Hvad er dyb læring?
I denne blog vil jeg tale om hvad der er Dyb læring hvilket er en varm brummer i dag og har fastgjort sine rødder i en lang række brancher, der investerer i områder som kunstig intelligens, Big Data og Analytics. For eksempel bruger Google dyb læring i sine stemme- og billedgenkendelsesalgoritmer, mens Netflix og Amazon bruger det til at forstå deres kunders opførsel. Faktisk vil du ikke tro det, men forskere ved MIT forsøger at forudsige fremtiden ved hjælp af dyb læring.Forestil dig nu, hvor meget potentiale dyb læring har for at revolutionere verden, og hvordan virksomhederne vil se efter .Før man taler om dyb læring, skal man forstå dets forhold til maskinlæring og kunstig intelligens. Den nemmeste måde at forstå dette forhold på er ved at gå gennem diagrammet nedenfor:
fig: Hvad er Deep Learning - tidslinje for AI-teknologier
Her på billedet kan du se, at Machine Learning er en delmængde af AI. Dette indebærer for det faktum, at vi kan bygge intelligente maskiner, der kan lære baseret på de leverede datasæt alene. Yderligere vil du bemærke, at Deep Learning er en delmængde af Machine Learning, hvor lignende Machine Learning-algoritmer bruges til at træne Deep Neural Networks for at opnå bedre nøjagtighed i de tilfælde, hvor tidligere ikke udførte op til mærket. Following er de emner, som jeg skal diskutere i denne dybdegående læringsvejledning:
- Kunstig intelligens
- Maskinelæring
- Ulemper ved ML
- Hvad er dyb læring?
- Deep Learning ansøgning
Bliv certificeret med industriprojekter, og følg din karriere hurtigt
Kunstig intelligens
fig: Hvad er dyb læring - kunstig intelligens
Udtrykket AI blev opfundet i 1956 af John McCarthy, der også kaldes far for kunstig intelligens. Ideen bag AI er ret enkel, men alligevel fascinerende, nemlig at lave intelligente maskiner, der kan tage beslutninger alene. Du tænker måske på det som en videnskabelig fantasi, men med hensyn til den seneste udvikling inden for teknologi og computerkraft synes selve ideen at komme tættere på virkeligheden dag for dag.
Machine Learning: Et skridt mod kunstig intelligens
Nu hvor du er fortrolig med AI, så lad os tale kort om maskinindlæring og forstå, hvad det betyder, når vi siger, at vi programmerer maskiner til at lære. Lad os begynde med en meget berømt definition af Machine Learning:
'Et computerprogram siges at lære af erfaring E med hensyn til en opgave T og noget præstationsmål P, hvis dets præstation på T, målt ved P, forbedres med erfaring E.' - Tom Mitchell, Carnegie Mellon University
Så hvis du ønsker, at dit program skal forudsige trafikmønstre ved et travlt vejkryds (opgave T), kan du køre det gennem en maskinlæringsalgoritme med data om tidligere trafikmønstre (oplevelse E). Nu vil nøjagtigheden af forudsigelsen (præstationsmål P) afhænge af det faktum, at om programmet med succes har lært af datasættet eller ej (erfaring E).
Grundlæggende betegnes maskinindlæring som en type kunstig intelligens (AI), der giver computere evnen til at lære uden at blive eksplicit programmeret ved at udsætte dem for store mængder data. Kerneprincippet bag Machine Learning er at lære af datasæt og forsøge at minimere fejl eller maksimere sandsynligheden for, at deres forudsigelser er sande.
Ulemper ved maskinindlæring
- Traditionelle ML-algoritmer er ikke nyttige, når vi arbejder med højdimensionelle data, det er her, vi har et stort antal input og output. For eksempel i tilfælde af håndskriftgenkendelse har vi en stor mængde input, hvor vi vil have forskellige typer input, der er knyttet til forskellige typer håndskrift.
- Den anden store udfordring er at fortælle computeren, hvilke funktioner den skal se efter, der vil spille en vigtig rolle i forudsigelsen af resultatet såvel som at opnå bedre nøjagtighed, mens man gør det. Netop denne proces kaldes ekstraktion af funktioner .
