Какво е дълбоко обучение?
В този блог ще говоря на тема Какво е Дълбоко обучение което в днешно време е вълнуващо и пусна корени в огромно множество индустрии, които инвестират в области като изкуствен интелект, големи данни и анализи. Например Google използва дълбоко обучение в своите алгоритми за разпознаване на глас и изображения, докато Netflix и Amazon го използват, за да разберат поведението на своите клиенти. Всъщност няма да повярвате, но изследователите от MIT се опитват да предскажат бъдещето, използвайки дълбоко обучение.А сега си представете колко голям потенциал има дълбокото обучение за революция в света и как компаниите ще търсят .Преди да говорим за дълбоко обучение, трябва да разберем връзката му с машинното обучение и изкуствения интелект. Най-лесният начин да разберете тази връзка е като преминете през диаграмата по-долу:
смокиня: Какво е дълбоко обучение - AI Technologies Timeline
Тук, на изображението можете да видите, че машинното обучение е подмножество на AI. Това предполага факта, че можем да изградим интелигентни машини, които да учат въз основа на предоставения набор от данни сами. Освен това ще забележите, че дълбокото обучение е подмножество на машинното обучение, където подобни алгоритми за машинно обучение се използват за обучение на дълбоки невронни мрежи, за да се постигне по-добра точност в онези случаи, когато предишните не са се представяли на ниво. FoLlowing са темите, които ще обсъдя в този урок за задълбочено обучение:
- Изкуствен интелект
- Машинно обучение
- Недостатъци на ML
- Какво е дълбоко обучение?
- Приложение за дълбоко обучение
Сертифицирайте се с проекти на ниво индустрия и бързо проследете кариерата си
Изкуствен интелект
смокиня: Какво е дълбоко обучение - изкуствен интелект
Терминът AI е измислен през 1956 г. от Джон Маккарти, който също е посочен като Баща на изкуствения интелект. Идеята зад изкуствения интелект е доста проста, но завладяваща, а именно да се правят интелигентни машини, които могат да вземат решения сами. Може да го мислите като научна фантазия, но по отношение на последните развития в технологиите и изчислителната мощ, самата идея изглежда се приближава до реалността от ден на ден.
Машинно обучение: стъпка към изкуствения интелект
Сега, след като сте запознати с AI, нека поговорим накратко за машинното обучение и да разберем какво означава това, когато казваме, че програмираме машини за учене. Нека започнем с една много известна дефиниция за машинно обучение:
„Казва се, че компютърната програма се учи от опит E по отношение на някаква задача T и някаква мярка за изпълнение P, ако нейната производителност на T, измерена с P, се подобрява с опит E.“ - Том Мичъл, Университет Карнеги Мелън
какво е променлива на екземпляр в java
Така че, ако искате програмата ви да предсказва модели на трафик на натоварено кръстовище (задача T), можете да го стартирате чрез алгоритъм за машинно обучение с данни за минали модели на трафик (опит E). Сега точността на прогнозата (мярка за ефективност P) ще зависи от факта, дали програмата е научила успешно от набора от данни или не (опит E).
По принцип машинното обучение се нарича вид изкуствен интелект (AI), който предоставя на компютрите способността да учат, без да бъде изрично програмиран, като ги излага на огромно количество данни. Основният принцип, който стои зад машинното обучение, е да се учите от набори от данни и да се опитате да сведете до минимум грешките или да увеличите вероятността техните прогнози да са верни.
Недостатъци на машинното обучение
- Традиционните алгоритми за ML не са полезни при работа с данни с големи размери, това е мястото, където имаме голям брой входове и изходи. Например, в случай на разпознаване на почерк имаме голямо количество въвеждане, където ще имаме различен тип входове, свързани с различен тип почерк.
- Второто голямо предизвикателство е да се каже на компютъра кои са характеристиките, които той трябва да търси, които ще играят важна роля за прогнозиране на резултата, както и за постигане на по-добра точност при това. Този процес се нарича извличане на функции .
