Uvod u duboko učenje

Duboko učenje jedna je od tehnika strojnog učenja kojom učimo / treniramo računala da rade ono što ljudi rade. Na primjer, vožnja automobilom - duboko učenje igra ključnu ulogu u tehnologiji automobila bez vozača jer im omogućuje prepoznavanje različitih prometnih znakova, prometnih znakova, pješačkih znakova itd. Druga ključna područja dubokog učenja su glasovna kontrola u kućnim sustavima, mobitelima, bežičnim zvučnicima, Alexa, pametni televizori itd. Duboko učenje za početnike uglavnom se odnosi na višestruke nivoe apstrakcije i reprezentacije pomoću kojih se računalni model uči izvoditi klasifikaciju slika, zvukova i teksta itd. Modeli dubokog učenja postižu bolju preciznost i performanse od ljudi u nekim modelima, Općenito, ovi računalni modeli podučavaju veliki skup podataka koji su označeni i neoznačeni za prepoznavanje objekata i neuronskih mreža koji imaju više slojeva u svakoj mreži.

Što je duboko učenje?

Ja ću objasniti što je duboko učenje u laičkom terminu na sljedeći način: općenito ćemo raditi dva zadatka cijelo vrijeme svjesno ili podsvjesno, tj. Kategorizirati ono što smo osjećali svojim osjetilima (poput osjećaja vrućine, hladne šalice itd.) I predviđanja, na primjer, predviđa buduću temperaturu na temelju prethodnih podataka o temperaturi. Mi radimo zadatke kategorizacije i predviđanja za nekoliko događaja ili zadataka u svakodnevnom životu, kao što su dolje:

  • Držite šalicu čaja / vode / kave itd. Koja može biti vruća ili hladna.
  • Kategorizacija e-pošte kao što je neželjena pošta / neželjena pošta.
  • Dnevna svjetlosna kategorizacija, poput dana ili noći.
  • Dugoročno planiranje budućnosti na temelju našeg trenutnog položaja i stvari koje imamo - naziva se predviđanjem.
  • Svako bića na svijetu će obavljati ove zadatke u svom životu, na primjer, smatraju da će životinje poput vrana kategorizirati mjesto za izgradnju gnijezda ili ne, pčela će odlučiti o nekim čimbenicima kada i gdje dobiti med, šišmiš će doći tijekom noći i spava tijekom jutra na temelju dnevne i noćne kategorizacije.

Vizualizirajmo ove zadatke kategorizacijom i predviđanjem, a oni će izgledati podjednako kao na slici ispod. Za kategorizaciju radimo kategorizaciju mačaka i pasa crtanjem crta kroz podatkovne točke i u slučaju predviđanja crtamo crtu kroz podatkovne točke do predvidjeti kada će se povećavati i smanjivati.

1) Kategorizacija

  • Općenito za kategorizaciju između mačaka i pasa, odnosno muškaraca i žena, ne mozemo povući crtu u mozgu, a položaj pasa i mačaka je proizvoljan samo radi ilustracije i bespotrebno je reći način na koji razvrstavamo mačke i mačke psi u našem mozgu je puno složeniji od crtanja crvene linije kao gore.
  • Razvrstati ćemo se u dvije stvari na temelju oblika, veličine, visine, izgleda itd., A ponekad će biti teško kategorizirati s tim značajkama kao što je mali pas s bijesom i novorođena mačka, tako da nije jasna kategorizacija. u mačke i pse.
  • Jednom kada smo u stanju da kategoriziramo mačke i pse kad smo djeca, tada možemo nadalje kategorizirati bilo kojeg psa ili mačku, a da je prije nismo vidjeli.

2) Predviđanja

  • Za predviđanje na temelju crte provlačimo podatke, ako smo u mogućnosti predvidjeti gdje će najvjerojatnije ići gore ili prema dolje.
  • Krivulja je također predviđanje uklapanja novih podatkovnih točaka u raspon postojećih podatkovnih točaka, tj. Koliko je nova podatkovna točka blizu krivulje.
  • Podatkovne točke crvene boje na gornjoj slici (desna strana) su primjeri unutar i izvan raspona postojećih podatkovnih točaka, a krivulja pokušava predvidjeti i jedno i drugo.

