Edukien aurkibidea[Ezkutatu][Erakutsi]
Etorkizuna hemen dago. Eta, etorkizun honetan, makinek inguruko mundua ulertzen dute jendeak egiten duen moduan. Ordenagailuek autoak gidatu ditzakete, gaixotasunak diagnostikatu eta etorkizuna zehaztasunez iragar dezakete.
Zientzia fikzioa dirudi, baina deep learning ereduak errealitate bihurtzen ari dira.
Algoritmo sofistikatu hauek sekretuak agerian uzten ari dira adimen artifizialeko, ordenagailuei autoikaskuntza eta garapena ahalbidetuz. Argitalpen honetan, ikaskuntza sakoneko ereduen eremuan sakonduko dugu.
Eta, gure bizitzak iraultzeko duten potentzial izugarria ikertuko dugu. Prestatu gizateriaren etorkizuna aldatzen ari den puntako teknologiari buruz ikasteko.
Zer dira zehazki Deep Learning ereduak?
Jokatu al duzu inoiz bi irudien arteko desberdintasunak identifikatu behar dituzun jokoren batean?
Dibertigarria da ordea, gogorra ere izan daiteke, ezta? Imajinatu ordenagailu bati joko horretan jolasten eta irabazten irakasteko gai zarela aldi bakoitzean. Ikasketa sakoneko ereduek hori lortzen dute!
Ikaskuntza sakoneko ereduak irudi ugari aztertu eta komunean zer duten zehazteko makina super-adimentsuen antzekoak dira. Irudiak desmuntatu eta bakoitza banan-banan aztertuz lortzen dute hori.
Ondoren, ikasitakoa aplikatzen dute ereduak identifikatzeko eta inoiz ikusi ez dituzten irudi freskoei buruzko iragarpenak egiteko.
Ikaskuntza sakoneko ereduak datu multzo masiboetatik eredu eta ezaugarri konplikatuak ikasi eta atera ditzaketen neurona-sare artifizialak dira. Eredu hauek loturiko nodo edo neurona geruza batzuek osatzen dituzte, sarrerako datuak aztertzen eta aldatzen dituztenak irteera bat sortzeko.
Ikaskuntza sakoneko ereduak bereziki egokiak dira zehaztasun eta zehaztasun handia behar duten lanetarako, hala nola irudien identifikazioa, hizketa-ezagutza, hizkuntza naturalaren prozesamendua eta robotika.
Auto gidatzeko autoetan, diagnostiko medikoetan, gomendio sistemetan eta denetan erabili izan dira aurresateko analisiak.
Hona hemen bistaratzearen bertsio sinplifikatu bat ikaskuntza sakoneko eredu batean datu-fluxua ilustratzeko.
Sarrerako datuak ereduaren sarrerako geruzara isurtzen dira, eta gero datuak ezkutuko geruza batzuetatik pasatzen ditu irteerako iragarpena eman aurretik.
Ezkutuko geruza bakoitzak eragiketa matematiko batzuk egiten ditu sarrerako datuekin hurrengo geruzara pasatu aurretik, azken iragarpena ematen duena.
Orain, ikus dezagun zer diren deep learning ereduak eta nola erabil ditzakegun gure bizitzan.
1. Sare neuronal konboluzionalak (CNN)
CNNak ordenagailuaren ikusmenaren eremua eraldatu duen deep learning eredu bat dira. CNNak irudiak sailkatzeko, objektuak ezagutzeko eta irudiak segmentatzeko erabiltzen dira. Gizakiaren ikusmen-kortexaren egiturak eta funtzioak CNNen diseinuaren berri eman zuten.
Nola funtzionatzen dute?
CNN bat geruza konbolutibo, bilketa-geruza eta guztiz lotuta dauden geruza batzuek osatzen dute. Sarrera irudi bat da, eta irteera irudiaren klase etiketaren iragarpena da.
CNN baten geruza konbolutiboek ezaugarri-mapa bat eraikitzen dute sarrerako irudiaren eta iragazki multzo baten artean produktu puntu bat eginez. Bilketa-geruzek ezaugarri-maparen tamaina murrizten dute, laginketa txikia eginez.
Azkenik, ezaugarrien mapa guztiz konektatutako geruzek erabiltzen dute irudiaren klase etiketa aurreikusteko.
