Hva er Deep Learning?
I denne bloggen skal jeg snakke om Hva er Dyp læring som er en varm buzz i våre dager og har satt sine røtter i en lang rekke bransjer som investerer i felt som kunstig intelligens, Big Data og Analytics. For eksempel bruker Google dyp læring i sine tale- og bildegjenkjenningsalgoritmer, mens Netflix og Amazon bruker den til å forstå oppførselen til kundene sine. Faktisk vil du ikke tro det, men forskere ved MIT prøver å forutsi fremtiden ved hjelp av dyp læring.Forestill deg nå hvor mye potensiell dyp læring har i å revolusjonere verden og hvordan selskapene vil se etter .Før man snakker om dyp læring, må man forstå forholdet til maskinlæring og kunstig intelligens. Den enkleste måten å forstå dette forholdet på er å gå gjennom diagrammet nedenfor:
Fig: Hva er Deep Learning - AI Technologies-tidslinjen
Her på bildet kan du se at Machine Learning er en delmengde av AI. Dette innebærer for det faktum at vi kan bygge intelligente maskiner som kan lære basert på gitt datasett alene. Videre vil du legge merke til at Deep Learning er en delmengde av Machine Learning hvor lignende maskinlæringsalgoritmer brukes til å trene Deep Neural Networks for å oppnå bedre nøyaktighet i de tilfeller der tidligere ikke presterte opp til merket. Following er emnene jeg skal diskutere i denne dype læringsopplæringen:
- Kunstig intelligens
- Maskinlæring
- Ulemper med ML
- Hva er Deep Learning?
- Dyp læringsapplikasjon
Bli sertifisert med industriprosjekter og følg karrieren din raskt
Kunstig intelligens
Fig: Hva er dyp læring - kunstig intelligens
Begrepet AI ble laget i 1956 av John McCarthy, som også blir referert til som far for kunstig intelligens. Ideen bak AI er ganske enkel, men likevel fascinerende, som er å lage intelligente maskiner som kan ta beslutninger alene. Du kan tenke det som en vitenskapsfantasi, men med hensyn til den nylige utviklingen innen teknologi og datakraft, ser selve ideen ut til å komme nærmere virkeligheten hver dag.
Maskinlæring: Et skritt mot kunstig intelligens
Nå som du er kjent med AI, la oss snakke kort om maskinlæring og forstå hva det betyr når vi sier at vi programmerer maskiner for å lære. La oss begynne med en veldig kjent definisjon av maskinlæring:
'Et dataprogram sies å lære av erfaring E med hensyn til noen oppgave T og noe ytelsesmål P, hvis ytelsen på T, målt ved P, forbedres med erfaring E.' - Tom Mitchell, Carnegie Mellon University
Så hvis du vil at programmet skal forutsi trafikkmønstre ved et travelt kryss (oppgave T), kan du kjøre det gjennom en maskinlæringsalgoritme med data om tidligere trafikkmønstre (opplevelse E). Nå vil nøyaktigheten av prediksjonen (ytelsesmål P) avhenge av det faktum at programmet har lært fra datasettet eller ikke (erfaring E).
I utgangspunktet blir Machine Learning referert til som en type kunstig intelligens (AI) som gir datamaskiner muligheten til å lære uten å være eksplisitt programmert ved å utsette dem for enorme mengder data. Kjerneprinsippet bak maskinlæring er å lære av datasett og prøve å minimere feil eller maksimere sannsynligheten for at deres spådommer er sanne.
ekstern metodeinnkalling i java
Ulemper ved maskinlæring
- Tradisjonelle ML-algoritmer er ikke nyttige når vi arbeider med høydimensjonale data, det er der vi har et stort antall innganger og utganger. For eksempel, i tilfelle håndskriftgjenkjenning, har vi store mengder innspill der vi vil ha forskjellige typer innganger knyttet til annen type håndskrift.
- Den andre store utfordringen er å fortelle datamaskinen hvilke funksjoner den skal se etter som vil spille en viktig rolle i å forutsi resultatet, samt å oppnå bedre nøyaktighet mens du gjør det. Denne prosessen er referert til som funksjonsekstraksjon .