Konačno, oba kategorizacija zadataka i predviđanje završavaju se na sličnoj točki, tj. Crtanje krivudave crte od podataka. Ako smo u mogućnosti osposobiti računalni model da crta zavojitu liniju na temelju podataka točaka smo gotovi, to možemo proširiti i na različite modele kao što su crtanje zakrivljene crte u trodimenzionalnim ravninama i tako dalje. Navedeno se može postići obukom modela s velikom količinom obilježenih i neoznačenih podataka koji se naziva "duboko učenje".

Primjeri dubokog učenja:

Kao što znamo duboko učenje i strojno učenje podskupovi su umjetne inteligencije, ali tehnologija dubokog učenja predstavlja sljedeći razvoj strojnog učenja. Kao što će strojno učenje raditi na temelju algoritama i programa koje je razvio čovjek dok duboko učenje uči kroz model neuronske mreže koji djeluje slično kao na ljude i omogućava računalu ili računalu da analiziraju podatke na sličan način kao i ljudi. To postaje moguće dok obučavamo modele neuronske mreže s ogromnom količinom podataka jer su podaci gorivo ili hrana za modele neuronske mreže. Ispod su neki od primjera dubokog učenja u stvarnom svijetu.

  • Computer Vision:

Računalni vid se bavi algoritmima da računala razumiju svijet koristeći slikovne i video podatke i zadatke poput prepoznavanja slike, klasifikacije slike, otkrivanja objekata, segmentacije slike, obnove slike itd.

  • Obrada govora i prirodnog jezika:

Obrada prirodnog jezika bavi se algoritamima da računala razumiju, tumače i manipuliraju ljudskim jezikom. NLP algoritmi rade s tekstualnim i audio podacima i pretvaraju ih u audio ili tekstualni izlaz. Koristeći NLP možemo obavljati zadatke poput analize osjećaja, prepoznavanja govora, prijelaza jezika i stvaranja prirodnog jezika itd.

  • Autonomna vozila:

Modeli dubokog učenja osposobljeni su s ogromnom količinom podataka za prepoznavanje uličnih znakova; neki se modeli specijaliziraju za prepoznavanje pješaka, prepoznavanje ljudi itd. za automobile bez vozača tijekom vožnje.

  • Generacija teksta:

Korištenjem modela dubokog učenja koji se obučavaju po jeziku, gramatikama i vrstama tekstova itd. Mogu se koristiti za stvaranje novog teksta s pravilnim pravopisom i gramatikom od Wikipedije do Shakespearea.

  • Filtriranje slika:

Korištenjem modela dubokog učenja, poput dodavanja boja crno-bijelim slikama, možemo postići modele dubokog učenja, za koje ćemo trebati više vremena ako radimo ručno.

Zaključak

Konačno, to je pregled tehnologije dubokog učenja i njezinih primjena u stvarnom svijetu. Nadam se da ćete dobro pročitati što je duboko učenje nakon što pročitate ovaj članak. Kao što znamo danas prepoznavanje slike od strane strojeva obučenih dubokim učenjem u nekim je slučajevima bolje nego kod ljudi, tj. U prepoznavanju karcinoma u krvi i tumorima u MR pretragama, a Googleov alfaGo naučio je igru ​​i obučio svoju 'Go' utakmicu obuku svoje neuronske mreže igrajući protiv njega iznova i iznova.

Preporučeni članci

Ovo je vodič za ono što je duboko učenje. Ovdje smo razgovarali o osnovnim konceptima i primjerima dubokog učenja. Možete pogledati i sljedeće članke:

  1. Karijere u dubokim učenjima
  2. 13 korisnih pitanja o intervjuu za duboko učenje
  3. Nadzirano učenje vs Duboko učenje
  4. Neuronske mreže vs duboko učenje
  5. Najbolja usporedba dubinskog učenja i strojnog učenja

Kategorija:

Veliki podaci