Kas yra gilus mokymasis?
Šiame tinklaraštyje kalbėsiu apie tai, kas yra Gilus mokymasis kuris šiais laikais yra populiarus ir tvirtai įleidęs šaknis daugybėje pramonės šakų, kurios investuoja į tokias sritis kaip dirbtinis intelektas, didieji duomenys ir „Analytics“. Pavyzdžiui, „Google“ naudoja gilųjį mokymąsi savo balso ir vaizdo atpažinimo algoritmuose, o „Netflix“ ir „Amazon“ - supranta savo kliento elgesį. Tiesą sakant, nepatikėsite, tačiau MIT tyrėjai bando nuspėti ateitį naudodamiesi giluminiu mokymusi.Dabar įsivaizduokite, kiek gilus mokymasis gali pakeisti pasaulį ir kaip įmonės ieškos .Prieš kalbėdami apie gilųjį mokymąsi, turite suprasti jo santykį su mašininiu mokymu ir dirbtiniu intelektu. Lengviausias būdas suprasti šį santykį yra pereinant žemiau pateiktą diagramą:
pav: Kas yra gilus mokymasis - AI technologijų laiko juosta
Čia paveikslėlyje galite pamatyti, kad mašininis mokymasis yra AI pogrupis. Tai reiškia, kad mes galime sukurti intelektualias mašinas, kurios gali mokytis savarankiškai, remdamosi pateiktais duomenų rinkiniais. Be to, pastebėsite, kad giluminis mokymasis yra mašininio mokymosi pogrupis, kuriame panašūs mašininio mokymosi algoritmai naudojami giliųjų neuroninių tinklų mokymui, kad būtų pasiektas didesnis tikslumas tais atvejais, kai ankstesnis nebuvo pasiektas. FoToliau pateikiamos temos, kurias ketinu aptarti šioje gilaus mokymosi pamokoje:
- Dirbtinis intelektas
- Mašininis mokymasis
- ML trūkumai
- Kas yra gilus mokymasis?
- Gilaus mokymosi programa
Gaukite sertifikatą pagal pramonės lygio projektus ir greitai sekite savo karjerą
Dirbtinis intelektas
pav: Kas yra gilus mokymasis - dirbtinis intelektas
Dirbtinio intelekto sąvoką 1956 m. Sugalvojo Johnas McCarthy, kuris taip pat vadinamas dirbtinio intelekto tėvu. Dirbtinio intelekto idėja yra gana paprasta, tačiau žavi, tai yra pagaminti intelektualias mašinas, kurios pačios galėtų priimti sprendimus. Galbūt manote, kad tai yra mokslinė fantazija, tačiau, atsižvelgiant į naujausius technologijų ir skaičiavimo galios pokyčius, atrodo, kad pati idėja kiekvieną dieną artėja prie realybės.
Mašinų mokymasis: žingsnis dirbtinio intelekto link
Dabar, kai esate susipažinę su AI, leiskite mums trumpai pakalbėti apie mašininį mokymąsi ir suprasti, ką tai reiškia, kai sakome, kad programuojame mašinas mokytis. Pradėkime nuo labai garsaus mašininio mokymosi apibrėžimo:
„Teigiama, kad kompiuterinė programa mokosi iš E patirties atsižvelgiant į tam tikrą užduotį T ir tam tikrą P rodiklį, jei jos efektyvumas T, matuojamas P, pagerėja atsižvelgiant į patirtį E.“ - Tomas Mitchellas, Carnegie Mellon universitetas
kaip padaryti ekrano kopiją selene
Taigi, jei norite, kad jūsų programa numatytų eismo modelius judrioje sankryžoje (T užduotis), galite jį paleisti per mašininio mokymosi algoritmą su duomenimis apie praeities eismo modelius (E patirtis). Dabar prognozavimo tikslumas (našumo matas P) priklausys nuo to, ar programa sėkmingai išmoko iš duomenų rinkinio, ar ne (patirtis E).
Iš esmės mašininis mokymasis yra vadinamas dirbtinio intelekto (AI) rūšimi, suteikiančia kompiuteriams galimybę mokytis, be aiškaus programavimo, atskleidžiant jiems didžiulį duomenų kiekį. Pagrindinis mašininio mokymosi principas yra mokytis iš duomenų rinkinių ir stengtis sumažinti klaidų skaičių arba padidinti jų prognozių tikimybės tikimybę.
Mašininio mokymosi trūkumai
- Tradiciniai ML algoritmai nėra naudingi dirbant su didelių matmenų duomenimis, būtent tada turime daug įėjimų ir išėjimų. Pavyzdžiui, ranka rašymo atpažinimo atveju turime daug įvesties, kur turėsime skirtingo tipo įvestis, susietas su skirtingu ranka.
