Å være en viktig delmengde av maskinlæring, etterspørselen etter har sett en enorm økning, spesielt blant de som er interessert i å låse opp de ubegrensede mulighetene til AI.Inspirert av den økende populariteten til Deep Learning, tenkte jeg å komme med en serie blogger som vil lære deg om denne nye trenden innen kunstig intelligens og hjelpe deg å forstå hva det handler om. Dette er den første av de mange bloggene i serien som heter - Deep Learning Tutorial .
The Deep Learning Tutorial
I denne Deep Learning Tutorial-bloggen vil jeg ta deg gjennom følgende ting, som vil tjene som grunnleggende for de kommende bloggene:
hvordan du installerer kokk server
- Hva lot Deep Learning oppstå
- Hva er Deep Learning og hvordan det fungerer?
Du kan gå gjennom dette opptaket av Deep Learning Tutorial der instruktøren vår har forklart emnene på en detaljert måte med eksempler som vil hjelpe deg å forstå dette konseptet bedre.
Deep Learning Tutorial | Deep Learning Neural Networks | Edureka
Anvendelser av kunstig intelligens og dyp læring
Tenk nå på dette, i stedet for at du gjør alt arbeidet ditt, har du en maskin for å fullføre den for deg, eller den kan gjøre noe som du trodde ikke var mulig i det hele tatt. For eksempel:
 | Forutsi fremtiden: Det kan hjelpe oss med å forutsi jordskjelv, tsunamier osv. På forhånd, slik at forebyggende tiltak kan iverksettes for å redde mange liv fra å falle i kløene til naturlige katastrofer. |
| Chat-bots: Alle ville ha hørt om Siri, som er Apples stemmestyrte virtuelle assistent. Tro meg, ved hjelp av Deep Learning blir denne virtuelle assistansen smartere dag for dag. Faktisk kan Siri tilpasse seg i henhold til brukeren og gi bedre personlig assistanse. |
| Selvkjørende biler: Tenk deg hvor utrolig det ville være for fysisk funksjonshemmede og eldre mennesker som synes det er vanskelig å kjøre alene. Bortsett fra dette vil det redde millioner av uskyldige liv som møter trafikkulykker hvert år på grunn av menneskelige feil. |
Google AI Eye Doctor: Det er et nylig initiativ tatt av Google der de jobber med en Indian Eye Care Chain for å utvikle en AI-programvare som kan undersøke retina-skanninger og identifisere en tilstand som kalles diabetisk retinopati, som kan forårsake blindhet. |
| AI Music Composer: Vel, hvem trodde vi kunne ha en AI-musikk komponist ved hjelp av Deep Learning. Derfor vil jeg ikke bli overrasket over å høre at den nest beste musikken er gitt av en maskin. |
| En drømmelesemaskin: Dette er en av favorittene mine, en maskin som kan fange opp drømmene dine i form av video eller noe. Med så mange ikke-realistiske applikasjoner av AI & Deep Learning vi har sett så langt, var jeg ikke overrasket over å finne ut at dette ble prøvd i Japan for noen år tilbake på tre testpersoner, og de var i stand til å oppnå nær 60% nøyaktighet. Det er noe ganske utrolig, men sant. |
Jeg er ganske sikker på at noen av disse applikasjonene fra AI og Deep Learning ville ha gitt deg gåsehud. OK da, dette setter grunnlaget for deg, og nå er vi klare til å gå videre i denne Deep Learning Tutorial og forstå hva som er kunstig intelligens.
Hva er kunstig intelligens?
Kunstig intelligens er bare maskinens evne til å etterligne intelligent menneskelig atferd. AI oppnås ved å etterligne en menneskelig hjerne, ved å forstå hvordan den tenker, hvordan den lærer, bestemmer og jobber mens man prøver å løse et problem.
For eksempel: En maskin som spiller sjakk, eller en stemmeaktivert programvare som hjelper deg med forskjellige ting på din iPhone eller et nummergjenkjenningssystem som fanger nummerskiltet til en bil som kjører for raskt og behandler den for å trekke ut registreringsnummeret og identifisere eieren av bilen . Alle disse var ikke veldig enkle å implementere før Dyp læring . La oss nå forstå de ulike delmengdene av kunstig intelligens.
Delsett av kunstig intelligens
Til nå hadde du hørt mye om kunstig intelligens, maskinlæring og dyp læring. Kjenner du imidlertid forholdet mellom dem alle tre? I utgangspunktet er dyp læring et underfelt av maskinlæring og maskinlæring er et underfelt av kunstig intelligens som vist på bildet nedenfor:
Når vi ser på noe sånt som AlphaGo , blir det ofte fremstilt som en stor suksess for dyp læring, men det er faktisk en kombinasjon av ideer fra flere forskjellige felt av AI og maskinlæring. Faktisk vil du bli overrasket over å høre at ideen bak dype nevrale nettverk ikke er ny, men dateres tilbake til 1950-tallet. Imidlertid ble det mulig å praktisk implementere det på grunn av den avanserte ressursfunksjonen som er tilgjengelig i dag.
