: Prepoznavanje lica pomoću dubokih mreža

Kao što je prikazano na gornjoj slici, Deep Learning djeluje na sljedeći način:

  • Na najnižoj razini mreža se fiksira na uzorke lokalnog kontrasta kao važne.
  • Sljedeći sloj tada može koristiti one uzorke lokalnog kontrasta da bi se fiksirao na stvari koje nalikuju očima, nosu i ustima
  • Konačno, gornji sloj je u stanju primijeniti te crte lica na predloške lica.
  • Duboka neuronska mreža sposobna je sastaviti sve složenije značajke u svakom od svojih uzastopnih slojeva.

Jeste li se ikad zapitali kako Facebook automatski označava ili označava svu osobu prisutnu na slici koju ste prenijeli? Pa, Facebook koristi duboko učenje na sličan način kao što je navedeno u gornjem primjeru. Sada biste shvatili sposobnost dubinskog učenja i kako ono može nadmašiti strojno učenje u onim slučajevima kada imamo vrlo malo predodžbe o svim značajkama koje mogu utjecati na ishod. Stoga duboka mreža može prevladati nedostatak strojnog učenja crtanjem zaključaka iz skupa podataka koji se sastoji od ulaznih podataka bez odgovarajućeg označavanja.

Što je duboko učenje | Pojednostavljeno duboko učenje | Edureka

Primjene dubokog učenja

Krećući se naprijed na ovom blogu o dubokom učenju, pogledajmo neke stvarne primjene dubokog učenja kako bismo razumjeli njegove istinske moći.

  • Prepoznavanje govora

Svi biste čuli za Siri, koja je inteligentni Appleov glasovni inteligentni asistent. Kao i drugi veliki divovi, Apple je također počeo ulagati u Deep Learning kako bi svoje usluge učinio boljim nego ikad.

Na području prepoznavanja govora i inteligentnog asistenta kojim se upravlja glasom poput Sirija, može se razviti precizniji akustički model koristeći duboku neuronsku mrežu i trenutno je jedno od najaktivnijih polja za duboku primjenu učenja. Jednostavnim riječima, možete izgraditi takav sustav koji može naučiti nove značajke ili se prilagoditi prema vama, pa prema tome pružiti bolju pomoć unaprijed predviđajući sve mogućnosti.

  • Automatski strojni prijevod

Svi znamo da Google može trenutno prevesti između 100 različitih ljudskih jezika, i to prebrzo kao magijom. Tehnologija koja stoji iza Google prevoditelj Zove se Strojno prevođenje i spasio je ljude koji međusobno ne mogu komunicirati zbog razlike u govornom jeziku. Sad biste pomislili da je ova značajka već dugo, pa, što je novo u ovome? Dopustite mi da vam kažem da je u protekle dvije godine, uz pomoć dubokog učenja, Google potpuno reformirao pristup strojnom prijevodu u svom Google Translateu. Zapravo, istraživači dubokog učenja koji ne znaju gotovo ništa o prevođenju jezika iznose relativno jednostavna rješenja za strojno učenje koja pobjeđuju najbolje sustave za jezično prevođenje koje su stvorili stručnjaci na svijetu. Prijevod teksta može se izvesti bez prethodne obrade niza, što omogućava algoritmu da nauči ovisnosti između riječi i njihovo preslikavanje na novi jezik. Za izvođenje ovog prijevoda koriste se naslagane mreže velikih rekurentnih neuronskih mreža.

  • Trenutno vizualno prevođenje

Kao što znate, duboko učenje koristi se za prepoznavanje slika koje sadrže slova i mjesta na kojima su slova na sceni. Jednom identificirani, mogu se pretvoriti u tekst, prevesti i stvoriti sliku s prevedenim tekstom. To se često naziva trenutni vizualni prijevod .

Sada zamislite situaciju u kojoj ste posjetili bilo koju drugu zemlju čiji vam materinji jezik nije poznat. Pa, ne trebate brinuti, koristeći razne aplikacije poput Google Prevoditelja možete izvoditi trenutne vizualne prijevode za čitanje natpisa ili kupnje ploča napisanih na drugom jeziku. To je moguće samo zbog dubokog učenja.

Bilješka: Možete nastaviti i preuzeti aplikaciju Google Translate i provjeriti nevjerojatan trenutni vizualni prijevod pomoću gornje slike.

  • Ponašanje: Automatizirani samostalni automobili

Google pokušava odvesti njihovu inicijativu za samostalno upravljanje automobilom, poznatu kao WAYMO, na potpuno novu razinu savršenstva pomoću dubokog učenja. Stoga, umjesto da koriste stare ručno kodirane algoritme, oni sada mogu programirati sustav koji može sam učiti koristeći podatke dobivene od različitih senzora. Dubinsko učenje sada je najbolji pristup većini zadataka percepcije, kao i mnogim kontrolnim zadacima na niskoj razini. Dakle, sada čak i ljudi koji ne znaju voziti ili su onesposobljeni, mogu ići dalje i voziti se bez ovisnosti o bilo kome drugom.

java kod za prekid programa

Ovdje sam spomenuo samo nekoliko poznatih slučajeva stvarne uporabe u kojima se duboko učenje intenzivno koristi i pokazuju obećavajuće rezultate. Postoje mnoge druge primjene dubokog učenja zajedno s mnogim poljima koja tek treba istražiti.

Dakle, ovdje se radi o dubokom učenju ukratko. Siguran sam da biste do sada shvatili razliku između Strojnog učenja i Dubinskog učenja, kao i to kako Dubinsko učenje može biti vrlo korisno za razne stvarne programe. Sada, u mom sljedećem blogu u ovoj seriji tutorijala za duboko učenje, detaljno ćemo zaroniti u različite koncepte i algoritme Dubinskog učenja, zajedno s njihovom primjenom u detalje.

Sad kad znate za duboko učenje, pogledajte Edureka, pouzdana tvrtka za internetsko učenje s mrežom od više od 250 000 zadovoljnih učenika raširenih širom svijeta. Tečaj Edureka za dubinsko učenje s certifikatom TensorFlow pomaže učenicima da postanu stručnjaci u obuci i optimizaciji osnovnih i konvolucijskih neuronskih mreža koristeći projekte i zadatke u stvarnom vremenu zajedno s konceptima kao što su SoftMax funkcija, Neuronske mreže s automatskim kodiranjem, Ograničeni Boltzmannov stroj (RBM).

Imate pitanje za nas? Molimo spomenite to u odjeljku za komentare i javit ćemo vam se.