Gilaus mokymosi pamoka: dirbtinis intelektas, naudojant gilų mokymąsi

Šis tinklaraštis „Deep Learning Tutorial“ padės jums suprasti viską apie gilų mokymąsi ir jo santykį su mašininiu mokymu ir dirbtiniu intelektu.

Kadangi tai yra svarbus mašininio mokymosi pogrupis, reikia pastebimas didžiulis augimas, ypač tarp tų, kurie nori išlaisvinti neribotas AI galimybes.Įkvėptas vis didėjančio „Deep Learning“ populiarumo, sugalvojau sukurti tinklaraščių seriją, kuri mokys jus apie šią naują tendenciją dirbtinio intelekto srityje ir padės suprasti, kas tai yra. Tai pirmasis iš daugelio tinklaraščių, vadinamų - Gilaus mokymosi pamoka .

Gilaus mokymosi pamoka

Šiame tinklaraštyje „Gilaus mokymosi pamoka“ apžvelgsiu šiuos dalykus, kurie bus pagrindiniai būsimų tinklaraščių pagrindai:



  • Kas leido giliam mokymuisi atsirasti
  • Kas yra gilus mokymasis ir kaip jis veikia?

Galite pereiti šį „Deep Learning Tutorial“ įrašą, kur mūsų instruktorius išsamiai paaiškino temas su pavyzdžiais, kurie padės geriau suprasti šią sampratą.

Gilaus mokymosi pamoka | Gilus neuroninių tinklų mokymasis Edureka

Dirbtinio intelekto ir gilaus mokymosi programos

Dabar pagalvokite apie tai, vietoj to, kad atliktumėte visą savo darbą, turite mašiną, kuri jums ją užbaigtų, arba ji gali padaryti tai, ko, jūsų manymu, visai neįmanoma. Pavyzdžiui:

Numatyti ateitį - gilaus mokymosi pamoka - „Edureka“

Numatyti ateitį: Tai gali padėti mums iš anksto numatyti žemės drebėjimus, cunamį ir kt., Kad būtų galima imtis prevencinių priemonių, siekiant išgelbėti daugybę gyvybių nuo patekimo į natūralių nelaimių gniaužtus.

Pokalbių robotai: Visi jūs būtumėte girdėję apie „Siri“, kuris yra „Apple“ balsu valdomas virtualusis asistentas. Patikėkite, „Deep Learning“ pagalba ši virtuali pagalba kasdien tampa vis protingesnė. Tiesą sakant, „Siri“ gali pats prisitaikyti pagal vartotoją ir suteikti geriau individualizuotą pagalbą.
Savaeigiai automobiliai: Įsivaizduokite, kaip neįtikėtina būtų fiziškai neįgaliems ir pagyvenusiems žmonėms, kuriems sunku savarankiškai vairuoti. Be to, tai išgelbės milijonus nekaltų žmonių, kurie kasmet patiria kelių eismo įvykius dėl žmogaus klaidų.

„Google AI“ akių gydytojas: Tai naujausia „Google“ iniciatyva, kai jie bendradarbiauja su Indijos akių priežiūros grandine, kad sukurtų AI programinę įrangą, kuri galėtų ištirti tinklainės nuskaitymus ir nustatyti būklę, vadinamą diabetine retinopatija, galinčią sukelti aklumą.

hadoop administratoriaus vaidmenys ir atsakomybė
AI muzikos kompozitorius: Na, kas manė, kad galime turėti dirbtinio intelekto muzikos kompozitorių, naudojančią „Deep Learning“. Todėl nenustebčiau išgirdęs, kad kitą geriausią muziką teikia mašina.
Svajonių skaitymo mašina: Tai yra vienas iš mano mėgstamiausių, mašina, kuri gali užfiksuoti jūsų svajones vaizdo ar pan. Pavidalu. Turėdamas tiek daug nerealių AI ir „Deep Learning“ pritaikymų, kuriuos matėme iki šiol, nenustebau sužinojusi, kad tai buvo bandyta Japonijoje kelerius metus atgal trims bandomiesiems asmenims ir jie sugebėjo pasiekti beveik 60% tikslumą. Tai kažkas neįtikėtina, tačiau tiesa.


Esu visiškai įsitikinęs, kad kai kurie iš šių realaus gyvenimo AI ir „Deep Learning“ pritaikymų būtų suteikę jums žąsies. Gerai, tada tai nustato jums pagrindą, ir dabar mes esame pasirengę toliau tęsti šią gilaus mokymosi pamoką ir suprasti, kas yra dirbtinis intelektas.

