Tartalomjegyzék[Elrejt][Előadás]
Az a koncepció, hogy a robotok okosabbak az embereknél, mindaddig megragadta kollektív képzeletünket, amíg létezik a Science Fiction.
Bár a mesterséges intelligencia (AI) még nem érte el ezt a szintet, jelentős áttörést értünk el a gépi intelligencia generálásában, amit a Google, a Tesla és az Uber önvezető autókkal végzett tesztelése is bizonyít.
A Deep Learning skálázhatósága és hasznossága, a gépi tanulási megközelítés, amely lehetővé teszi ezt a technikai fejlődést, részben felelős azért, hogy az AI sikeresen vált át az egyetemekről és kutatólaboratóriumokról a termékekre.
A következő számítógépes forradalom a mesterséges intelligenciára, a mély tanulásra és a gépi tanulás.
Ezek a technológiák a minták felismerésére, majd a múltban gyűjtött adatok alapján jövőbeli események előrejelzésére épülnek. Ez megmagyarázza, hogy az Amazon miért ad ötleteket online vásárláskor, vagy honnan tudja a Netflix, hogy szereted a 1980-as évek szörnyű filmjeit.
Bár az AI-koncepciókat használó számítógépeket néha „okosnak” nevezik, ezeknek a rendszereknek a többsége nem tanul magától; emberi interakcióra van szükség.
Az adattudósok úgy készítik elő a bemeneteket, hogy kiválasztják azokat a változókat, amelyeket alkalmazni fognak prediktív elemzés. A mélytanulás viszont automatikusan képes ellátni ezt a funkciót.
Ez a bejegyzés gyakorlati útmutatóként szolgál minden adatkedvelő számára, aki szeretne többet megtudni a mély tanulásról, annak szélességéről és jövőbeli lehetőségeiről.
Mi az a mélytanulás?
A mély tanulás a gépi tanulás egy részhalmazaként fogható fel.
Ez egy olyan terület, amely az öntanulásra és a számítógépes algoritmusok vizsgálatán keresztül történő fejlődésre épül.
A mélytanulás a gépi tanulással szemben mesterségesen működik neurális hálózatok, amelyeknek az emberek gondolkodását és tanulását kell utánozniuk. Egészen a közelmúltig a neurális hálózatok bonyolultsága korlátozott volt a számítógép teljesítményének korlátai miatt.
A Big Data elemzésének fejlődése azonban lehetővé tette a nagyobb, erősebb neurális hálózatok létrehozását, lehetővé téve a számítógépek számára, hogy a bonyolult helyzeteket gyorsabban figyeljék, megértsék és azokra reagáljanak, mint az emberek.
Javasoljuk elolvasásra – A Tesla neurális hálózati architektúrája magyarázata
A képek kategorizálása, a nyelvi fordítás és a beszédfelismerés egyaránt előnyös volt a mély tanulásnak. Bármilyen mintafelismerési problémát képes kezelni anélkül, hogy emberi interakcióra lenne szükség.
Lényegében három vagy több rétegű neurális hálózat. Ezek a neurális hálózatok az emberi agy tevékenységét próbálják utánozni, bár csak korlátozott sikerrel, lehetővé téve, hogy hatalmas mennyiségű adatból „tanuljon”.
Míg a neurális hálózat egyetlen rétege még hozzávetőleges előrejelzéseket tud produkálni, a rejtettebb rétegek segíthetnek az optimalizálásban és a pontosság hangolásában.
Mi az a neurális hálózat?
A mesterséges neurális hálózatok az emberi agyban látható neurális hálókon alapulnak. Általában egy neurális hálózat három rétegből áll.
A három szint bemeneti, kimeneti és rejtett. Az alábbi ábrán egy neurális hálózat látható.
Mivel a fent bemutatott neurális hálózatnak csak egy rejtett rétege van, ezt „sekély neurális hálózatnak” nevezik.
Több rejtett réteget adnak az ilyen rendszerekhez, hogy kifinomultabb struktúrákat alkossanak.
Mi az a Deep Network?
Egy mély hálózatban sok rejtett réteg kerül hozzáadásra.
Az ilyen tervek betanítása egyre bonyolultabbá válik, ahogy a hálózat rejtett rétegeinek száma növekszik, nemcsak a hálózat megfelelő betanításához szükséges idő, hanem a szükséges erőforrások tekintetében is.
Az alábbiakban egy mély hálózat látható egy bemenettel, négy rejtett réteggel és egy kimenettel.
Hogyan működik a mélytanulás?
