Урок за дълбоко обучение: Изкуствен интелект, използващ дълбоко обучение



Този блог за Урок за дълбоко обучение ще ви помогне да разберете всичко за дълбокото обучение и връзката му с машинното обучение и изкуствения интелект.

Тъй като е важна подгрупа на машинното обучение, търсенето на е видял огромен ръст, особено сред тези, които се интересуват от отключване на безграничните възможности на ИИ.Вдъхновен от нарастващата популярност на Deep Learning, мислех да измисля поредица от блогове, които ще ви обучат за тази нова тенденция в областта на изкуствения интелект и ще ви помогнат да разберете за какво става въпрос. Това е първият от многото блогове в поредицата, наречен като - Урок за дълбоко обучение .

Урок за дълбоко обучение

В този блог с урок за задълбочено обучение ще ви преведа през следните неща, които ще служат като основи за предстоящите блогове:





  • Какво позволи на Deep Learning да възникне
  • Какво е дълбоко обучение и как работи?

Можете да преминете през този запис на Урок за дълбоко обучение, където нашият инструктор е обяснил подробно темите с примери, които ще ви помогнат да разберете по-добре тази концепция.

Урок за дълбоко обучение | Дълбоко обучение на невронни мрежи | Едурека

Приложения на изкуствен интелект и задълбочено обучение

Сега помислете за това, вместо да вършите цялата си работа, имате машина, която да я завърши вместо вас, или тя може да направи нещо, което смятате, че изобщо не е възможно. Например:



Предсказване на бъдещето - Урок за дълбоко обучение - Edureka

Предсказване на бъдещето: Може да ни помогне да предскажем предварително земетресения, цунами и др., За да могат да се вземат превантивни мерки, за да се спасят много животи от попадането в лапите на природните бедствия.

сокет програмиране в Java пример
Чат-ботове: Всички вие бихте чували за Siri, която е гласовият асистент на Apple с гласово управление. Повярвайте ми, с помощта на Deep Learning тези виртуални помощи стават по-интелигентни от ден на ден. Всъщност Siri може да се адаптира според потребителя и да осигури по-добра персонализирана помощ.
Самоуправляващи се коли: Представете си колко невероятно би било за хора с физически увреждания и възрастни хора, на които им е трудно да шофират сами. Отделно от това, това ще спаси милиони невинни животи, които всяка година се сблъскват с пътнотранспортно произшествие поради човешка грешка.

Google AI Eye Doctor: Това е скорошна инициатива, предприета от Google, където те работят с индийска верига за грижа за очите за разработване на софтуер за изкуствен интелект, който може да изследва сканирането на ретината и да идентифицира състояние, наречено диабетна ретинопатия, което може да причини слепота.

AI Music Composer: Е, кой си помисли, че можем да създадем AI музикален композитор, използващ Deep Learning. Следователно не бих се изненадал да чуя, че следващата най-добра музика се дава от машина.
Машина за четене на сънища: Това е една от любимите ми, машина, която може да улови мечтите ви под формата на видео или нещо подобно. С толкова много нереалистични приложения на AI & Deep Learning, които сме виждали досега, не бях изненадан да разбера, че това беше изпробвано в Япония преди няколко години на три тестови субекта и те успяха да постигнат близо 60% точност. Това е нещо доста невероятно, но все пак вярно.


Сигурен съм, че някои от тези приложения в реалния живот на AI & Deep Learning биха ви накарали да настръхнете. Добре тогава, това поставя основата за вас и сега, ние сме готови да продължим по-нататък в този урок за дълбоко обучение и да разберем какво е изкуствен интелект.



Какво е изкуствен интелект?

Изкуственият интелект не е нищо друго освен способността на една машина да имитира интелигентно човешко поведение. ИИ се постига чрез имитиране на човешки мозък, чрез разбиране как той мисли, как се учи, решава и работи, докато се опитва да реши проблем.

Например: Машина, играеща шах, или софтуер, активиран с глас, който ви помага с различни неща във вашия iPhone или система за разпознаване на номера, която улавя регистрационния номер на превишена скорост и го обработва, за да извлече регистрационния номер и да идентифицира собственика на автомобила . Всичко това не беше много лесно за изпълнение преди Дълбоко обучение . Нека сега разберем различните подмножества на изкуствения интелект.