- Antras didelis iššūkis yra pasakyti kompiuteriui, kokios funkcijos turėtų ieškoti, kurios atliks svarbų vaidmenį prognozuojant rezultatą, taip pat siekiant didesnio tikslumo. Šis procesas vadinamas funkcijų išskyrimas .
Neapdorotų duomenų pateikimas į algoritmą retai kada veikia, todėl funkcijų išskyrimas yra kritinė tradicinės mašininio mokymosi darbo eigos dalis. Todėl be funkcijų išskyrimo programuotojo iššūkis didėja, nes algoritmo efektyvumas labai priklauso nuo to, koks įžvalgus yra programuotojas. Taigi labai sunku taikyti šiuos mašininio mokymosi modelius ar algoritmus sudėtingoms problemoms, tokioms kaip objektų atpažinimas, rašysenos atpažinimas, NLP (natūralios kalbos apdorojimas) ir kt.
Gilus mokymasis
Gilus mokymasis yra vienas iš vienintelių metodų, kuriuo galime įveikti funkcijų išgavimo iššūkius. Taip yra todėl, kad giluminio mokymosi modeliai gali patys išmokti sutelkti dėmesį į tinkamas savybes, todėl programuotojui reikia nedaug patarimų. Iš esmės gilus mokymasis imituoja mūsų smegenų funkciją, t. Y. Mokosi iš patirties. Kaip žinote, mūsų smegenys susideda iš milijardų neuronų, kurie leidžia mums padaryti nuostabius dalykus. Net vienerių metų vaiko smegenys gali išspręsti sudėtingas problemas, kurias labai sunku išspręsti net naudojant super kompiuterius. Pavyzdžiui:
- Atpažinkite ir jų tėvų veidą bei skirtingus daiktus.
- Diskriminuokite skirtingus balsus ir netgi galite atpažinti konkretų asmenį pagal jo balsą.
- Padarykite išvadą iš kitų asmenų veido gestų ir daugelio kitų.
Tiesą sakant, mūsų smegenys per daugelį metų nesąmoningai treniravosi daryti tokius dalykus. Dabar kyla klausimas: kaip gilus mokymasis imituoja smegenų funkcionalumą? Na, giliai mokantis naudojama dirbtinių neuronų samprata, kuri veikia panašiai kaip biologiniai neuronai, esantys mūsų smegenyse. Todėl galime sakyti, kad gilus mokymasis yra mašina mokymasis susirūpinę algoritmais, kuriuos įkvėpė smegenų struktūra ir funkcija, vadinamus dirbtiniais neuroniniais tinklais.
Paimkime pavyzdį, kad tai suprastume. Tarkime, kad mes norime sukurti sistemą, kuri atpažintų vaizde skirtingų žmonių veidus.Jei išspręsime tai kaip tipinę mašininio mokymosi problemą, apibrėžsime tokius veido bruožus kaip akys, nosis, ausys ir pan., Tada sistema nustatys, kurios savybės yra svarbesnės kiekvienam asmeniui.
Gilus mokymasis žengia šį žingsnį į priekį. Gilus mokymasis automatiškai išsiaiškina klasifikacijai svarbias ypatybes dėl giliųjų neuroninių tinklų, o mašininio mokymosi atveju šias ypatybes turėjome apibrėžti rankiniu būdu.
pav: Veido atpažinimas naudojant „Deep Networks“
php įterpti į $ lentelę
Kaip parodyta aukščiau esančiame paveikslėlyje, „Deep Learning“ veikia taip:
- Žemiausiu lygiu tinklas fiksuoja vietinio kontrasto modelius kaip svarbius.
- Tada šis sluoksnis gali naudoti tuos vietinio kontrasto modelius, kad pritvirtintų daiktus, panašius į akis, nosis ir burną
- Galiausiai, viršutinis sluoksnis gali tas veido savybes pritaikyti veido šablonams.
- Gilus neuroninis tinklas sugeba sudaryti vis sudėtingesnes savybes kiekviename savo sekančiame sluoksnyje.
Ar kada susimąstėte, kaip „Facebook“ automatiškai pažymi ar pažymi visus asmenis, esančius jūsų įkeltame paveikslėlyje? Na, „Facebook“ „Deep Learning“ naudoja panašiai, kaip nurodyta aukščiau pateiktame pavyzdyje. Dabar jūs būtumėte supratę „Deep Learning“ galimybes ir kaip tai gali pranokti mašininį mokymąsi tais atvejais, kai mes turime labai mažai supratimo apie visas funkcijas, kurios gali turėti įtakos rezultatui. Todėl gilusis tinklas gali įveikti mašininio mokymosi trūkumą, atlikdamas išvadas iš duomenų rinkinio, kurį sudaro įvesties duomenys, be tinkamo ženklinimo.
Kas yra gilus mokymasis Gilus mokymasis supaprastintas Edureka
Gilaus mokymosi programos
Žengdami į priekį šiame gilaus mokymosi tinklaraštyje, pažvelkime į kai kurias „Deep Learning“ realaus gyvenimo programas, kad suprastume tikrąsias jo galias.
