Efnisyfirlit[Fela][Sýna]
Hugmyndin um að vélmenni séu gáfaðri en menn hefur fangað sameiginlegt ímyndunarafl okkar eins lengi og vísindaskáldskapur hefur verið til.
Hins vegar, á meðan gervigreind (AI) hefur ekki enn náð því stigi, höfum við náð umtalsverðum byltingum í að búa til vélagreind, eins og sannað er af prófunum Google, Tesla og Uber með sjálfkeyrandi bílum.
Sveigjanleiki og notagildi Deep Learning, vélanámsaðferðarinnar sem gerir þessar tækniframfarir kleift, er að hluta ábyrg fyrir árangursríkri umskipti gervigreindar frá háskólum og rannsóknarstofum yfir í vörur.
Næsta tölvubylting verður byggð á gervigreind, djúpnámi og vél nám.
Þessi tækni byggir á getu til að greina mynstur og spá síðan fyrir um framtíðarviðburði byggt á gögnum sem safnað var í fortíðinni. Þetta útskýrir hvers vegna Amazon gerir hugmyndir þegar þú kaupir á netinu eða hvernig Netflix veit að þér líkar við hræðilegar kvikmyndir frá 1980.
Þó að tölvur sem nota gervigreind séu stundum kallaðar „snjallar“, læra meirihluti þessara kerfa ekki á eigin spýtur; mannleg samskipti eru nauðsynleg.
Gagnafræðingar undirbúa inntakið með því að velja breyturnar sem verða notaðar í sjálfvirk greining. Djúpnám getur aftur á móti framkvæmt þessa aðgerð sjálfkrafa.
Þessi færsla þjónar sem vettvangsleiðbeiningar fyrir alla gagnaunnendur sem hafa áhuga á að læra meira um djúpt nám, breidd þess og framtíðarmöguleika.
Hvað er djúpt nám?
Líta má á djúpt nám sem undirmengi vélanáms.
Það er svið sem byggir á sjálfsnámi og framförum með því að skoða tölvualgrím.
Djúpnám, öfugt við vélanám, vinnur með gervi taugakerfi, sem eiga að líkja eftir því hvernig fólk hugsar og lærir. Þar til nýlega voru taugakerfi takmörkuð hvað varðar flókið efni vegna takmarkana á tölvuorku.
Hins vegar hafa framfarir í Big Data greiningu gert stærri, öflugri taugakerfi kleift, sem gerir tölvum kleift að fylgjast með, skilja og bregðast við flóknum aðstæðum hraðar en fólk.
Við mælum með að lesa - Tesla taugakerfisarkitektúr útskýrður
Myndflokkun, tungumálaþýðing og talgreining hafa öll notið góðs af djúpnámi. Það getur tekist á við hvaða mynsturþekkingarvandamál sem er án þess að þurfa mannleg samskipti.
Það er í raun þriggja eða fleiri lag tauga net. Þessi taugakerfi leitast við að líkja eftir virkni mannsheilans, þó með takmörkuðum árangri, með því að gera honum kleift að „læra“ af gríðarlegu magni gagna.
Þó að eitt lag af tauganeti geti enn framleitt áætlaðar spár, geta fleiri falin lög hjálpað til við að fínstilla og stilla nákvæmni.
Hvað er tauganet?
Gervi tauganet eru byggð á tauganetum sem sjást í mannsheilanum. Venjulega er taugakerfi byggt upp úr þremur lögum.
Þrjú stigin eru inntak, úttak og falið. Tauganet í gangi sést á skýringarmyndinni hér að neðan.
Þar sem tauganetið sem sýnt er hér að ofan hefur aðeins eitt falið lag, er það kallað „grunnt tauganet.
Fleiri falin lög eru bætt við slík kerfi til að mynda flóknari mannvirki.
Hvað er Deep Network?
Í djúpu neti er mörgum falnum lögum bætt við.
Þjálfun slíkrar hönnunar verður sífellt flóknari eftir því sem fjöldi falinna laga í netinu hækkar, ekki aðeins varðandi þann tíma sem þarf til að þjálfa netið almennilega heldur einnig með tilliti til þess fjármagns sem þarf.
Djúpt net með inntak, fjórum falnum lögum og úttak er sýnt hér að neðan.
Hvernig virkar Deep Learning?
Taugakerfi eru byggð upp úr hnútalögum, svipað og taugafrumur mynda heila mannsins. Einstakir laghnútar eru tengdir við hnúta í nálægum lögum.
Fjöldi laga í neti gefur til kynna dýpt þess. Ein taugafruma í heilann fær þúsundir skilaboða.
Merki fara á milli hnúta í gervi tauganeti, sem úthlutar þeim þyngd.
Hnútur með meiri þyngd hefur meiri áhrif á hnútana fyrir neðan hann. Síðasta lagið sameinar vegin inntak til að veita úttak.
