Wprowadzenie do głębokiego uczenia się

Głębokie uczenie się jest jedną z technik uczenia maszynowego, za pomocą których uczymy / trenujemy komputery, aby robiły to, co robią ludzie. Na przykład prowadzenie samochodu - głębokie uczenie się odgrywa kluczową rolę w technologii samochodów bez kierowcy, umożliwiając im identyfikację różnych znaków drogowych, znaków drogowych, znaków dla pieszych itp. Inne kluczowe obszary głębokiego uczenia się to sterowanie głosowe w systemach domowych, telefonach komórkowych, głośnikach bezprzewodowych, Alexa, inteligentne telewizory itp. Głębokie uczenie się dla początkujących polega głównie na wielu poziomach abstrakcji i reprezentacji, dzięki którym model komputerowy uczy się przeprowadzać klasyfikację obrazów, dźwięków i tekstu itp. Modele głębokiego uczenia osiągają lepszą dokładność i wydajność w niektórych modelach niż ludzie . Ogólnie rzecz biorąc, te modele komputerów są szkolone przez duży zestaw danych, które są oznaczone i nieoznaczone, aby identyfikować obiekty i sieci neuronowe, które mają wiele warstw w każdej sieci.

Co to jest głębokie uczenie się?

Wyjaśnię, czym jest głębokie uczenie się w laickim terminie, jak poniżej: Ogólnie wykonujemy dwa zadania cały czas świadomie lub podświadomie, tj. Kategoryzujemy to, co czuliśmy za pomocą zmysłów (np. Uczucie gorąca, zimnego kubka itp.) I na przykład przewidywanie, przewiduje przyszłą temperaturę na podstawie poprzednich danych temperatury. Wykonujemy zadania kategoryzacji i przewidywania dla kilku wydarzeń lub zadań w naszym codziennym życiu, takich jak poniżej:

  • Trzymanie filiżanki herbaty / wody / kawy itp., Która może być gorąca lub zimna.
  • Kategoryzacja e-mail, taka jak spam / nie spam.
  • Kategoryzacja według czasu dziennego, na przykład dzień lub noc.
  • Długoterminowe planowanie przyszłości w oparciu o naszą obecną pozycję i rzeczy, które mamy - nazywa się prognozowaniem.
  • Każde stworzenie na świecie będzie wykonywać te zadania w swoim życiu, na przykład weź pod uwagę, że zwierzęta takie jak wrona kategoryzują miejsce do zbudowania gniazda, czy nie, pszczoła decyduje o niektórych czynnikach, kiedy i gdzie zdobyć miód, nietoperz przyjdzie w nocy i śpi rano na podstawie kategoryzacji dziennej i nocnej.

Wyobraźmy sobie kategoryzację i przewidywanie tych zadań, a będą one wyglądały podobnie jak na poniższym obrazku. W celu kategoryzacji dokonujemy kategoryzacji między kotami i psami, rysując linię przez punkty danych, aw przypadku przewidywania rysujemy linię przez punkty danych, aby przewidzieć, kiedy wzrośnie i zmniejszy się.

1) Kategoryzacja

  • Ogólnie rzecz biorąc, aby kategoryzować między kotami i psami lub mężczyznami i kobietami, nie rysujemy linii w naszych mózgach, a pozycja psów i kotów jest arbitralna wyłącznie w celach ilustracyjnych i nie trzeba mówić o tym, w jaki sposób kategoryzujemy między kotami i psy w naszych mózgach są znacznie bardziej skomplikowane niż rysowanie czerwonej linii jak wyżej.
  • Będziemy kategoryzować dwie rzeczy na podstawie kształtów, rozmiarów, wysokości, wyglądu itp., A czasem trudno będzie je sklasyfikować za pomocą tych cech, takich jak mały pies z wściekłością i nowo narodzony kot, więc nie jest to jednoznaczna kategoryzacja w koty i psy.
  • Gdy jesteśmy w stanie kategoryzować koty i psy, gdy jesteśmy dziećmi, możemy dalej kategoryzować każdego psa lub kota, nawet jeśli wcześniej go nie widzieliśmy.

2) Prognozowanie

  • Aby przewidywać na podstawie linii, rysujemy punkty danych, jeśli jesteśmy w stanie przewidzieć, gdzie najprawdopodobniej pójdzie w górę lub w dół.
  • Krzywa jest również prognozą dopasowania nowych punktów danych w zakresie istniejących punktów danych, tj. Jak blisko nowego punktu danych do krzywej.
  • Punkty danych, które są w kolorze czerwonym na powyższym obrazku (prawa strona), są przykładami zarówno w zakresie, jak i poza zakresem istniejących punktów danych, a krzywa próbuje przewidzieć oba.