Kas yra dirbtinis intelektas?

Dirbtinis intelektas yra ne kas kita, kaip mašinos sugebėjimas imituoti protingą žmogaus elgesį. Dirbtinis intelektas pasiekiamas imituojant žmogaus smegenis, suprantant, kaip jos mąsto, kaip mokosi, sprendžia ir dirba bandydamos išspręsti problemą.

Pavyzdžiui: Mašina, žaidžianti šachmatais, arba balsu įjungiama programinė įranga, padedanti jums atlikti įvairius dalykus jūsų „iPhone“ ar numerio atpažinimo sistemoje, kuri užfiksuoja viršijusį greitį automobilio numerį ir apdoroja jį, kad išgautų registracijos numerį ir nustatytų automobilio savininką . Visa tai anksčiau nebuvo labai lengva įgyvendinti Gilus mokymasis . Dabar supraskime įvairius dirbtinio intelekto pogrupius.

Dirbtinio intelekto pogrupiai

Iki šiol būtumėte daug girdėję apie dirbtinį intelektą, mašininį mokymąsi ir giluminį mokymąsi. Tačiau ar žinote visų trijų santykius? Iš esmės, gilus mokymasis yra mašininio mokymosi, o mašininio mokymosi - dirbtinio intelekto pogrupis, kaip parodyta toliau pateiktame paveikslėlyje:

Kai žiūrime į kažką panašaus „AlphaGo“ , tai dažnai vaizduojama kaip didelė giluminio mokymosi sėkmė, tačiau iš tikrųjų tai yra kelių skirtingų dirbtinio intelekto ir mašininio mokymosi sričių idėjų derinys. Tiesą sakant, nustebtumėte išgirdę, kad giliųjų neuronų tinklų idėja nėra nauja, bet atsirado 1950 m. Tačiau praktiškai tai įgyvendinti tapo įmanoma dėl šiais laikais prieinamų aukščiausios klasės išteklių galimybių.

Taigi, eidami į šį gilaus mokymosi vadovėlio tinklaraštį, panagrinėkime mašininį mokymąsi ir jo apribojimus.

Kas yra mašininis mokymasis?

Mašininis mokymasis yra dirbtinio intelekto pogrupis, kuris suteikia kompiuteriams galimybę mokytis be aiškaus programavimo. Mokydamiesi mašinoje, neturime aiškiai apibrėžti visų žingsnių ar sąlygų, kaip bet kuri kita programavimo programa. Priešingai, mašina mokoma pagal mokymo duomenų rinkinį, kuris yra pakankamai didelis, kad sukurtų modelį, kuris mašinai padeda priimti sprendimus, pagrįstus mokymusi.

Pavyzdžiui: Naudodamiesi mašinomis, norime nustatyti gėlės rūšį pagal jos žiedlapio ir taurėlapio ilgį (gėlės lapus). Tada, kaip mes tai padarysime?

sekli ir gilioji kopija java
Kaip matysime aukščiau pateiktame paveikslėlyje, į mašiną tieksime gėlių duomenų rinkinį, kuriame pateikiamos įvairios skirtingų gėlių savybės ir jų rūšys. Naudodama šį įvesties duomenų rinkinį, mašina sukurs ir apmokys modelį, kurį galima naudoti klasifikuojant gėles į skirtingas kategorijas.
Kai mūsų modelis bus apmokytas, mes pateiksime savybių rinkinį kaip įvestį į modelį.
Pagaliau mūsų modelis išleis gėlių rūšis, esančias naujame įvesties duomenų rinkinyje. Šis mašinos mokymas sukurti modelį ir naudoti jį priimant procesą yra vadinamas Mašininis mokymasis . Tačiau šis procesas turi tam tikrų apribojimų.