Подаването на сурови данни към алгоритъма рядко работи и това е причината, поради която извличането на функции е критична част от традиционния работен процес на машинното обучение. Следователно, без извличане на функции, предизвикателството за програмиста се увеличава, тъй като ефективността на алгоритъма много зависи от това колко прозорлив е програмистът. Следователно е много трудно да се приложат тези модели или алгоритми за машинно обучение към сложни проблеми като разпознаване на обекти, разпознаване на почерк, NLP (обработка на естествен език) и др.
Дълбоко обучение
Дълбокото обучение е единственият метод, чрез който можем да преодолеем предизвикателствата на извличането на характеристики. Това е така, защото моделите за дълбоко обучение могат сами да се научат да се фокусират върху правилните характеристики, изисквайки малко насоки от програмиста. По принцип дълбокото обучение имитира начина, по който функционира нашият мозък, т.е.учи се от опит. Както знаете, нашият мозък се състои от милиарди неврони, което ни позволява да правим невероятни неща. Дори мозъкът на едногодишно дете може да реши сложни проблеми, които са много трудни за решаване дори с помощта на суперкомпютри. Например:
- Разпознават и лицето на техните родители и различни предмети.
- Дискриминира различни гласове и дори може да разпознае определен човек въз основа на неговия / нейния глас.
- Направете извод от жестове на лицето на други хора и много други.
Всъщност нашият мозък се е подсъзнателно обучавал да прави такива неща през годините. Сега идва въпросът, колко дълбоко обучение имитира функционалността на мозъка? Е, дълбокото обучение използва концепцията за изкуствени неврони, която функционира по подобен начин като биологичните неврони, присъстващи в мозъка ни. Следователно можем да кажем, че дълбокото обучение е подполе на машина изучаване на занимава се с алгоритми, вдъхновени от структурата и функцията на мозъка, наречени изкуствени невронни мрежи.
Нека вземем пример, за да го разберем. Да предположим, че искаме да направим система, която да разпознава лица на различни хора в изображение.Ако решим това като типичен проблем с машинното обучение, ще дефинираме черти на лицето като очи, нос, уши и т.н., а след това системата сама ще определи кои характеристики са по-важни за кой човек.
Дълбокото учене прави тази стъпка напред. Дълбокото обучение автоматично открива характеристиките, които са важни за класифицирането поради дълбоките невронни мрежи, докато в случай на машинно обучение трябваше да дефинираме тези характеристики ръчно.
смокиня: Разпознаване на лица с помощта на дълбоки мрежи
разлика между javascript и jquery
Както е показано на изображението по-горе, Deep Learning работи по следния начин:
- На най-ниското ниво мрежата фиксира модели на локален контраст като толкова важни.
- Следващият слой след това може да използва тези модели на локален контраст, за да се фиксира върху неща, които приличат на очи, носове и уста
- И накрая, най-горният слой е в състояние да приложи тези черти на лицето към шаблоните за лице.
- Дълбоката невронна мрежа е способна да съставя все по-сложни характеристики във всеки от следващите си слоеве.
Замисляли ли сте се как Facebook автоматично етикетира или маркира всички присъстващи в изображение, качено от вас? Е, Facebook използва дълбокото обучение по подобен начин, както е посочено в горния пример. Сега бихте осъзнали способността на дълбокото обучение и как то може да надмине машинното обучение в онези случаи, когато имаме много малко представа за всички функции, които могат да повлияят на резултата. Следователно Deep network може да преодолее недостатъка на машинното обучение, като извлича изводи от набор от данни, състоящ се от входни данни, без правилно етикетиране.
Какво е дълбоко обучение | Опростено задълбочено обучение | Едурека
Приложения на дълбокото обучение
Продължавайки напред в този блог за дълбоко обучение, нека разгледаме някои от реалните приложения на Deep Learning, за да разберем истинските му сили.