Zergatik dira garrantzitsuak CNNak?
CNNak ezinbestekoak dira, jendeak antzematen zaila egiten zaion irudietan ereduak eta ezaugarriak hautematen ikas dezaketelako. CNNei ertzak, izkinak eta testurak bezalako ezaugarriak ezagutzen irakats diezaiekete datu multzo handiak erabiliz. Propietate hauek ikasi ondoren, CNN batek argazki freskoetako objektuak identifikatzeko erabil ditzake. CNNek puntako errendimendua erakutsi dute irudiak identifikatzeko hainbat aplikaziotan.
Non erabiltzen ditugu CNNak
Osasuna, autogintza eta txikizkako merkataritza CNNak enplegatzen dituzten sektore batzuk dira. Osasun-industrian, onuragarriak izan daitezke gaixotasunen diagnostikorako, botikak garatzeko eta irudi medikoen azterketarako.
Automobilgintzan, erreiak detektatzen laguntzen dute, objektuak hautematea, eta gidatzeko autonomoa. Txikizkako merkataritzan ere asko erabiltzen dira bilaketa bisualetarako, irudietan oinarritutako produktuen gomendioetarako eta inbentarioaren kontrola egiteko.
Adibidez; Google-k CNNak hainbat aplikaziotan erabiltzen ditu, besteak beste Google Lens, oso gustuko irudiak identifikatzeko tresna. Programak CNNak erabiltzen ditu argazkiak ebaluatzeko eta erabiltzaileei informazioa emateko.
Google Lens-ek, adibidez, irudi bateko gauzak antzeman ditzake eta haiei buruzko xehetasunak eskain ditzake, hala nola lore mota.
Irudi batetik ateratako testua hainbat hizkuntzatara ere itzul dezake. Google Lens-ek kontsumitzaileei informazio baliagarria emateko gai da, CNN-ek elementuak zehaztasunez identifikatzen eta argazkietatik ezaugarriak ateratzen laguntzen dutelako.
2. Epe Laburreko Memoria (LSTM) sareak
Epe Laburreko Memoria (LSTM) sareak ohiko sare neuronal errepikakorren (RNN) gabeziak konpontzeko sortzen dira. LSTM sareak denboran zehar datu-sekuentziak prozesatzea eskatzen duten zereginetarako aproposak dira.
Memoria-zelula zehatz bat eta hiru ate-mekanismo erabiliz funtzionatzen dute.
Informazio-fluxua erregulatzen dute zelula sartu eta kanpora. Sarrerako atea, ahaztutako atea eta irteerako atea dira hiru ateak.
Sarrerako ateak memoria-zelularen datu-fluxua erregulatzen du, ahaztu-ateak zelulatik datuak ezabatzea erregulatzen du eta irteera-ateak zelulatik kanpo dagoen datu-fluxua erregulatzen du.
Zein da haien esangura?
LSTM sareak erabilgarriak dira, epe luzerako erlazioekin datu-sekuentziak arrakastaz irudikatu eta aurreikus ditzaketelako. Aurreko sarrerei buruzko informazioa grabatu eta gorde dezakete, etorkizuneko sarrerei buruzko iragarpen zehatzagoak egiteko aukera emanez.
Ahots-aitorpena, eskuzko idazkera-ezagutzea, hizkuntza naturalaren prozesamendua eta irudien azpitituluak dira LSTM sareak erabili dituzten aplikazioetako batzuk.
Non erabiltzen ditugu LSTM sareak?
Software eta teknologia aplikazio askok LSTM sareak erabiltzen dituzte, besteak beste, hizkera ezagutzeko sistemak, hizkuntza naturalak prozesatzeko tresnak, esaterako. sentimenduen azterketa, itzulpen automatikoko sistemak eta testuak eta irudiak sortzeko sistemak.
Auto gidatzen duten autoak eta robotak sortzeko ere erabili dira, baita finantza-industrian ere iruzurra detektatzeko eta aurreikusteko. burtsa mugimenduak.
3. Sortzaileen aurkako sareak (GAN)
GANak a ikaskuntza sakona Datu-multzo jakin baten antzekoak diren datu-lagin berriak sortzeko erabiltzen den teknika. GAN bik osatzen dute sare neuronalak: lagin berriak ekoizten ikasten duena eta benetako laginak eta sortutakoak bereizten ikasten duena.