Mašininio mokymosi apribojimai

Mašininis mokymasis negali apdoroti didelių matmenų duomenų, todėl įvestis ir išvestis yra gana dideli. Tokio tipo duomenų tvarkymas ir apdorojimas tampa labai sudėtingas ir išsamus. Tai vadinama Matmenų prakeiksmas . Norėdami tai suprasti paprasčiau, apsvarstykime šį vaizdą:

Apsvarstykite 100 jardų eilutę ir numetėte monetą kažkur ant linijos. Dabar jums gana patogu rasti monetą paprasčiausiai eidami ant linijos. Ši linija yra viengimtis subjektas.
Toliau apsvarstykite, ar turite 100 kvadratinių pusių kvadratą, kaip parodyta aukščiau esančiame paveikslėlyje, ir dar kartą numetėte monetą kažkur tarp jų. Dabar akivaizdu, kad, norint rasti monetą toje aikštėje, reikės daugiau laiko, palyginti su ankstesniu scenarijumi. Šis kvadratas yra dvimatis subjektas.
Leiskite žengti žingsnį į priekį, atsižvelgdami į kubą, kurio šonai yra 100 jardų, ir jūs numetėte monetą kažkur tarp jų. Dabar šį monetą rasti dar sunkiau. Šis kubas yra 3 dimensijų esybė.

Taigi galite pastebėti, kad sudėtingumas didėja, kai matmenys didėja.Realiame gyvenime aukštų matmenų duomenys, apie kuriuos kalbėjome, turi tūkstančius aspektų, todėl juos labai sunku valdyti ir apdoroti. Didelių matmenų duomenis galima lengvai rasti tokiais naudojimo atvejais kaip vaizdo apdorojimas, NLP, vaizdų vertimas ir kt.

Mašinų mokymasis nebuvo pajėgus išspręsti šių naudojimo atvejų, todėl giluminis mokymasis atėjo į pagalbą. Gilus mokymasis gali apdoroti didelių matmenų duomenis ir taip pat efektyviai atskirai sutelkti dėmesį į tinkamas funkcijas. Šis procesas vadinamas funkcijų išskyrimu. Dabar eikime į šią gilaus mokymosi pamoką ir supraskime, kaip veikia gilus mokymasis.

Kaip veikia gilus mokymasis?

Mėgindamas iš naujo sukurti žmogaus smegenis, „Deep Learning“ tiria pagrindinį smegenų vienetą, vadinamą smegenų ląstele arba neuronu. Įkvėptas neurono, buvo sukurtas dirbtinis neuronas arba perceptronas. Dabar supraskime biologinių neuronų funkcionalumą ir kaip mes imituojame šį funkciją perceptrone ar dirbtiniame neurone:

  • Jei sutelkiame dėmesį į biologinio neurono struktūrą, jis turi dendritus, kurie naudojami gaunant įvadus. Šie įėjimai yra susumuojami ląstelės kūne ir naudojant Axoną jis perduodamas kitam biologiniam neuronui, kaip parodyta aukščiau esančiame paveikslėlyje.

  • Panašiai perceptronas gauna kelis įėjimus, taiko įvairias transformacijas ir funkcijas bei teikia išvestį.

  • Kadangi žinome, kad mūsų smegenys susideda iš kelių sujungtų neuronų, vadinamų neuroniniu tinklu, taip pat galime turėti dirbtinių neuronų, vadinamų perceptronais, tinklą, kad suformuotume giluminį neuronų tinklą. Taigi, eikime į šią „Deep Learning“ mokymo programą, kad suprastume, kaip atrodo „Deep“ neuroninis tinklas.

Gilaus mokymosi pamoka: kas yra gilus mokymasis?

  • Bet kokį gilų neuronų tinklą sudarys trijų tipų sluoksniai:
    • Įvesties sluoksnis
    • Paslėptas sluoksnis
    • Išvesties sluoksnis
Pirmiau pateiktoje diagramoje pirmasis sluoksnis yra įvesties sluoksnis, kuris gauna visas įvestis, o paskutinis sluoksnis yra išvesties sluoksnis, kuris teikia norimą išvestį.
Visi tarp šių sluoksnių esantys sluoksniai vadinami paslėptais sluoksniais. Dėl šiais laikais prieinamų aukščiausios klasės išteklių gali būti n paslėptų sluoksnių.
Paslėptų sluoksnių skaičius ir perceptronų skaičius kiekviename sluoksnyje visiškai priklausys nuo naudojimo atvejo, kurį bandote išspręsti.

Dabar, kai turite giliųjų neuroninių tinklų vaizdą, eikime į priekį šioje giluminio mokymosi pamokoje, kad gautumėte aukšto lygio vaizdą apie tai, kaip giluminiai neuroniniai tinklai sprendžia vaizdo atpažinimo problemą.