Гласово разпознаване
Всички вие бихте чували за Siri, която е интелигентен асистент с гласово управление на Apple. Подобно на други големи гиганти, Apple също започна да инвестира в Deep Learning, за да направи услугите си по-добри от всякога.
В областта на разпознаването на реч и интелигентния асистент, контролиран с глас като Siri, може да се разработи по-точен акустичен модел, използващ дълбока невронна мрежа и в момента е едно от най-активните полета за прилагане на задълбочено обучение. С прости думи, можете да изградите такава система, която да научи нови функции или да се адаптира според вас и следователно да осигурите по-добра помощ, като предварително прогнозирате всички възможности.
Автоматичен машинен превод
Всички знаем, че Google може незабавно да преведе между 100 различни човешки езика, и то твърде много бързо, сякаш с магия. Технологията зад Гугъл преводач е наречен Машинен превод и е спасител за хора, които не могат да общуват помежду си поради разликата в говорещия език. Сега бихте си помислили, че тази функция съществува от дълго време, така че, какво е новото в това? Позволете ми да ви кажа, че през последните две години, с помощта на задълбочено обучение, Google тотално реформира подхода към машинния превод в своя Google Translate. Всъщност изследователите на дълбокото обучение, които не знаят почти нищо за езиковия превод, предлагат сравнително прости решения за машинно обучение, които бият най-добрите изградени от експерти системи за езиков превод в света. Преводът на текст може да се извърши без предварителна обработка на последователността, което позволява на алгоритъма да научи зависимостите между думите и тяхното картографиране на нов език. За извършване на този превод се използват подредени мрежи от големи повтарящи се невронни мрежи.
- Незабавен визуален превод
Както знаете, дълбокото обучение се използва за идентифициране на изображения, които имат букви и къде буквите са на сцената. След като бъдат идентифицирани, те могат да бъдат превърнати в текст, преведени и изображението пресъздадено с преведения текст. Това често се нарича незабавен визуален превод .
сокет програмиране в Java пример
Сега си представете ситуация, в която сте посетили която и да е друга държава, чийто роден език не ви е известен. Е, не е нужно да се притеснявате, като използвате различни приложения като Google Translate, можете да продължите и да извършвате незабавни визуални преводи, за да четете табели или пазари на дъски, написани на друг език. Това е възможно само поради дълбокото обучение.
Забележка: Можете да изтеглите приложението Google Translate и да разгледате невероятния незабавен визуален превод, използвайки горното изображение.
Поведение: Автоматизирани самостоятелно управлявани автомобили
Google се опитва да изведе инициативата им за самоуправляващ се автомобил, известна като WAYMO, до съвсем ново ниво на съвършенство, използвайки Deep Learning. Следователно, вместо да използват стари ръчно кодирани алгоритми, те вече могат да програмират система, която може да се учи сама, като използва данни, предоставени от различни сензори. Дълбокото обучение сега е най-добрият подход към повечето задачи за възприятие, както и към много задачи за контрол на ниско ниво. Следователно сега дори хора, които не знаят да шофират или са с увреждания, могат да продължат и да се возят, без да зависят от никой друг.
Тук споменах само няколко известни случая на реална употреба, при които дълбокото обучение се използва широко и показва обещаващи резултати. Има много други приложения на дълбокото обучение заедно с много области, които тепърва ще бъдат изследвани.
И така, всичко е свързано с дълбокото обучение накратко. Сигурен съм, че досега бихте осъзнали разликата между машинното обучение и дълбокото обучение, както и как дълбокото обучение може да бъде много полезно за различни приложения от реалния живот. Сега, в следващия ми блог в тази поредица от уроци за задълбочено обучение, ще се задълбочим в различни концепции и алгоритми за дълбоко обучение, заедно с тяхното приложение в детайли.
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.