Tilførsel af rådata til algoritmen fungerer sjældent, og det er grunden til, at ekstraktion af funktioner er en kritisk del af den traditionelle maskinlæringsworkflow. Uden ekstraktion af funktioner øges derfor udfordringen for programmøren, da effektiviteten af algoritme meget afhænger af, hvor indsigtsfuld programmøren er. Derfor er det meget vanskeligt at anvende disse Machine Learning-modeller eller algoritmer på komplekse problemer som genkendelse af genstande, håndskriftsgenkendelse, NLP (Natural Language Processing) osv.
parse streng til dato java
Dyb læring
Dyb læring er en af de eneste metoder, hvormed vi kan løse udfordringerne ved ekstraktion af funktioner. Dette skyldes, at modeller for dyb læring er i stand til at lære at fokusere på de rigtige funktioner i sig selv og kræver lidt vejledning fra programmøren. Dybest læring efterligner dybest set den måde, vores hjerne fungerer på, dvs. den lærer af erfaring. Som du ved, består vores hjerne af milliarder neuroner, der giver os mulighed for at gøre fantastiske ting. Selv hjernen hos et år gammelt barn kan løse komplekse problemer, som er meget vanskelige at løse, selv ved hjælp af supercomputere. For eksempel:
- Genkend også deres forældres ansigt og forskellige genstande.
- Diskriminer forskellige stemmer og kan endda genkende en bestemt person baseret på hans / hendes stemme.
- Træk slutning fra ansigtsbevægelser fra andre personer og mange flere.
Faktisk har vores hjerne ubevidst trænet sig i at gøre sådanne ting gennem årene. Nu kommer spørgsmålet, hvor dyb læring efterligner hjernens funktionalitet? Nå, dyb læring bruger begrebet kunstige neuroner, der fungerer på en lignende måde som de biologiske neuroner, der findes i vores hjerne. Derfor kan vi sige, at Deep Learning er et underfelt af maskine læring beskæftiger sig med algoritmer inspireret af hjernens struktur og funktion kaldet kunstige neurale netværk.
Lad os nu tage et eksempel for at forstå det. Antag, at vi ønsker at skabe et system, der kan genkende forskellige menneskers ansigter i et billede.Hvis vi løser dette som et typisk maskinindlæringsproblem, definerer vi ansigtsegenskaber som øjne, næse, ører osv., Og derefter identificerer systemet, hvilke funktioner der er vigtigere for hvilken person alene.
Nu tager dyb læring dette et skridt foran. Deep learning finder automatisk ud af de funktioner, der er vigtige for klassificering på grund af dybe neurale netværk, mens vi i tilfælde af Machine Learning måtte definere disse funktioner manuelt.
fig: Ansigtsgenkendelse ved hjælp af dybe netværk
Som vist på billedet ovenfor fungerer Deep Learning som følger:
- På det laveste niveau er netværksfiksering af mønstre med lokal kontrast lige så vigtig.
- Det følgende lag er derefter i stand til at bruge disse mønstre med lokal kontrast til at fiksere på ting, der ligner øjne, næse og mund
- Endelig er det øverste lag i stand til at anvende disse ansigtsegenskaber på ansigtsskabeloner.
- Et dybt neuralt netværk er i stand til at komponere mere og mere komplekse funktioner i hvert af dets successive lag.
Har du nogensinde spekuleret på, hvordan Facebook automatisk mærker eller mærker hele den person, der er til stede i et billede, du uploader? Nå, Facebook bruger Deep Learning på en lignende måde som anført i ovenstående eksempel. Nu ville du have forstået dyb lærings evne, og hvordan det kan overgå maskinlæring i de tilfælde, hvor vi ikke har meget lidt idé om alle de funktioner, der kan påvirke resultatet. Derfor kan dybt netværk overvinde ulempen ved maskinindlæring ved at trække slutninger fra datasæt bestående af inputdata uden korrekt mærkning.
Hvad er dyb læring | Forenklet dyb læring | Edureka
Anvendelser af dyb læring
Gå videre i denne hvad der er dyb læring blog, lad os se på nogle af de virkelige applikationer af Deep Learning for at forstå dens sande kræfter.
Tale genkendelse
Alle ville have hørt om Siri, som er Apples stemmestyrede intelligente assistent. Som andre store giganter er Apple også begyndt at investere i Deep Learning for at gøre sine tjenester bedre end nogensinde.