Mating av rådata til algoritmen fungerer sjelden, og dette er grunnen til at funksjonsutvinning er en kritisk del av den tradisjonelle arbeidsflyten for maskinlæring. Uten ekstrahering av funksjoner øker utfordringen for programmereren ettersom effektiviteten til algoritmen avhenger veldig av hvor innsiktsfull programmereren er. Derfor er det veldig vanskelig å bruke disse maskinlæringsmodellene eller algoritmene på komplekse problemer som gjenkjenning av gjenstander, håndskriftgjenkjenning, NLP (Natural Language Processing), etc.
hva er scipy i python
Dyp læring
Dyp læring er en av de eneste metodene vi kan løse utfordringene med funksjonsutvinning. Dette er fordi dype læringsmodeller er i stand til å lære å fokusere på de riktige funksjonene av seg selv, og krever lite veiledning fra programmereren. I utgangspunktet etterligner dyp læring måten hjernen vår fungerer på, dvs. den lærer av erfaring. Som du vet består hjernen vår av milliarder nevroner som lar oss gjøre fantastiske ting. Selv hjernen til et år gammelt barn kan løse komplekse problemer som er veldig vanskelige å løse, selv ved hjelp av super-datamaskiner. For eksempel:
- Kjenne igjen foreldrenes ansikt og forskjellige gjenstander.
- Diskriminere forskjellige stemmer og kan til og med gjenkjenne en bestemt person basert på stemmen hans / hennes.
- Tegn slutning fra ansiktsbevegelser fra andre personer og mange flere.
Faktisk har hjernen vår bevisst trent seg til å gjøre slike ting gjennom årene. Nå kommer spørsmålet, hvor dyp læring etterligner funksjonaliteten til en hjerne? Dyp læring bruker begrepet kunstige nevroner som fungerer på en lignende måte som de biologiske nevronene som er tilstede i hjernen vår. Derfor kan vi si at Deep Learning er et underfelt av maskin læring opptatt av algoritmer inspirert av hjernens struktur og funksjon som kalles kunstige nevrale nettverk.
La oss nå ta et eksempel for å forstå det. Anta at vi vil lage et system som kan gjenkjenne ansikter til forskjellige mennesker i et bilde.Hvis vi løser dette som et typisk maskinlæringsproblem, vil vi definere ansiktsegenskaper som øyne, nese, ører etc., og deretter vil systemet identifisere hvilke funksjoner som er viktigere for hvilken person alene.
Nå tar dyp læring dette et skritt foran. Dyp læring finner automatisk ut funksjonene som er viktige for klassifisering på grunn av dype nevrale nettverk, mens vi i tilfelle maskinlæring måtte definere disse funksjonene manuelt.
Fig: Ansiktsgjenkjenning ved hjelp av dype nettverk
Som vist på bildet over fungerer Deep Learning som følger:
- På det laveste nivået fikserer nettverket på mønstre med lokal kontrast som viktig.
- Følgende lag er i stand til å bruke disse mønstrene med lokal kontrast for å fiksere på ting som ligner øyne, nese og munn
- Endelig er det øverste laget i stand til å bruke ansiktsegenskapene på ansiktsmaler.
- Et dypt nevralt nettverk er i stand til å komponere mer og mer komplekse funksjoner i hvert av sine suksessive lag.
Har du noen gang lurt på hvordan Facebook automatisk merker eller merker all personen som er tilstede i et bilde lastet opp av deg? Vel, Facebook bruker Deep Learning på en lignende måte som angitt i eksemplet ovenfor. Nå ville du ha innsett kapasiteten til Deep Learning og hvordan det kan overgå maskinlæring i de tilfellene der vi ikke har veldig peiling på alle funksjonene som kan påvirke resultatet. Derfor kan dypt nettverk overvinne ulempen med maskinlæring ved å trekke slutninger fra datasett som består av inngangsdata uten riktig merking.
Hva er Deep Learning | Dyp læring forenklet | Edureka
Anvendelser av dyp læring
La oss se på noen av de virkelige applikasjonene til Deep Learning for å forstå dens sanne krefter.