Gilus mokymasis - atvejis

Mes norime atpažinti vaizdą naudodami „Deep Networks“:

Čia mes perduodame didelių matmenų duomenis įvesties sluoksniui. Kad atitiktų įvesties duomenų matmenis, įvesties sluoksnyje bus keli perceptronų posluoksniai, kad jis galėtų sunaudoti visą įvestį.
Iš įvesties sluoksnio gautame išvestyje bus šablonų ir jis galės atpažinti vaizdų kraštus tik pagal kontrasto lygius.
Ši išvestis bus perduodama paslėptam sluoksniui 1, kuriame bus galima nustatyti įvairias veido savybes, pvz., Akis, nosį, ausis ir kt.
Dabar tai bus paduota paslėptam 2 sluoksniui, kur jis galės suformuoti visus veidus. Tada 2 sluoksnio išvestis siunčiama į išvesties sluoksnį.
Galiausiai, išvesties sluoksnis atlieka klasifikaciją pagal gautą rezultatą ir numato vardą.

Leiskite man užduoti jums klausimą, kas nutiks, jei trūksta kurio nors iš šių sluoksnių arba nervų tinklas nėra pakankamai gilus? Paprasta, negalėsime tiksliai identifikuoti vaizdų. Tai yra priežastis, kodėl šie naudojimo atvejai neturėjo sprendimo visus šiuos metus iki gilaus mokymosi. Norėdami tai padaryti toliau, mes bandysime pritaikyti „Deep“ tinklus MNIST duomenų rinkinyje.

  • „Mnist“ duomenų rinkinį sudaro 60 000 mokomųjų pavyzdžių ir 10 000 bandomųjų ranka rašytų skaitmeninių vaizdų pavyzdžių. Čia užduotis yra parengti modelį, kuris galėtų tiksliai identifikuoti paveikslėlyje esantį skaitmenį.

  • Norėdami išspręsti šį naudojimo atvejį, bus sukurtas „Deep“ tinklas su keliais paslėptais sluoksniais, kurie apdoros visus 60 000 vaizdų pikseliais po pikselių, ir galiausiai gausime išvesties sluoksnį.
  • Išvesties sluoksnis bus nuo 0 iki 9 indekso masyvas, kuriame kiekvienas indeksas atitinka atitinkamą skaitmenį. Rodyklėje 0 yra tikimybė, kad 0 bus skaitmuo, esantis įvesties vaizde.
  • Panašiai indeksas 2, kurio vertė yra 0,1, iš tikrųjų rodo tikimybę, kad 2 bus skaitmuo, esantis įvesties vaizde. Taigi, jei matome didžiausią tikimybę šiame masyve yra 0,8, kuri yra masyvo 7 rodyklėje. Taigi paveikslėlyje esantis skaičius yra 7.

Išvada

Taigi, vaikinai, visa tai buvo apie gilų mokymąsi trumpai. Šioje gilaus mokymosi pamokoje mes pamatėme įvairias gilaus mokymosi programas ir supratome jos ryšį su dirbtiniu intelektu ir mašininiu mokymusi. Tada mes supratome, kaip galime naudoti perceptroną ar pagrindinius dirbtinio neurono pagrindus, kad sukurtume gilų neuronų tinklą, kuris galėtų atlikti sudėtingas užduotis. Pagaliau mes išgyvenome vieną iš gilaus mokymosi naudojimo atvejų, kai atlikome vaizdo atpažinimą naudodami gilius neuroninius tinklus ir supratome visus žingsnius, vykstančius už scenos. Kitame šios „Deep Learning Tutorial“ serijos tinklaraštyje sužinosime, kaip įdiegti perceptroną naudojant „TensorFlow“, kuri yra „Python“ pagrįsta biblioteka, skirta giliam mokymuisi.

apache kibirkštis, palyginti su hadoop mapreduce

Dabar, kai žinote apie gilų mokymąsi, patikrinkite sukūrė „Edureka“ - patikima internetinė mokymosi įmonė, turinti daugiau nei 250 000 patenkintų besimokančiųjų tinklą. „Edureka“ gilus mokymasis naudojant „TensorFlow“ sertifikavimo mokymo kursą padeda besimokantiesiems tapti ekspertais mokant ir optimizuojant pagrindinius ir konvoliucinius neuroninius tinklus, naudojant realaus laiko projektus ir užduotis kartu su tokiomis sąvokomis kaip „SoftMax“ funkcija, „Auto-encoder“ neuroniniai tinklai, „Restricted Boltzmann Machine“ (RBM).

Turite mums klausimą? Prašau paminėti tai komentarų skiltyje ir mes su jumis susisieksime.