Antzeko planteamendu batean, bi sare hauek elkarrekin entrenatzen dira sorgailuak benetako laginak bereizten ez diren arte.
Zergatik erabiltzen ditugu GANak
GANak esanguratsuak dira kalitate handiko ekoizteko duten ahalmenagatik datu sintetikoak hainbat aplikaziotarako erabil daiteke, besteak beste, irudiak eta bideoak ekoizteko, testuak sortzeko eta baita musika sortzeko ere.
GANak datuak handitzeko ere erabili dira, hau da, sorrera datu sintetikoak mundu errealeko datuak osatzeko eta ikaskuntza automatikoko ereduen errendimendua hobetzeko.
Gainera, ereduak prestatzeko eta entseguak imitatzeko erabil daitezkeen datu sintetikoak sortuz, GANek medikuntza eta botiken garapena bezalako sektoreak eraldatzeko ahalmena dute.
GANen aplikazioak
GANek datu multzoak osatu ditzakete, irudi edo film berriak sor ditzakete eta baita simulazio zientifikoetarako datu sintetikoak ere sor ditzakete. Gainera, GANek entretenimendutik eta medikuntzara bitarteko hainbat aplikaziotan erabiltzeko aukera dute.
adin eta bideoak. NVIDIAren StyleGAN2, adibidez, ospetsuen eta artelanen kalitate handiko argazkiak sortzeko erabili da.
4. Sinesmen sakoneko sareak (DBN)
Deep Belief Networks (DBN) dira adimen artifizialeko datuetan ereduak antzematen ikas dezaketen sistemak. Datuak gero eta zati txikiagoetan zatituz lortzen dute hori, maila bakoitzean sakonago jabetuz.
DBNek datuetatik ikas dezakete zer den jakinarazi gabe («gainbegiratu gabeko ikaskuntza» deitzen zaio horri). Horrek oso baliotsuak bihurtzen ditu pertsona batek antzematen zailak edo ezinezkoak izango lituzkeen datuetan ereduak detektatzeko.
Zerk egiten ditu DBN esanguratsuak?
DBN-ak esanguratsuak dira datuen irudikapen hierarkikoak ikasteko duten gaitasunagatik. Irudikapen hauek hainbat aplikaziotarako erabil daitezke, hala nola sailkapena, anomaliak detektatzeko eta dimentsio-murrizketa.
DBN-ek gainbegiratu gabeko aurre-prestakuntza egiteko duten gaitasuna, eta horrek etiketatutako datu minimoekin ikaskuntza sakoneko ereduen errendimendua areagotu dezake, onura nabarmena da.
Zein dira DBNren aplikazioak?
Aplikazio esanguratsuenetako bat da objektuak hautematea, zeinetan DBNak gauza mota batzuk ezagutzeko erabiltzen dira, hala nola hegazkinak, hegaztiak eta gizakiak. Irudiak sortzeko eta sailkatzeko, filmetan mugimenduak hautemateko eta ahotsa prozesatzeko hizkuntza naturalaren ulermenerako ere erabiltzen dira.
Gainera, DBNak datu multzoetan erabiltzen dira giza jarrerak ebaluatzeko. DBNak tresna bikainak dira hainbat industriatarako, besteak beste, osasungintzarako eta bankurako eta teknologiarako.
5. Indartze sakoneko ikaskuntza-sareak (DRL)
Deep Sendotze-ikaskuntza Sareek (DRL) sare neuronal sakonak integratzen dituzte indartze-ikaskuntza-teknikekin, agenteek ingurune konplikatu batean ikas dezaten saiakeraren eta akatsen bidez.
DRLak eragileei sari-seinalea nola optimizatzen irakasteko erabiltzen dira, inguruarekin elkarreragin eta akatsetatik ikasiz.
Zerk egiten ditu nabarmenak?
Eraginkortasunez erabili dira hainbat aplikaziotan, besteak beste, jokoetan, robotikan eta gidatzeko autonomoan. DRL-ak garrantzitsuak dira, zentzumen-sarrera gordinetik zuzenean ikas dezaketelako, agenteek ingurunearekin dituzten elkarrekintzetan oinarritutako erabakiak hartzeko aukera emanez.