Wreszcie, kategoryzacja i przewidywanie zadań kończy się w podobnym punkcie, tj. Narysowaniu krzywej linii z punktów danych. Jeśli jesteśmy w stanie wyszkolić model komputerowy w celu narysowania krzywej linii na podstawie wykonanych punktów danych, możemy ją rozszerzyć, aby zastosować ją w różnych modelach, takich jak narysowanie krzywej linii w płaszczyznach trójwymiarowych i tak dalej. Powyższe można osiągnąć, szkoląc model z dużą ilością oznakowanych i nieznakowanych danych, co nazywa się głębokim uczeniem się.

Przykłady głębokiego uczenia się:

Jak wiemy, głębokie uczenie się i uczenie maszynowe to podzbiory sztucznej inteligencji, ale technologia głębokiego uczenia się stanowi kolejną ewolucję uczenia maszynowego. Ponieważ uczenie maszynowe będzie działać w oparciu o algorytmy i programy opracowane przez ludzi, podczas gdy uczenie głębokie uczy się poprzez model sieci neuronowej, który działa podobnie do ludzi i pozwala maszynie lub komputerowi analizować dane w podobny sposób jak ludzie. Staje się to możliwe, ponieważ trenujemy modele sieci neuronowej z ogromną ilością danych, ponieważ dane są paliwem lub pokarmem dla modeli sieci neuronowych. Poniżej znajdują się przykłady głębokiego uczenia się w prawdziwym świecie.

  • Wizja komputerowa:

Wizja komputerowa zajmuje się algorytmami komputerowymi do zrozumienia świata za pomocą danych obrazu i wideo oraz zadaniami takimi jak rozpoznawanie obrazów, klasyfikacja obrazów, wykrywanie obiektów, segmentacja obrazów, przywracanie obrazu itp.

  • Przetwarzanie mowy i języka naturalnego:

Przetwarzanie języka naturalnego dotyczy algorytmów komputerowych do rozumienia, interpretowania i manipulowania ludzkim językiem. Algorytmy NLP działają z tekstem i danymi audio i przekształcają je w dźwięk lub tekst. Korzystając z NLP, możemy wykonywać takie zadania, jak analiza sentymentów, rozpoznawanie mowy, zmiana języka, generowanie języka naturalnego itp.

  • Pojazdy autonomiczne:

Modele dogłębnego uczenia są szkolone z ogromną ilością danych do identyfikacji znaków drogowych; niektóre modele specjalizują się w identyfikacji pieszych, identyfikacji ludzi itp. w samochodach bez kierowcy podczas jazdy.

  • Generowanie tekstu:

Dzięki modelom dogłębnej nauki, które uczą się języka, gramatyki i rodzajów tekstów itp., Można stworzyć nowy tekst z poprawną pisownią i gramatyką od Wikipedii po Szekspira.

  • Filtrowanie obrazu:

Korzystając z modeli głębokiego uczenia, takich jak dodawanie kolorów do czarno-białych obrazów, można uzyskać modele głębokiego uczenia, które zajmą więcej czasu, jeśli zrobimy to ręcznie.

Wniosek

Wreszcie, jest to przegląd technologii głębokiego uczenia się, jej zastosowań w świecie rzeczywistym. Mam nadzieję, że po przeczytaniu tego artykułu dobrze zrozumiesz, na czym polega głębokie uczenie się. Jak wiemy dzisiaj rozpoznawanie obrazów przez maszyny przeszkolone przez głębokie uczenie się w niektórych przypadkach jest lepsze niż u ludzi, tj. W wykrywaniu raka we krwi i guzów w skanach MRI, a alphaGo Google nauczył się gry i wyszkolił się na mecz „Go”, szkoląc swoją sieć neuronową grając przeciwko niemu w kółko.

Polecane artykuły

To był przewodnik po głębokim uczeniu się tego, co jest. Omówiliśmy tutaj podstawowe pojęcia i przykłady głębokiego uczenia się. Możesz także przejrzeć następujące artykuły:

  1. Kariera w głębokim nauczaniu
  2. 13 Przydatnych pytań do głębokiego uczenia się
  3. Uczenie nadzorowane a uczenie głębokie
  4. Sieci neuronowe a głębokie uczenie się
  5. Najlepsze porównanie uczenia głębokiego z uczeniem maszynowym

Kategoria:

Big Data