A neurális hálózatok csomópontok rétegeiből épülnek fel, hasonlóan ahhoz, ahogyan a neuronok alkotják az emberi agyat. Az egyes rétegcsomópontok a szomszédos rétegek csomópontjaihoz kapcsolódnak.
A hálózatban lévő rétegek száma jelzi a hálózat mélységét. Egyetlen idegsejt a emberi agy több ezer üzenetet kap.
A jelek egy mesterséges neurális hálózat csomópontjai között mozognak, amely súlyokat rendel hozzájuk.
A nagyobb súlyú csomópont nagyobb hatással van az alatta lévő csomópontokra. Az utolsó réteg a súlyozott bemeneteket egyesíti, hogy kimenetet biztosítson.
A mély tanulási rendszereknek erős hardverre van szükségük a hatalmas mennyiségű kezelt adat és a számos bonyolult matematikai számítás miatt.
A mélytanulási képzési számítások még ilyen kifinomult technológiával is hetekig tarthatnak.
A mély tanulási rendszerek jelentős mennyiségű adatot igényelnek a helyes megállapításokhoz; így az információkat hatalmas adathalmazok formájában táplálják be.
Az adatok feldolgozása során a mesterséges neurális hálózatok osztályozhatják az információkat a bináris igen vagy hamis kérdések sorozatára adott válaszok alapján, amelyek nagyon bonyolult matematikai számításokat igényelnek.
Egy arcfelismerő algoritmus például megtanulja azonosítani és felismerni az arcok éleit és vonalait.
Aztán az arcok jelentősebb elemei, és végül az arcok teljes ábrázolása.
Az algoritmus idővel edzi magát, növelve a megfelelő válaszok valószínűségét.
Ebben a helyzetben az arcfelismerő algoritmus idővel pontosabban ismeri fel az arcokat.
Mély tanulás VS gépi tanulás
Miben különbözik a mélytanulás a gépi tanulástól, ha annak egy részhalmaza?
A mély tanulás abban különbözik a hagyományos gépi tanulástól, hogy milyen típusú adatokat használ és milyen módszereket használ a tanuláshoz.
Az előrejelzések létrehozásához a gépi tanulási algoritmusok strukturált, címkézett adatokat használnak, ami azt jelenti, hogy bizonyos jellemzőket a modell bemeneti adataiból adnak meg és táblázatokba csoportosítanak.
Ez nem feltétlenül jelenti azt, hogy nem használ strukturálatlan adatokat; Ha mégis, akkor általában bizonyos előfeldolgozáson megy keresztül, hogy strukturált formátumba kerüljön.
A mélytanulás megszünteti a gépi tanulás által általában magában foglaló adat-előfeldolgozás egy részét.
Ezek az algoritmusok képesek feldolgozni és értelmezni a strukturálatlan adatokat, például szöveget és képeket, valamint automatizálni a jellemzők kinyerését, csökkentve a humán szakemberektől való függést.
Képzeljük el, hogy van egy képgyűjteményünk különféle háziállatokról, amelyeket kategóriákba akartunk rendezni, például „macska”, „kutya”, „hörcsög” stb.
A mélytanulási algoritmusok képesek kitalálni, hogy mely tulajdonságok (például a fülek) a leglényegesebbek az egyik állat elválasztásához a másiktól. Ezt a funkció-hierarchiát manuálisan határozza meg a gépi tanulás humán specialistája.
A mély tanulási rendszer ezután megváltozik, és a pontossághoz illeszkedik gradiens süllyedés és visszaszaporítás, lehetővé téve, hogy pontosabb előrejelzéseket generáljon egy állat friss pillanatképéről.
Deep Learning alkalmazások
1. chatbots
A chatbotok pillanatok alatt meg tudják oldani az ügyfelek problémáit. A chatbot egy mesterséges intelligencia (AI) eszköz, amely lehetővé teszi az online kommunikációt szövegen vagy szövegfelolvasáson keresztül.
Ugyanúgy képes kommunikálni és cselekedni, mint az emberek. A chatbotokat széles körben használják az ügyfélszolgálatban, a közösségi média marketingben és az ügyfelek azonnali üzenetküldésében.
Automatikus válaszokkal válaszol az Ön bemeneteire. Sokféle választ generál gépi tanulás és mély tanulási technikák segítségével.
2. Önvezető autók
A Deep Learning az elsődleges tényező abban, hogy az önvezető autók valósággá váljanak.
Millió adatkészletet töltenek be a rendszerbe, hogy modellt hozzanak létre, képezze a gépeket a tanulásra, majd biztonságos környezetben értékelje ki a leleteket.