Aplikazio garrantzitsuak
DRLak mundu errealeko egoeran erabiltzen dira, arazo zailak kudeatu ditzaketelako.
DRL hainbat software eta plataforma teknologiko nabarmenetan sartu dira, besteak beste, OpenAI-ren gimnasioan, Unity-ren ML-Agenteak, eta Google-ren DeepMind Lab. AlphaGo, Google-k eraikia Deepmind, adibidez, DRL erabiltzen du Go mahai-jokoan munduko txapeldun mailan jolasteko.
DRL-ren beste erabilera bat robotikan dago, non beso robotikoen mugimenduak kontrolatzeko erabiltzen den zereginak exekutatzeko, hala nola gauzak harrapatzea edo blokeak pilatzea. DRL-ek erabilera asko dituzte eta tresna erabilgarriak dira ikasteko eragileak trebatzea eta ezarpen konplikatuetan erabakiak hartu.
6. Autokodetzaileak
Autokodetzaileak mota interesgarriak dira sare neural horrek jakintsuen zein datu-zientzialarien interesa piztu du. Funtsean datuak konprimitzen eta leheneratzen ikasteko diseinatuta daude.
Sarrerako datuak datuen dimentsioa pixkanaka murrizten duten geruza segida baten bidez elikatzen dira, sarrerako eta irteerako geruzak baino nodo gutxiago dituen botila-lepoko geruza batean konprimitu arte.
Ondoren, irudikapen konprimitu hau jatorrizko sarrerako datuak birsortzeko erabiltzen da geruza-sekuentzia bat erabiliz, pixkanaka datuen dimentsioa bere jatorrizko formara itzultzeko.
Zergatik da garrantzitsua?
Autokodetzaileak funtsezko osagaiak dira ikaskuntza sakona ezaugarriak ateratzea eta datuak murriztea posible egiten dutelako.
Sarrerako datuen funtsezko elementuak identifikatzeko eta forma konprimitu batean itzultzeko gai dira, sailkapena, taldekatzea edo datu berriak sortzea bezalako beste zeregin batzuetara aplikatzeko.
Non erabiltzen ditugu autokodetzaileak?
Anomaliak hautematea, hizkuntza naturalaren prozesamendua eta Ikusmen informatikoa autokodetzaileak erabiltzen diren diziplina batzuk besterik ez dira. Autokodetzaileak, adibidez, irudien konpresiorako, irudiak kentzeko eta irudien sintesirako erabil daitezke ordenagailuaren ikusmenean.
Kodegailu automatikoak erabil ditzakegu testuen sorkuntzan, testuen kategorizazioan eta testuen laburpena hizkuntza naturalean prozesatzeko bezalako zereginetan. Anomalia identifikatzeko arautik aldentzen den datuetan jarduera anomalia identifikatu dezake.
7. Kapsula Sareak
Capsule Networks deep learning arkitektura berri bat da, Sare Neuronal Konbolutiboen (CNN) ordezko gisa garatu zena.
Kapsula-sareak kapsula izeneko garun-unitateak taldekatzean oinarritzen dira, irudi batean elementu jakin baten existentzia antzemateaz eta bere atributuak, hala nola orientazioa eta posizioa, irteera-bektoreetan kodetzeaz arduratzen direnak. Capsule Networks-ek, beraz, CNNek baino hobeto kudeatu ditzake interakzio espazialak eta perspektiba gorabeherak.
Zergatik aukeratzen ditugu kapsula sareak CNNen baino?
Capsule Networks erabilgarriak dira, CNN-k argazki batean elementuen arteko erlazio hierarkikoak harrapatzeko dituen zailtasunak gainditzen dituztelako. CNNek hainbat tamainatako gauzak antzeman ditzakete, baina elementu hauek elkarren artean nola konektatzen diren ulertzeko borrokan daude.
Capsule Networks-ek, berriz, gauzak eta haien piezak ezagutzen ikas dezakete, baita irudi batean espazioan nola kokatzen diren ere, ordenagailu bidezko ikusmenaren aplikazioetarako lehiakide bideragarri bihurtuz.
Aplikazio-eremuak
Capsule Networks-ek emaitza itxaropentsuak erakutsi ditu hainbat aplikaziotan, besteak beste, irudien sailkapenean, objektuen identifikazioan eta irudien segmentazioan.
