Úvod do hlbokého učenia
Hlboké učenie je jednou z techník strojového učenia, pomocou ktorých učíme / trénujeme počítače, aby robili to, čo ľudia robia. Napríklad vedenie vozidla - hlboké vzdelávanie zohráva v technológii automobilov bez vodiča kľúčovú úlohu tým, že im umožňuje identifikovať rôzne dopravné značky, dopravné značky, značky pre chodcov atď. Ďalšími kľúčovými oblasťami hlbokého vzdelávania sú ovládanie hlasu v domácich systémoch, mobilných telefónoch, bezdrôtových reproduktoroch., Alexa, inteligentné televízory atď. Hlboké vzdelávanie pre začiatočníkov je väčšinou o viacerých úrovniach abstrakcie a reprezentácie, pomocou ktorých sa počítačový model učí vykonávať klasifikáciu obrázkov, zvukov a textu atď. Modely hlbokého učenia dosahujú v niektorých modeloch lepšiu presnosť a výkon ako ľudia., Vo všeobecnosti sú tieto počítačové modely trénované veľkým súborom údajov, ktoré sú označené a neoznačené, aby identifikovali objekty a neurónové siete, ktoré majú v každej sieti viac vrstiev.
Čo je to Deep learning?
Vysvetľujem, čo je hlboké učenie v období laikov, ako je uvedené nižšie: Spravidla budeme robiť dve úlohy vedomo alebo podvedome, tj kategorizovať to, čo sme cítili prostredníctvom našich zmyslov (ako je pocit horúčavy, studeného hrnčeka atď.) A predpovede, napríklad, predpovedá budúcu teplotu na základe predchádzajúcich údajov o teplote. Vykonávame kategorizačné a predikčné úlohy pre niekoľko udalostí alebo úloh v našom každodennom živote, ako napríklad:
- Držte šálku čaju, vody / kávy atď., Ktorá môže byť horúca alebo studená.
- Kategorizácia e-mailov, napríklad spam / nie spam.
- Kategórie podľa denného svetla, napríklad deň alebo noc.
- Dlhodobé plánovanie budúcnosti založené na našom súčasnom postavení a veciach, ktoré máme - sa nazýva predpoveď.
- Každé zviera na svete bude tieto úlohy vykonávať vo svojom živote, napríklad si uvedomte, že zvieratá ako vrana kategorizujú miesto na stavbu svojho hniezda alebo nie, včela rozhodne o niektorých faktoroch, kedy a kde získať med, netopier príde v noci. a spí počas rána na základe kategorizácie podľa dňa a noci.
Predstavme si tieto úlohy kategorizáciu a predikciu a budú vyzerať podobne ako na nasledujúcom obrázku. Pre kategorizáciu robíme kategorizáciu medzi mačkami a psami nakreslením čiary cez dátové body av prípade predikcie nakreslíme čiaru cez údajové body do predpovedať, kedy sa bude zvyšovať a znižovať.
1) Kategorizácia
- Všeobecne na kategorizáciu medzi mačkami a psami, alebo mužmi a ženami, v našich mozgoch nekreslime čiaru a pozícia psov a mačiek je svojvoľná iba na ilustračné účely a netreba hovoriť o spôsobe, akým sa zaraďujeme medzi mačky a psy v našich mozgoch sú oveľa zložitejšie ako kreslenie červenej čiary, ako je uvedené vyššie.
- Rozdelíme medzi dve veci na základe tvarov, rozmerov, výšky, vzhľadov atď. Niekedy bude ťažké kategorizovať tieto vlastnosti, ako napríklad malý pes so zúrivosťou a novonarodená mačka, takže nejde o jednoznačnú kategorizáciu. na mačky a psy.
- Akonáhle sme schopní rozdeliť medzi mačky a psy, keď sme deti, potom ďalej sme schopní zatriediť akéhokoľvek psa alebo mačku, aj keď sme to predtým nevideli.
2) Predikcia
- Pri predikcii založenej na priamke čerpáme body údajov, ak dokážeme predpovedať, kde je najpravdepodobnejšie ísť nahor alebo nadol.
- Krivka je tiež predikciou umiestnenia nových údajových bodov do rozsahu existujúcich dátových bodov, tj ako blízko je nový dátový bod ku krivke.