Az Uber Mesterséges Intelligencia A Pittsburgh-i Labs nemcsak a vezető nélküli autókat próbálja általánosabbá tenni, hanem számos intelligens funkciót, például ételszállítási lehetőséget is integrál a vezető nélküli autók használatába.
Az önvezető járművek fejlesztésének legégetőbb problémája a váratlan események kezelése.
A mély tanulási algoritmusokra jellemző, folyamatos tesztelési és megvalósítási ciklus biztosítja a biztonságos vezetést, mivel egyre több millió forgatókönyvnek van kitéve.
3. Virtuális asszisztens
A Virtuális Asszisztensek felhő alapú programok, amelyek felismerik a természetes nyelvű hangutasításokat, és az Ön nevében intéznek dolgokat.
A virtuális asszisztensek, például az Amazon Alexa, a Cortana, a Siri és a Google Assistant gyakori példák.
Lehetőségeik teljes kiaknázásához internethez csatlakoztatott eszközökre van szükségük. Amikor egy parancsot adnak az asszisztensnek, az általában jobb élményt nyújt a Deep Learning algoritmusokat használó korábbi találkozások alapján.
4. Szórakozás
Az olyan cégek, mint a Netflix, az Amazon, a YouTube és a Spotify, megfelelő film-, dal- és videójavaslatokat kínálnak ügyfeleiknek az élmény javítása érdekében.
A Deep Learning felelős mindezért.
Az online streaming cégek termék- és szolgáltatásajánlatokat adnak az adott személy böngészési előzményei, érdeklődési körei és tevékenységei alapján.
Mélytanulási algoritmusok arra is használatosak, hogy automatikusan készítsenek feliratokat, és hangot adjanak a némafilmekhez.
5. Robotika
A Deep Learninget széles körben alkalmazzák olyan robotok fejlesztésében, amelyek képesek emberszerű munkát végezni.
A Deep Learning-alapú robotok valós idejű frissítéseket alkalmaznak, hogy felismerjék az útjukban lévő akadályokat, és gyorsan rendezzék útjukat.
Használható dolgok szállítására kórházakban, gyárakban, raktárakban, készletkezelésben, termékgyártásban stb.
A Boston Dynamics robotjai reagálnak az emberekre, ha lökdösik őket. Ki tudják üríteni a mosogatógépet, fel tudnak állni, ha esnek, és számos egyéb tevékenységet is végezhetnek.
6. Egészségügy
Az orvosok nem lehetnek a betegeikkel éjjel-nappal, de egy dolog, ami szinte mindig velünk van, az a telefonunk.
A mélyreható tanulás azt is lehetővé teszi az orvosi technológiáknak, hogy elemezzék az általunk rögzített képekből és mozgásadatokból származó adatokat, hogy feltárják a lehetséges egészségügyi problémákat.
Az AI számítógépes látásprogramja például ezeket az adatokat használja fel a páciens mozgási mintáinak követésére, hogy előre jelezze az eséseket, valamint a mentális állapot változásait.
A mély tanulást a bőrrák azonosítására is felhasználták fényképek és sok más felhasználásával.
7. Természetes nyelvi feldolgozás
A természetes nyelvi feldolgozási technológia fejlesztése lehetővé tette a robotok számára, hogy olvassák a kommunikációt, és jelentést merítsenek belőlük.
Mindazonáltal a megközelítés túlságosan leegyszerűsíthető, mivel nem veszi figyelembe, hogy a szavak hogyan kapcsolódnak egymáshoz, hogy befolyásolják egy kifejezés jelentését vagy célját.
A mély tanulás segít a természetes nyelv feldolgozóinak abban, hogy felismerjék a bonyolultabb mintákat a kifejezésekben, és pontosabb értelmezéseket adjanak.
8. Számítógépes látás
A mély tanulás azt próbálja megismételni, hogy az emberi elme hogyan dolgozza fel az információkat és ismeri fel a mintákat, így ideális módszer a látás alapú mesterséges intelligencia alkalmazások képzéséhez.
Ezek a rendszerek címkézett fotókészletek sorozatát képesek befogadni, és megtanulják felismerni az olyan tárgyakat, mint a repülőgépek, arcok és fegyverek. mély tanulási modellek.
Mély tanulás akcióban
Eltekintve attól, hogy kedvenc zenei streaming szolgáltatásán olyan dalokat ajánl, amelyek tetszenek, hogyan változtatja meg az emberek életét a mélyreható tanulás?