Kalbos atpažinimas
Visi jūs būtumėte girdėję apie „Siri“, kuris yra „Apple“ balsu valdomas intelektualusis padėjėjas. Kaip ir kiti didieji gigantai, „Apple“ taip pat pradėjo investuoti į „Deep Learning“, kad jos paslaugos taptų geresnės nei bet kada.
Kalbos atpažinimo ir balsu valdomo išmaniojo padėjėjo, pvz., „Siri“, srityje galima sukurti tikslesnį akustinį modelį naudojant gilų neuronų tinklą ir šiuo metu tai yra viena iš aktyviausių gilaus mokymosi įgyvendinimo sričių. Paprastais žodžiais tariant, jūs galite sukurti tokią sistemą, kuri galėtų išmokti naujų funkcijų arba pritaikyti save pagal save ir todėl suteikti geresnę pagalbą iš anksto numatant visas galimybes.
Automatinis mašininis vertimas
Mes visi žinome, kad „Google“ gali akimirksniu išversti į 100 skirtingų žmonių kalbų, tai labai greitai, tarsi burtų keliu. Technologijos už Google vertėjas vadinamas Mašininis vertimas ir buvo gelbėtojas žmonėms, kurie negali bendrauti tarpusavyje dėl kalbančios kalbos skirtumų. Dabar jūs pagalvotumėte, kad ši funkcija jau seniai egzistuoja, taigi, kas čia naujo? Leiskite man pasakyti, kad per pastaruosius dvejus metus „Google“, naudodama gilų mokymąsi, visiškai pakeitė požiūrį į mašininį vertimą savo „Google“ vertėjui. Tiesą sakant, giliai besimokantys mokslininkai, beveik nieko nežinantys apie kalbos vertimą, pateikia gana paprastus mašininio mokymosi sprendimus, kurie pranoksta geriausias ekspertų sukurtas kalbų vertimo sistemas pasaulyje. Teksto vertimas gali būti atliekamas be išankstinio sekos apdorojimo, leidžiant algoritmui išmokti priklausomybę tarp žodžių ir jų susiejimo su nauja kalba. Šiam vertimui atlikti naudojami sukrauti didelių pasikartojančių neuroninių tinklų tinklai.
- Momentinis vizualinis vertimas
Kaip žinote, gilus mokymasis naudojamas atvaizdams, kuriuose yra raidės, ir kur raidės yra scenoje. Nustačius, juos galima paversti tekstu, išversti ir atkurti vaizdą kartu su išverstu tekstu. Tai dažnai vadinama momentinis vizualinis vertimas .
kas yra abstrakcija c ++
Dabar įsivaizduokite situaciją, kai lankėtės bet kurioje kitoje šalyje, kurios gimtoji kalba jums nežinoma. Na, nereikia jaudintis, naudodamiesi įvairiomis programomis, tokiomis kaip „Google Translate“, galite atlikti tiesioginius vizualinius vertimus, kad galėtumėte skaityti kitomis kalbomis parašytus ženklus ar parduotuvių lentas. Tai buvo įmanoma tik dėl gilaus mokymosi.
Pastaba: Galite tęsti ir atsisiųsti „Google Translate“ programą ir patikrinti nuostabų momentinį vaizdinį vertimą naudodami aukščiau pateiktą vaizdą.
Elgesys: automatizuoti savarankiški automobiliai
„Google“ bando perkelti jų savarankiško vairavimo iniciatyvą, vadinamą WAYMO, į visiškai naują tobulumo lygį, naudodama „Deep Learning“. Todėl, užuot naudoję senus rankomis užkoduotus algoritmus, jie dabar gali programuoti sistemą, kuri gali mokytis pati, naudodama skirtingų jutiklių pateiktus duomenis. Gilus mokymasis dabar yra geriausias požiūris į daugumą suvokimo užduočių, taip pat į daugelį žemo lygio kontrolės užduočių. Taigi net ir nežinantys vairuoti ar neįgalūs žmonės gali važiuoti toliau ir nepriklausyti nuo kito.
Čia paminėjau tik keletą žinomų naudojimo realiame gyvenime atvejų, kai „Deep Learning“ yra plačiai naudojamas ir rodo daug žadančius rezultatus. Yra daugybė kitų giluminio mokymosi programų ir daugelio sričių, kurios dar turi būti ištirtos.
Taigi visa tai yra gilus mokymasis trumpai. Esu įsitikinęs, kad jau supratote skirtumą tarp mašininio mokymosi ir gilaus mokymosi, taip pat kaip gilus mokymasis gali būti labai naudingas įvairioms realaus gyvenimo programoms. Dabar, kitame savo tinklaraštyje, šiame gilaus mokymosi pamokų cikle, gilinsimės į įvairias gilaus mokymosi koncepcijas ir algoritmus bei jų išsamų pritaikymą.
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.