Talegjenkjenning
Alle dere ville ha hørt om Siri, som er Apples stemmestyrte intelligente assistent. Som andre store giganter har Apple også begynt å investere i Deep Learning for å gjøre tjenestene bedre enn noen gang.
Innen området talegjenkjenning og stemmestyrt intelligent assistent som Siri, kan man utvikle mer nøyaktig akustisk modell ved hjelp av et dypt nevralt nettverk og er for tiden et av de mest aktive feltene for implementering av dyp læring. Med enkle ord kan du bygge et slikt system som kan lære nye funksjoner eller tilpasse seg etter deg, og derfor gi bedre hjelp ved å forutsi alle muligheter på forhånd.
Automatisk maskinoversettelse
Vi vet alle at Google umiddelbart kan oversette mellom 100 forskjellige menneskelige språk, det veldig fort som ved magi. Teknologien bak Google Oversetter er kalt Maskinoversettelse og har vært frelser for mennesker som ikke kan kommunisere med hverandre på grunn av forskjellen i talespråket. Nå vil du tenke at denne funksjonen har vært der lenge, så hva er nytt i dette? La meg fortelle deg at Google de siste to årene, med hjelp av dyp læring, har total reformert tilnærmingen til maskinoversettelse i Google Translate. Faktisk fremmer dyplærende forskere som nesten ikke vet noe om språkoversettelse, relativt enkle maskinlæringsløsninger som slår de beste ekspertbygde språkoversettelsessystemene i verden. Tekstoversettelse kan utføres uten noen forbehandling av sekvensen, slik at algoritmen kan lære avhengighetene mellom ord og kartlegge dem til et nytt språk. Stablede nettverk av store tilbakevendende nevrale nettverk brukes til å utføre denne oversettelsen.
- Øyeblikkelig visuell oversettelse
Som du vet brukes dyp læring for å identifisere bilder som har bokstaver og hvor bokstavene er på scenen. Når de er identifisert, kan de gjøres om til tekst, oversettes og bildet gjenskapes med den oversatte teksten. Dette kalles ofte øyeblikkelig visuell oversettelse .
Tenk deg nå en situasjon der du har besøkt et annet land hvis morsmål ikke er kjent for deg. Du trenger ikke å bekymre deg, ved å bruke forskjellige apper som Google Translate kan du fortsette og utføre øyeblikkelige visuelle oversettelser for å lese skilter eller butikkbrett skrevet på et annet språk. Dette har bare vært mulig på grunn av dyp læring.
java akkurat i tide kompilator
Merk: Du kan fortsette og laste ned Google Translate-appen og sjekke den fantastiske øyeblikkelige visuelle oversettelsen ved hjelp av bildet ovenfor.
Atferd: Automatiserte selvdrevne biler
Google prøver å ta sitt selvkjørende bilinitiativ, kjent som WAYMO, til et helt nytt nivå av perfeksjon ved hjelp av Deep Learning. Derfor, i stedet for å bruke gamle håndkodede algoritmer, kan de nå programmere system som kan lære av seg selv ved hjelp av data levert av forskjellige sensorer. Dyp læring er nå den beste tilnærmingen til de fleste oppfatningsoppgaver, så vel som til mange kontrollnivåer på lavt nivå. Derfor kan selv folk som ikke vet å kjøre bil eller er funksjonshemmede, gå videre og ta turen uten å være avhengig av noen andre.
Her har jeg bare nevnt få kjente virkelige brukstilfeller der Deep Learning blir brukt mye og viser lovende resultater. Det er mange andre anvendelser av dyp læring sammen med mange felt som ennå ikke skal utforskes.
Så dette handler om dyp læring i et nøtteskall. Jeg er sikker på at du nå hadde forstått forskjellen mellom maskinlæring og dyp læring, samt hvordan dyp læring kan være veldig nyttig for ulike applikasjoner. Nå, i min neste blogg i denne opplæringsserien for dyp læring, vil vi dype dykk i forskjellige konsepter og algoritmer Deep Learning sammen med deres applikasjon i detalj.
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.