Подмножества на изкуствения интелект

Досега бихте чували много за изкуствения интелект, машинното обучение и дълбокото обучение. Знаете ли обаче връзката между тримата? По принцип дълбокото обучение е подполе на машинното обучение, а машинното обучение е подполе на изкуствения интелект, както е показано на изображението по-долу:

Когато разглеждаме нещо като AlphaGo , често се представя като голям успех за задълбочено обучение, но всъщност е комбинация от идеи от няколко различни области на ИИ и машинно обучение. Всъщност ще бъдете изненадани да чуете, че идеята зад дълбоките невронни мрежи не е нова, а датира от 50-те години. Въпреки това стана възможно практически да се приложи поради наличните в наши дни ресурси от висок клас.

И така, напредвайки в този блог с уроци за дълбоко обучение, нека изследваме машинното обучение, последвано от неговите ограничения.

Какво е машинно обучение?

Машинното обучение е подмножество на изкуствения интелект, което предоставя на компютрите способността да учат, без да са изрично програмирани. В машинното обучение не трябва да дефинираме изрично всички стъпки или условия като всяко друго приложение за програмиране. Напротив, машината се обучава на набор от данни за обучение, достатъчно голям, за да създаде модел, който помага на машината да взема решения въз основа на своето обучение.

Например: Искаме да определим видовете цвете въз основа на дължината на венчелистчетата и чашелистчетата (листа на цвете) с помощта на машинно обучение. Тогава, как ще го направим?

Ние ще подадем набора от данни за цветя, който съдържа различни характеристики на различни цветя, заедно със съответните им видове, в нашата машина, както можете да видите на горното изображение. Използвайки този набор от входни данни, машината ще създаде и обучи модел, който може да се използва за класифициране на цветята в различни категории.
След като нашият модел е обучен, ние ще предадем набор от характеристики като вход към модела.
И накрая, нашият модел ще изведе видовете цветя, присъстващи в новия набор от входни данни. Този процес на обучение на машина за създаване на модел и използването му за вземане на решения се нарича Машинно обучение . Този процес обаче има някои ограничения.

Ограничения на машинното обучение

Машинното обучение не е в състояние да обработва данни с големи размери, където входът и изходът са доста големи. Обработката и обработката на такъв тип данни става много сложна и изчерпателна. Това се нарича като Проклятието на измереността . За да разберем това с по-прости думи, нека разгледаме следното изображение:

Помислете за линия от 100 ярда и сте пуснали монета някъде на линията. Сега е доста удобно за вас да намерите монетата, като просто вървите по линията. Точно тази линия е едномерна същност.
След това помислете, че имате квадрат от странични 100 ярда всеки, както е показано на горното изображение, и отново сте пуснали монета някъде между тях. Съвсем очевидно е, че ще ви отнеме повече време, за да намерите монетата в рамките на този квадрат в сравнение с предишния сценарий. Този квадрат е двуизмерен обект.
Нека направим крачка напред, като разгледаме куб със странични 100 ярда всеки и сте пуснали монета някъде между тях. Сега е още по-трудно да се намери монетата този път. Този куб е триизмерен обект.

Следователно можете да забележите, че сложността се увеличава, тъй като размерите се увеличават.А в реалния живот високоразмерните данни, за които говорихме, имат хиляди измерения, което го прави много сложен за обработка и обработка. Данните с големи размери могат лесно да бъдат намерени в случаи на употреба като Обработка на изображения, NLP, Превод на изображения и др.

Машинното обучение не беше в състояние да реши тези случаи на употреба и следователно, Дълбокото обучение дойде на помощ. Дълбокото обучение е способно да обработва високоизмерните данни и също така е ефективно да се фокусира върху правилните характеристики самостоятелно. Този процес се нарича извличане на характеристики. Сега нека да продължим напред в този урок за дълбоко обучение и да разберем как работи дълбокото обучение.

какво е базираният на pojo модел на програмиране

Как работи дълбокото обучение?

В опит да реинженерира човешки мозък, Deep Learning изучава основната единица на мозъка, наречена мозъчна клетка или неврон. Вдъхновен от неврон е разработен изкуствен неврон или персептрон. Сега нека разберем функционалността на биологичните неврони и как имитираме тази функционалност в персептрона или изкуствения неврон:

  • Ако се съсредоточим върху структурата на биологичен неврон, той има дендрити, които се използват за получаване на входове. Тези входове се сумират в клетъчното тяло и с помощта на Axon се предават на следващия биологичен неврон, както е показано на горното изображение.

  • По същия начин персептронът получава множество входове, прилага различни трансформации и функции и осигурява изход.

  • Тъй като знаем, че нашият мозък се състои от множество свързани неврони, наречени невронна мрежа, ние също можем да имаме мрежа от изкуствени неврони, наречени персептрони, за да образуваме дълбока невронна мрежа. И така, нека продължим напред в този урок за дълбоко обучение, за да разберем как изглежда дълбоката невронна мрежа.