- Dátové body, ktoré sú na vyššie uvedenom obrázku červenej farby (pravá strana), sú príkladmi v rámci aj za hranicami existujúcich dátových bodov a krivka sa pokúša predpovedať oboje.
Nakoniec, kategorizácia úloh aj predpoveď sú ukončené v podobnom bode, tj nakreslením krivky z dátových bodov. Ak dokážeme naučiť počítačový model kresliť krivku na základe dátových bodov, ktoré sme dosiahli, môžeme ju rozšíriť tak, aby sa uplatňovala v rôznych modeloch, ako je napríklad kreslenie kriviek v trojrozmerných rovinách a tak ďalej. Vyššie uvedené možno dosiahnuť školením modelu s veľkým množstvom označených a neoznačených údajov, ktoré sa nazýva hlboké učenie.
Príklady hlbokého vzdelávania:
Ako vieme, hlboké vzdelávanie a strojové učenie sú podmnožinou umelej inteligencie, ale technológia hlbokého učenia predstavuje ďalší vývoj strojového učenia. Strojové učenie bude fungovať na základe algoritmov a programov vyvinutých ľuďmi, zatiaľ čo hlboké vzdelávanie sa učí prostredníctvom modelu neurónovej siete, ktorý sa chová podobne ako človek a umožňuje stroju alebo počítaču analyzovať údaje podobným spôsobom ako ľudia. Toto je možné, keď trénujeme modely neurónovej siete s obrovským množstvom údajov, pretože dáta sú palivom alebo potravou pre modely neurónovej siete. Nižšie sú uvedené niektoré príklady hlbokého učenia sa v reálnom svete.
-
Počítačová vízia:
Počítačové videnie sa zaoberá algoritmami, pomocou ktorých môžu počítače porozumieť svetu pomocou obrazových a obrazových údajov a úloh, ako je rozpoznávanie obrazu, klasifikácia obrazu, detekcia objektu, segmentácia obrazu, obnova obrazu atď.
-
Spracovanie reči a prirodzeného jazyka:
Spracovanie v prirodzenom jazyku sa zaoberá algoritmami, ktoré počítačom umožňujú porozumieť, interpretovať a manipulovať v ľudskom jazyku. Algoritmy NLP pracujú s textovými a zvukovými údajmi a transformujú ich na zvukový alebo textový výstup. Pomocou NLP môžeme robiť úlohy ako analýza sentimentu, rozpoznávanie reči, prechod jazyka a tvorba prirodzeného jazyka atď.
-
Autonómne vozidlá:
Modely hlbokého učenia sa trénujú s veľkým množstvom údajov na identifikáciu značenia ulíc; niektoré modely sa špecializujú na identifikáciu chodcov, identifikáciu ľudí atď. pre vozidlá bez vodiča počas jazdy.
-
Generovanie textu:
Použitím hlbokých učebných modelov, ktoré sú trénované jazykom, gramatikou, typmi textov atď., Je možné použiť na vytvorenie nového textu so správnym pravopisom a gramatikou od Wikipédie po Shakespeara.
-
Filtrovanie obrázkov:
Použitím hlbokých učebných modelov, ako je pridanie farieb k čiernobielym snímkam, sa dá dosiahnuť hlbokými učebnými modelmi, čo bude vyžadovať viac času, ak to urobíme manuálne.
záver
Nakoniec je to prehľad technológie hlbokého vzdelávania, jej aplikácií v reálnom svete. Dúfam, že po prečítaní tohto článku budete dobre rozumieť tomu, čo je hlboké vzdelávanie. Ako dnes vieme, rozpoznávanie obrázkov strojmi trénovanými hĺbkovým učením je v niektorých prípadoch lepšie ako u ľudí, tj pri identifikácii rakoviny krvi a nádorov pri skenovaní MRI a alfaGo od spoločnosti Google sa hru naučilo a vyškolilo sa na zápas „Go“ školením svojej neurónovej siete. hraním proti nemu znova a znova.
Odporúčané články
Toto bol návod na Čo je hlboké vzdelávanie. Tu sme diskutovali základné pojmy a príklady hlbokého učenia. Môžete sa tiež pozrieť na nasledujúce články:
- Kariéra v hlbokom učení
- 13 užitočných otázok o hlbokom učení
- Dozorované učenie vs hlboké učenie
- Neurónové siete vs hlboké učenie
- Najlepšie porovnanie Deep Learning vs Machine learning