Djúpnámskerfi þurfa sterkan vélbúnað vegna gríðarlegs magns gagna sem meðhöndlað er og fjölmargra háþróaðra stærðfræðilegra útreikninga sem taka þátt.
Djúpnámsþjálfunarútreikningar, jafnvel með svo háþróaðri tækni, geta tekið margar vikur.
Djúpnámskerfi þurfa umtalsvert magn af gögnum til að veita réttar niðurstöður; þess vegna eru upplýsingar gefnar í formi gríðarmikilla gagnasetta.
Við vinnslu gagna geta gervi taugakerfi flokkað upplýsingar byggðar á svörum við röð af tvíundum já eða rangum spurningum sem fela í sér mjög flóknar stærðfræðilegar útreikningar.
Andlitsþekkingaralgrím, til dæmis, lærir að bera kennsl á og þekkja brúnir og línur andlita.
Síðan mikilvægari þættir andlita og að lokum heilar framsetningar andlita.
Reikniritið þjálfar sig með tímanum og eykur líkurnar á réttum svörum.
Í þessum aðstæðum mun andlitsþekkingaralgrímið þekkja andlit betur með tímanum.
Deep Learning VS Machine Learning
Hvernig er djúpt nám frábrugðið vélnámi ef það er undirmengi þess?
Djúpt nám er frábrugðið hefðbundnu vélanámi í gagnategundum sem það notar og aðferðum sem það notar til að læra.
Til að búa til spár nota vélanámsreiknirit skipulögð, merkt gögn, sem þýðir að ákveðin einkenni eru tilgreind úr inntaksgögnum líkansins og flokkuð í töflur.
Þetta þýðir ekki endilega að það noti ekki óskipulögð gögn; frekar, ef það gerist, fer það venjulega í gegnum einhverja forvinnslu til að setja það í skipulagt snið.
Djúpnám eyðir hluta af forvinnslu gagna sem vélanám almennt felur í sér.
Þessi reiknirit geta tekið inn og túlkað óskipulögð gögn eins og texta og myndir, auk þess að gera sjálfvirkan útdrátt eiginleika, draga úr trausti á mennskum sérfræðingum.
Ímyndum okkur að við hefðum safn af myndum af ýmsum gæludýrum sem við vildum raða í flokka eins og „kött“, „hund,“ „hamstur“ og svo framvegis.
Djúpnámsreiknirit geta fundið út hvaða eiginleikar (eins og eyru) eru mikilvægastir til að skilja eitt dýr frá öðru. Þetta stigveldi er handvirkt ákvarðað af sérfræðingi í vélanámi.
Djúpnámskerfið breytist síðan og passar sjálft fyrir nákvæmni í gegnum hallandi lækkun og bakútbreiðsla, sem gerir það kleift að búa til nákvæmari spár um ferska skyndimynd af dýri.
Deep Learning forrit
1 Chatbots
Chatbots geta lagað vandamál viðskiptavina á nokkrum sekúndum. Chatbot er gervigreind (AI) tól sem gerir þér kleift að eiga samskipti á netinu með texta eða texta í tal.
Það getur miðlað og framkvæmt athafnir á sama hátt og menn gera. Chatbots eru mikið notaðir í þjónustu við viðskiptavini, markaðssetningu á samfélagsmiðlum og spjallskilaboðum viðskiptavina.
Það bregst við innsendum þínum með sjálfvirkum svörum. Það býr til margs konar svör með því að nota vélanám og djúpnámstækni.
2. Sjálfkeyrandi bílar
Deep Learning er aðalþátturinn á bak við að sjálfkeyrandi bílar verða að veruleika.
Milljón gagnasettum er hlaðið inn í kerfi til að búa til líkan, þjálfa vélarnar til að læra, og metið síðan niðurstöðurnar í öruggu umhverfi.
Uber Artificial Intelligence Rannsóknarstofur í Pittsburgh eru ekki aðeins að reyna að gera ökumannslausa bíla algengari heldur einnig að samþætta fjölmarga snjalla eiginleika, eins og möguleika til að afhenda mat, með notkun ökumannslausra bíla.
Brýnustu áhyggjurnar fyrir þróun sjálfkeyrandi ökutækja eru að takast á við óvænta atburði.
Stöðug hringrás prófunar og innleiðingar, dæmigerð fyrir reiknirit fyrir djúpnám, tryggir öruggan akstur þar sem það verður sífellt fyrir milljónum atburðarása.
3. Sýndaraðstoðarmaður
Sýndaraðstoðarmenn eru skýjatengd forrit sem þekkja raddskipanir á náttúrulegum tungumálum og gera hluti fyrir þína hönd.