Урок за дълбоко обучение: Какво е дълбоко обучение?

  • Всяка дълбока невронна мрежа ще се състои от три типа слоеве:
    • Входният слой
    • Скритият слой
    • Изходният слой
В горната диаграма първият слой е входният слой, който приема всички входове, а последният слой е изходният слой, който осигурява желания изход.
Всички слоеве между тези слоеве се наричат ​​скрити слоеве. Може да има n брой скрити слоеве благодарение на висококачествените ресурси, налични в наши дни.
Броят на скритите слоеве и броят на перцептроните във всеки слой изцяло ще зависят от случая на употреба, който се опитвате да разрешите.

Сега, когато имате картина на дълбоки невронни мрежи, нека продължим напред в този урок за дълбоко обучение, за да получите представа на високо ниво за това как дълбоките невронни мрежи решават проблема с разпознаването на изображения.

Дълбоко обучение - случай

Искаме да извършим разпознаване на изображения с помощта на Deep Networks:

Тук предаваме високоразмерните данни на входния слой. За да съответства на размерността на входните данни, входният слой ще съдържа множество подслоеве на perceptrons, така че да може да консумира целия вход.
Изходът, получен от входния слой, ще съдържа шаблони и ще може да идентифицира само ръбовете на изображенията въз основа на нивата на контраста.
Този изход ще бъде подаден към скрития слой 1, където ще може да идентифицира различни характеристики на лицето като очи, нос, уши и т.н.
Сега това ще бъде подадено към скрития слой 2, където ще може да формира цели лица. След това изходът на слой 2 се изпраща към изходния слой.
И накрая, изходният слой извършва класификация въз основа на резултата, получен от предишния и предсказва името.

Позволете ми да ви задам въпрос, какво ще се случи, ако някой от тези слоеве липсва или невронната мрежа не е достатъчно дълбока? Просто, няма да можем да идентифицираме точно изображенията. Това е самата причина, поради която тези случаи на употреба не са имали решение през всичките тези години преди дълбокото обучение. Само за да продължим по-нататък, ще се опитаме да приложим дълбоки мрежи в набор от данни MNIST.

  • Наборът от данни на Mnist се състои от 60 000 учебни мостри и 10 000 тестващи мостри на ръчно написани цифрови изображения. Задачата тук е да се обучи модел, който може точно да идентифицира цифрата, присъстваща на изображението.

  • За да се реши този случай на употреба ще бъде създадена дълбока мрежа с множество скрити слоеве за обработка на всичките 60 000 изображения пиксел по пиксел и накрая ще получим изходен слой.
  • Изходният слой ще бъде масив от индекс 0 до 9, където всеки индекс съответства на съответната цифра. Индекс 0 съдържа вероятността 0 да е цифрата, присъстваща на входното изображение.
  • По същия начин индекс 2, който има стойност 0,1, всъщност представлява вероятността 2 да е цифрата, присъстваща на входното изображение. Така че, ако видим най-голямата вероятност в този масив е 0,8, който присъства в индекс 7 на масива. Следователно номерът на изображението е 7.

Заключение

Така че, момчета, всичко беше свързано с дълбокото обучение накратко. В този урок за дълбоко обучение видяхме различни приложения на дълбокото обучение и разбрахме връзката му с AI и машинното обучение. След това разбрахме как можем да използваме персептрон или изкуствени неврони основни градивни елементи за създаване на дълбока невронна мрежа, която може да изпълнява сложни задачи като тях. Най-накрая преминахме през един от случаите на дълбоко обучение, където извършихме разпознаване на изображения, използвайки дълбоки невронни мрежи и разбрахме всички стъпки, които се случват зад сцената. Сега, в следващия блог от тази поредица с дълбоки обучения, ще научим как да внедрим перцептрон с помощта на TensorFlow, която е базирана на Python библиотека за дълбоко обучение.

След като вече знаете за дълбокото обучение, разгледайте от Edureka, доверена компания за онлайн обучение с мрежа от над 250 000 доволни учащи, разпространени по целия свят. Курсът за дълбоко обучение Edureka с TensorFlow за сертифициране помага на обучаващите се да станат експерти в обучението и оптимизирането на основни и конволюционни невронни мрежи, използвайки проекти и задачи в реално време, заедно с концепции като функцията SoftMax, автокодиращи невронни мрежи, ограничена машина на Boltzmann (RBM).

Имате въпрос към нас? Моля, споменете го в раздела за коментари и ние ще се свържем с вас.