Kiderült, hogy a mély tanulás az alkalmazások széles skálájába kerül. Bárki, aki használja a Facebookot, észre fogja venni, hogy amikor új képeket teszel közzé, a közösségi oldal gyakran felismeri és megcímkézi a haverjaidat.
A mély tanulást természetes nyelvi feldolgozásra és beszédfelismerésre használják olyan digitális asszisztensek, mint a Siri, a Cortana, az Alexa és a Google Now.
A valós idejű fordítás Skype-on keresztül történik. Számos e-mail szolgáltatás továbbfejlesztette azon képességét, hogy észlelje a spam üzeneteket, mielőtt azok eljutnának a beérkező levelek mappába.
A PayPal mély tanulást alkalmazott a csaló fizetések megelőzésére. A CamFind például lehetővé teszi, hogy bármilyen objektumról fényképet készítsen, és a mobil vizuális keresési technológia segítségével meghatározza, mi az.
A mély tanulást különösen a Google használja megoldások biztosítására. Az AlphaGo, a Google Deepmind által fejlesztett számítógépes program legyőzte a jelenlegi Go-bajnokokat.
A DeepMind által fejlesztett WaveNet olyan beszédet tud létrehozni, amely természetesebb hangzású, mint a jelenleg elérhető beszédrendszerek. A szóbeli és szöveges nyelvek fordításához a Google Fordító mély tanulást és képfelismerést alkalmaz.
A Google Planet segítségével bármely fotó azonosítható. Az AI-alkalmazások fejlesztésének elősegítésére a Google létrehozta a Tensorflow mély tanulás szoftver adatbázis.
A mélytanulás jövője
A mély tanulás megkerülhetetlen téma a technológia megbeszélése során. Mondanunk sem kell, hogy a mély tanulás a technológia egyik legfontosabb elemévé fejlődött.
Korábban csak a szervezetek érdekelték az olyan technológiákat, mint az AI, a mély tanulás, a gépi tanulás stb. Az egyének is kezdenek érdeklődni a technológia ezen eleme, különösen a mély tanulás iránt.
Az egyik oka annak, hogy a mélytanulás olyan sok figyelmet kap, az a képessége, hogy jobb adatközpontú döntéseket tesz lehetővé, miközben javítja az előrejelzések pontosságát.
A mélytanulási fejlesztőeszközök, könyvtárak és nyelvek néhány éven belül bármely szoftverfejlesztési eszköztár rendszeres részévé válhatnak.
Ezek a jelenlegi eszközkészletek megnyitják az utat az új modellek egyszerű tervezéséhez, beállításához és betanításához.
Stílusátalakítás, automatikus címkézés, zene létrehozása, és más feladatokat is sokkal könnyebb lenne elvégezni ezekkel a készségekkel.
A gyors kódolás iránti igény soha nem volt ekkora.
A mély tanulással foglalkozó fejlesztők a jövőben egyre gyakrabban fognak használni integrált, nyílt, felhő alapú fejlesztői környezeteket, amelyek lehetővé teszik a hozzáférést a polcról elérhető és csatlakoztatható algoritmuskönyvtárak széles skálájához.
A mély tanulásnak nagyon fényes jövője van!
Előnye a neurális hálózat az, hogy kiválóan kezeli a nagy mennyiségű heterogén adatot (gondoljunk mindarra, amivel az agyunknak meg kell küzdenie, állandóan).
Ez különösen igaz a nagy teljesítményű intelligens érzékelők korában, amelyek hatalmas mennyiségű adatot tudnak gyűjteni. A hagyományos számítógépes rendszerek küszködnek a szitálással, kategorizálással és következtetések levonásával annyi adatból.
Következtetés
Mély tanulás hatáskörök a legtöbb mesterséges intelligencia (AI) megoldás, amely javíthatja az automatizálást és az elemzést folyamatokat.
A legtöbb ember naponta kerül kapcsolatba a mély tanulással, amikor az internetet vagy mobiltelefonját használja.
A mély tanulást a YouTube-videók feliratozására használják. Végezzen hangfelismerést telefonokon és intelligens hangszórókon.
Adjon arcazonosítót a képekhez, és sok egyéb felhasználás mellett engedélyezze az önvezető autókat.
És ahogy az adatokkal foglalkozó tudósok és akadémikusok egyre bonyolultabbá válnak mély tanulási projektek mély tanulási keretrendszereket használva, ez a fajta mesterséges intelligencia egyre fontosabb része lesz mindennapi életünknek.
Hagy egy Válaszol