Medikuntza-argazkietan gauzak bereizteko, filmetako pertsonak ezagutzeko eta 3D irudietatik 2D ereduak sortzeko erabili izan dira.
Beren errendimendua areagotzeko, Capsule Networks beste ikaskuntza sakoneko arkitektura batzuekin konbinatu dira, hala nola Generative Adversarial Networks (GAN) eta Variational Autoencoder (VAEs). Kapsula-sareek gero eta paper garrantzitsuagoa izango dutela aurreikusten da ordenagailu bidezko ikusmenaren teknologiak hobetzeko, ikaskuntza sakonaren zientzia eboluzionatzen den heinean.
Adibidez; Nibabel neuroimaging fitxategi motak irakurtzeko eta idazteko Python tresna ezaguna da. Irudiak segmentatzeko, Capsule Networks erabiltzen du.
8. Arretan oinarritutako ereduak
Atentzioan oinarritutako eredu gisa ezagutzen diren ikasketa sakoneko ereduak, arreta-mekanismo gisa ere ezagutzen direnak, zehaztasuna areagotzen saiatzen dira. ikasteko makina ereduak. Eredu hauek sarrerako datuen zenbait ezaugarritan kontzentratzen dute, eta, ondorioz, prozesatzeko eraginkorragoa eta eraginkorragoa da.
Hizkuntza naturalaren prozesatzeko lanetan, esate baterako, itzulpen automatikoa eta sentimenduen analisia, arreta-metodoek nahiko arrakastatsuak izan dira.
Zein da haien esangura?
Atentzioan oinarritutako ereduak erabilgarriak dira datu konplikatuen tratamendu eraginkor eta eraginkorragoa ahalbidetzen dutelako.
Sare neuronal tradizionalak sarrerako datu guztiak berdin-berdin garrantzitsuak direla ebaluatu, prozesaketa motelagoa eta zehaztasuna murriztuz. Arreta-prozesuak sarrerako datuen alderdi erabakigarrietan kontzentratzen dira, iragarpen azkarragoak eta zehatzagoak ahalbidetuz.
Erabilera-eremuak
Adimen artifizialaren alorrean, arreta-mekanismoek aplikazio sorta zabala dute, besteak beste, hizkuntza naturalaren prozesamendua, irudi eta audio-ezagutza, eta baita gidaririk gabeko ibilgailuak ere.
Arreta-metodoak, adibidez, hizkuntza naturalaren prozesamenduan itzulpen automatikoa hobetzeko erabil daitezke, sistemari testuingururako ezinbestekoak diren zenbait hitz edo esalditan zentratu ahal izateko.
Auto autonomoetan arreta-metodoak erabil daitezke sistemari bere inguruko zenbait elementu edo erronkari arreta jartzen laguntzeko.
9. Transformadore-sareak
Transformadore-sareak datu-sekuentziak aztertzen eta ekoizten dituzten ikaskuntza sakoneko ereduak dira. Sarrera-sekuentzia elementu bana prozesatzen dute eta luzera bereko edo desberdineko irteera-sekuentzia bat sortzen dute.
Transformadore-sareek, sekuentziatik sekuentzia eredu estandarrak ez bezala, ez dituzte sekuentziak prozesatzen sare neuronal errekurrenteak (RNN) erabiliz. Horren ordez, autoarreta prozesuak erabiltzen dituzte sekuentziaren piezen arteko loturak ikasteko.
Zein da Transformadore-sareen garrantzia?
Transformadore-sareek ospea hazi egin dute azken urteotan, hizkuntza naturalaren prozesatzeko lanetan duten errendimendu hobearen ondorioz.
Bereziki egokiak dira testuak sortzeko lanetarako, hala nola hizkuntza-itzulpena, testu-laburpena eta elkarrizketa-produkzioa.
Transformadore-sareak RNNn oinarritutako ereduak baino askoz eraginkorragoak dira konputazionalki, eta eskala handiko aplikazioetarako aukera hobetsi dira.
Non aurki ditzakezu Transformer sareak?
Transformadore-sareak aplikazio ugaritan erabiltzen dira, batez ere hizkuntza naturalaren prozesamenduan.
GPT (Generative Pre-trained Transformer) seriea transformadoreetan oinarritutako eredu nabarmena da, hizkuntzaren itzulpena, testuen laburpena eta txatbot-en sorkuntza bezalako zereginetarako erabili dena.