Så når vi går videre i denne bloggen om dyp læring, la oss utforske maskinlæring etterfulgt av begrensningene.
Hva er maskinlæring?
Machine Learning er en delmengde av kunstig intelligens som gir datamaskiner muligheten til å lære uten å være eksplisitt programmert. I maskinlæring trenger vi ikke å definere alle trinn eller betingelser eksplisitt som andre programmeringsapplikasjoner. Tvert imot blir maskinen trent på et treningsdatasett, stort nok til å lage en modell, som hjelper maskinen til å ta beslutninger basert på læring.
For eksempel: Vi ønsker å bestemme arten av en blomst basert på kronblad og sepal lengde (blader av en blomst) ved hjelp av maskinlæring. Hvordan skal vi gjøre det?
| Vi vil føre blomsterdatasettet som inneholder forskjellige egenskaper av forskjellige blomster sammen med deres respektive arter i maskinen vår, som du kan se i bildet ovenfor. Ved hjelp av dette inndatasettet vil maskinen lage og trene en modell som kan brukes til å klassifisere blomster i forskjellige kategorier. |
| Når modellen vår er opplært, vil vi videreføre et sett med egenskaper som input til modellen. |
| Til slutt vil modellen vår sende arten av blomsten som er tilstede i det nye inndatasettet. Denne prosessen med å trene en maskin for å lage en modell og bruke den til beslutningstaking kalles Maskinlæring . Imidlertid har denne prosessen noen begrensninger. |
Begrensninger ved maskinlæring
Machine Learning er ikke i stand til å håndtere høydimensjonale data, det er der input & output er ganske stort. Håndtering og behandling av slike data blir veldig komplisert og ressursuttømmende. Dette blir betegnet som Forbannelse av dimensjonalitet . For å forstå dette i enklere termer, la oss se på følgende bilde:
| Tenk på en linje på 100 meter, og du har sluppet en mynt et sted på linjen. Nå er det ganske praktisk for deg å finne mynten ved å bare gå på linjen. Denne linjen er en enkelt dimensjonal enhet. |
| Tenk deretter på at du har en firkant på 100 meter hver, som vist på bildet ovenfor, og igjen, du slapp en mynt et sted imellom. Nå er det ganske tydelig at du vil ta mer tid på å finne mynten innenfor den firkanten sammenlignet med forrige scenario. Denne firkanten er en todimensjonal enhet. |
| La oss ta det et skritt foran ved å vurdere en terning på siden 100 meter hver, og du har sluppet en mynt et sted i mellom. Nå er det enda vanskeligere å finne mynten denne gangen. Denne kuben er en tredimensjonal enhet. |
Derfor kan du observere kompleksiteten øker når dimensjonene øker.Og i virkeligheten har de høydimensjonale dataene vi snakket om, tusenvis av dimensjoner som gjør det veldig komplisert å håndtere og behandle. De høydimensjonale dataene kan lett bli funnet i brukstilfeller som bildebehandling, NLP, bildeoversettelse etc.
Maskinlæring var ikke i stand til å løse disse brukstilfellene, og derfor kom dyp læring til unnsetning. Dyp læring er i stand til å håndtere høydimensjonale data og er også effektiv i å fokusere på de rette funksjonene alene. Denne prosessen kalles funksjonsutvinning. La oss nå gå videre i denne Deep Learning Tutorial og forstå hvordan dyp læring fungerer.
Hvor dyp læring fungerer?
I et forsøk på å re-konstruere en menneskelig hjerne, studerer Deep Learning den grunnleggende enheten til en hjerne som kalles hjernecelle eller nevron. Inspirert fra et nevron ble en kunstig nevron eller en perceptron utviklet. La oss nå forstå funksjonaliteten til biologiske nevroner og hvordan vi etterligner denne funksjonaliteten i perceptronen eller et kunstig nevron:
Hvis vi fokuserer på strukturen til et biologisk nevron, har det dendritter som brukes til å motta innganger. Disse inngangene oppsummeres i cellekroppen, og ved bruk av Axon videreføres den til neste biologiske nevron som vist på bildet ovenfor.
Tilsvarende mottar en perseptron flere innganger, bruker forskjellige transformasjoner og funksjoner og gir en utgang.
Ettersom vi vet at hjernen vår består av flere tilkoblede nevroner som kalles nevrale nettverk, kan vi også ha et nettverk av kunstige nevroner som kalles perceptroner for å danne et dypt nevralt nettverk. Så la oss gå videre i denne Deep Learning Tutorial for å forstå hvordan et Deep neuralt nettverk ser ut.