Inden for talegenkendelse og stemmestyret intelligent assistent som Siri kan man udvikle en mere nøjagtig akustisk model ved hjælp af et dybt neuralt netværk og er i øjeblikket et af de mest aktive felter til implementering af dyb læring. Med enkle ord kan du opbygge et sådant system, der kan lære nye funktioner eller tilpasse sig selv efter dig og derfor give bedre hjælp ved at forudsige alle muligheder på forhånd.
Automatisk maskinoversættelse
Vi ved alle, at Google øjeblikkeligt kan oversætte mellem 100 forskellige menneskelige sprog, det meget hurtigt som ved magi. Teknologien bag Google Oversæt Hedder Maskinoversættelse og har været frelser for mennesker, der ikke kan kommunikere med hinanden på grund af forskellen i det talende sprog. Nu tænker du, at denne funktion har været der i lang tid, så hvad er nyt i dette? Lad mig fortælle dig, at Google i løbet af de sidste to år ved hjælp af dyb læring har total reformeret tilgangen til maskinoversættelse i sin Google Translate. Faktisk fremsætter dyb læringsforskere, der næsten ikke ved noget om sprogoversættelse, relativt enkle maskinlæringsløsninger, der slår de bedste ekspertbyggede sprogoversættelsessystemer i verden. Tekstoversættelse kan udføres uden nogen forbehandling af sekvensen, hvilket gør det muligt for algoritmen at lære afhængighederne mellem ord og deres tilknytning til et nyt sprog. Stablede netværk af store tilbagevendende neurale netværk bruges til at udføre denne oversættelse.
- Øjeblikkelig visuel oversættelse
Som du ved, bruges dyb læring til at identificere billeder, der har bogstaver, og hvor bogstaverne er på scenen. Når de er identificeret, kan de omdannes til tekst, oversættes og billedet genskabes med den oversatte tekst. Dette kaldes ofte øjeblikkelig visuel oversættelse .
Forestil dig nu en situation, hvor du har besøgt et andet land, hvis modersmål ikke er kendt for dig. Du behøver ikke bekymre dig, ved at bruge forskellige apps som Google Oversæt kan du fortsætte med at udføre øjeblikkelige visuelle oversættelser for at læse skilte eller butikstavler skrevet på et andet sprog. Dette har kun været muligt på grund af dyb læring.
kaste en dobbelt til en int
Bemærk: Du kan fortsætte med at downloade Google Translate-appen og tjekke den fantastiske øjeblikkelige visuelle oversættelse ved hjælp af ovenstående billede.
Adfærd: Automatiske selvdrevne biler
Google forsøger at tage deres selvkørende bilinitiativ, kendt som WAYMO, til et helt nyt niveau af perfektion ved hjælp af Deep Learning. Derfor, i stedet for at bruge gamle håndkodede algoritmer, kan de nu programmere system, der kan lære af sig selv ved hjælp af data fra forskellige sensorer. Deep learning er nu den bedste tilgang til de fleste opfattelsesopgaver såvel som til mange kontrolopgaver på lavt niveau. Derfor kan selv folk, der ikke ved at køre eller er handicappede, gå videre og tage turen uden at være afhængige af nogen anden.
Her har jeg kun nævnt få berømte brugssager i det virkelige liv, hvor Deep Learning bruges i vid udstrækning og viser lovende resultater. Der er mange andre anvendelser af dyb læring sammen med mange områder, som endnu ikke skal undersøges.
Så alt handler om dyb læring i en nøddeskal. Jeg er sikker på, at du nu ville have forstået forskellen mellem maskinindlæring og dyb læring samt hvordan dyb læring kan være meget nyttig til forskellige applikationer i det virkelige liv. Nu, i min næste blog i denne dyb lærings tutorial-serie, dykker vi dybt ned i forskellige koncepter og algoritmer Deep Learning sammen med deres anvendelse i detaljer.
Nu hvor du kender til dyb læring, skal du tjekke af Edureka, et pålideligt online læringsfirma med et netværk på mere end 250.000 tilfredse elever spredt over hele kloden. Edureka Deep Learning with TensorFlow-certificeringskursus hjælper eleverne med at blive ekspert i træning og optimering af grundlæggende og konvolutionelle neurale netværk ved hjælp af realtidsprojekter og opgaver sammen med koncepter som SoftMax-funktion, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
Har du et spørgsmål til os? Nævn det i kommentarfeltet, så vender vi tilbage til dig.