BERT (Bidirectional Encoder Representations from Transformers) Transformadoreetan oinarritutako beste eredu arrunt bat da, hizkuntza naturalaren ulermeneko aplikazioetarako erabili dena, hala nola galdera-erantzunak eta sentimenduak aztertzeko.
Bi GPT eta BERTrekin sortu ziren PyTorch, kode irekiko ikaskuntza sakoneko esparrua, transformadoreetan oinarritutako ereduak garatzeko ezaguna izan dena.
10. Boltzmann makinak (RBM) mugatuak
Boltzmann Makinak (RBM) gainbegiratu gabeko neurona-sare moduko bat dira, modu sortzailean ikasten duena. Dimentsio handiko datuetatik funtsezko ezaugarriak ikasteko eta ateratzeko duten gaitasuna dela eta, oso erabiliak izan dira ikaskuntza automatikoaren eta ikaskuntza sakonaren alorretan.
RBMak bi geruzaz osatuta daude, ikusgai eta ezkutuan, eta geruza bakoitza ertz haztatuen bidez konektatutako neurona talde batek osatzen dute. RBMak sarrerako datuak deskribatzen dituen probabilitate banaketa ikasteko diseinatuta daude.
Zer dira Boltzmann Makina mugatuak?
RBMek ikaskuntza-estrategia sortzailea erabiltzen dute. RBMetan, ikusgai dagoen geruzak sarrerako datuak islatzen ditu, eta lurperatutako geruzak sarrerako datuen ezaugarriak kodetzen ditu. Ageriko eta ezkutuko geruzen pisuek loturaren indarra erakusten dute.
RBMek geruzen arteko pisuak eta alborapenak doitzen dituzte entrenamenduan zehar, kontraste dibergentzia deritzon teknika erabiliz. Dibergentzia kontrastiboa gainbegiratu gabeko ikaskuntza estrategia bat da, ereduaren iragarpen probabilitatea maximizatzen duena.
Zein da Boltzmann Mugatuko Makinen garrantzia?
RBMak esanguratsuak dira makina ikaskuntza eta ikaskuntza sakona, datu kopuru handietatik ezaugarri garrantzitsuak ikasi eta atera ditzaketelako.
Irudiak eta ahotsa ezagutzeko oso eraginkorrak dira, eta hainbat aplikaziotan erabili izan dira, hala nola gomendio-sistemetan, anomalien detekzioan eta dimentsioaren murrizketan. RBMek ereduak aurki ditzakete datu multzo zabaletan, eta ondorioz, aurreikuspen eta ikuspegi hobeak lortzen dituzte.
Non erabil daitezke Boltzmann Makina mugatuak?
RBMetarako aplikazioen artean, dimentsio-murrizketa, anomaliak detektatzeko eta gomendio-sistemak daude. RBMak bereziki lagungarriak dira sentimenduak aztertzeko eta gaiaren modelizazioa hizkuntza naturalaren prozesamenduaren testuinguruan.
Sinesmen sakoneko sareek, ahotsa eta irudiak ezagutzeko erabiltzen den neurona-sare moduko batek, RBMak ere erabiltzen dituzte. Deep Belief Network Toolbox, TensorFlow, eta Theano RBMak erabiltzen dituzten software edo teknologiaren adibide jakin batzuk dira.
biltzeko sortu
Deep Learning ereduak gero eta erabakigarriagoak dira hainbat industriatan, besteak beste, hizketa-ezagutza, hizkuntza naturalaren prozesamendua eta ordenagailu-ikusmena.
Sare neuronal konboluzionalak (CNN) eta sare neuronal errekurrenteak (RNN) erakutsi dute itxaropen handiena eta aplikazio askotan asko erabiltzen dira, hala ere, Deep Learning eredu guztiek beren abantailak eta desabantailak dituzte.
Hala ere, ikertzaileek Boltzmann Makinen Mugatuak (RBM) eta Deep Learning ereduen beste barietate batzuk aztertzen ari dira, haiek ere abantaila bereziak dituztelako.
Eredu berriak eta sortzaileak sortuko direla aurreikusten da, ikaskuntza sakonaren arloak aurrera egiten jarraitzen duen heinean, arazo gogorragoak kudeatzeko.
Utzi erantzun bat