Deep Learning Tutorial: Hva er Deep Learning?
- Ethvert dypt nevralt nettverk vil bestå av tre typer lag:
- Inngangslaget
- The Hidden Layer
- Utgangslaget
| I diagrammet ovenfor er det første laget inngangslaget som mottar alle inngangene, og det siste laget er utgangslaget som gir ønsket utgang. |
| Alle lagene mellom disse lagene kalles skjulte lag. Det kan være n antall skjulte lag takket være de avanserte ressursene som er tilgjengelige i disse dager. |
| Antall skjulte lag og antall perseptroner i hvert lag vil helt avhenge av brukssaken du prøver å løse. |
Nå som du har et bilde av Deep Neural Networks, la oss gå videre i denne Deep Learning Tutorial for å få et høyt nivå oversikt over hvordan Deep Neural Networks løser et problem med Image Recognition.
Deep Learning Use - Case
Vi ønsker å utføre bildegjenkjenning ved hjelp av Deep Networks:
| Her overfører vi de høydimensjonale dataene til inngangslaget. For å matche dimensjonaliteten til inngangsdataene vil inngangslaget inneholde flere underlag av perseptroner slik at det kan konsumere hele inngangen. |
| Utgangen som mottas fra inngangslaget vil inneholde mønstre og vil bare være i stand til å identifisere kantene på bildene basert på kontrastnivåene. |
| Denne utgangen vil bli matet til det skjulte laget 1 hvor det vil være i stand til å identifisere forskjellige ansiktsfunksjoner som øyne, nese, ører etc. |
| Nå vil dette bli matet til det skjulte laget 2 hvor det vil kunne danne hele ansiktene. Deretter sendes utgangen fra lag 2 til utgangslaget. |
| Til slutt utfører utgangslaget klassifisering basert på resultatet oppnådd fra forrige og forutsier navnet. |
La meg stille deg et spørsmål, hva vil skje hvis noen av disse lagene mangler eller det nevrale nettverket ikke er dypt nok? Enkelt, vi vil ikke kunne identifisere bildene nøyaktig. Dette er selve grunnen til at disse brukssakene ikke hadde en løsning alle disse årene før Deep Learning. Bare for å ta dette videre, vil vi prøve å bruke dype nettverk på et MNIST-datasett.
Mnist-datasettet består av 60 000 opplæringsprøver og 10 000 testprøver av håndskrevne sifferbilder. Oppgaven her er å trene en modell som nøyaktig kan identifisere sifferet som er tilstede på bildet.
- For å løse dette brukstilfellet vil det opprettes et dypt nettverk med flere skjulte lag for å behandle alle de 60.000 bildene piksel for piksel, og til slutt vil vi motta et utgangslag.
- Utgangslaget vil være en matrise med indeks 0 til 9, hvor hver indeks tilsvarer det respektive sifferet. Indeks 0 inneholder sannsynligheten for at 0 er tallet som er tilstede på inngangsbildet.
Tilsvarende representerer indeks 2 som har en verdi på 0,1, sannsynligheten for at 2 er tallet som er tilstede på inngangsbildet. Så hvis vi ser at den høyeste sannsynligheten i denne matrisen er 0,8 som er tilstede i indeks 7 i matrisen. Derfor er tallet tilstede på bildet 7.
Konklusjon
Så folkens, dette handlet om dyp læring i et nøtteskall. I denne opplæringen om dyp læring så vi forskjellige anvendelser av dyp læring og forsto forholdet til AI og maskinlæring. Så forsto vi hvordan vi kan bruke perceptron eller en kunstig nevron grunnleggende byggesteiner for å skape dype nevrale nettverk som kan utføre komplekse oppgaver slik. Til slutt gikk vi gjennom en av brukstilfellene av dyp læring der vi utførte bildegjenkjenning ved hjelp av dype nevrale nettverk og forsto alle trinnene som skjer bak scenen. Nå, i neste blogg i denne Deep Learning Tutorial-serien, lærer vi hvordan vi implementerer en perseptron ved hjelp av TensorFlow, som er et Python-basert bibliotek for Deep Learning.
Nå som du vet om Deep Learning, sjekk ut av Edureka, et pålitelig online læringsfirma med et nettverk med mer enn 250 000 fornøyde elever spredt over hele verden. Edureka Deep Learning with TensorFlow Certification Training-kurset hjelper elever å bli eksperter i opplæring og optimalisering av grunnleggende og konvolusjonelle nevrale nettverk ved hjelp av sanntidsprosjekter og oppgaver sammen med konsepter som SoftMax-funksjon, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
Har du spørsmål til oss? Vennligst nevn det i kommentarfeltet, så kommer vi tilbake til deg.
lage en parameter i tablå