Sýndaraðstoðarmenn eins og Amazon Alexa, Cortana, Siri og Google Assistant eru algeng dæmi.
Til að nýta möguleika sína til fulls þurfa þeir nettengd tæki. Þegar skipun er gefin aðstoðarmanninum hefur það tilhneigingu til að skila betri upplifun byggt á fyrri kynnum með því að nota djúpnáms reiknirit.
4. Skemmtun
Fyrirtæki eins og Netflix, Amazon, YouTube og Spotify veita viðskiptavinum sínum viðeigandi tillögur að kvikmyndum, lögum og myndböndum til að bæta upplifun sína.
Deep Learning ber ábyrgð á þessu öllu.
Straumspilunarfyrirtæki á netinu veita ráðleggingar um vörur og þjónustu byggðar á vafraferli, áhugamálum og virkni einstaklings.
Djúpt nám reiknirit eru einnig notuð til að framleiða texta sjálfkrafa og bæta hljóði við þöglar kvikmyndir.
5. Vélmenni
Deep Learning er mikið notað við að þróa vélmenni sem geta unnið manneskjuleg störf.
Vélmenni sem knúin eru af Deep Learning nota rauntímauppfærslur til að greina hindranir á leið sinni og skipuleggja námskeiðið fljótt.
Það er hægt að nota til að flytja hluti á sjúkrahúsum, verksmiðjum, vöruhúsum, birgðastjórnun, vöruframleiðslu og svo framvegis.
Boston Dynamics vélmenni bregðast við mönnum þegar þeim er ýtt um. Þeir geta tæmt uppþvottavél, þeir geta staðið upp þegar þeir falla og þeir geta sinnt ýmsum öðrum verkefnum.
6. heilsugæslu
Læknar geta ekki verið með sjúklingum sínum allan sólarhringinn, en eitt sem við höfum nánast alltaf hjá okkur eru símarnir okkar.
Djúpnám gerir einnig læknistækni kleift að greina gögn úr myndum sem við tökum og hreyfingargögn til að afhjúpa hugsanleg heilsufarsvandamál.
Tölvusjónarforrit gervigreindar notar til dæmis þessi gögn til að fylgja hreyfimynstri sjúklings til að spá fyrir um fall sem og breytingar á andlegu ástandi.
Djúpnám hefur einnig verið notað til að bera kennsl á húðkrabbamein með því að nota myndir og margt fleira.
7. Náttúruleg málvinnsla
Þróun náttúrulegrar málvinnslutækni hefur gert vélmenni kleift að lesa samskipti og draga merkingu úr þeim.
Engu að síður getur nálgunin verið of einfölduð, þar sem ekki er gert grein fyrir því hvernig orð sameinast til að hafa áhrif á merkingu eða tilgang orðasambands.
Djúpt nám hjálpar náttúrulegum málvinnsluaðilum að þekkja flóknari mynstur í orðasamböndum og skila nákvæmari túlkunum.
8. Tölvusjón
Djúpnám reynir að endurtaka hvernig mannshugurinn vinnur úr upplýsingum og þekkir mynstur, sem gerir það að tilvalinni aðferð til að þjálfa gervigreindarforrit sem byggjast á sjón.
Þessi kerfi geta tekið inn röð merktra myndasetta og lært að þekkja hluti eins og flugvélar, andlit og vopn með því að nota djúpnámslíkön.
Djúpt nám í verki
Fyrir utan uppáhalds tónlistarstreymisþjónustuna þína sem mælir með lögum sem þér gæti líkað við, hvernig breytir djúpt nám lífi fólks?
Djúpt nám, það kemur í ljós, er að ryðja sér til rúms í fjölmörgum forritum. Allir sem nota Facebook munu taka eftir því að þegar þú birtir nýjar myndir, þekkir samfélagssíðan oft og merktir vini þína.
Djúpnám er notað fyrir náttúrulega málvinnslu og talgreiningu af stafrænum aðstoðarmönnum eins og Siri, Cortana, Alexa og Google Now.
Rauntímaþýðing er veitt í gegnum Skype. Margar tölvupóstþjónustur hafa þróast í getu sinni til að greina ruslpóst áður en þau komast í pósthólfið.
PayPal hefur notað djúpt nám til að koma í veg fyrir sviksamlegar greiðslur. CamFind, til dæmis, gerir þér kleift að taka mynd af hvaða hlut sem er og, með því að nota sjónræna leitartækni fyrir farsíma, ákvarða hvað það er.
Djúpnám er sérstaklega notað til að veita lausnir af Google. AlphaGo, tölvuforrit þróað af Google Deepmind, hefur hrakið núverandi Go-meistara.
WaveNet, þróað af DeepMind, getur búið til tal sem hljómar eðlilegra en talkerfi sem nú eru í boði. Til að þýða munnleg tungumál og textamál notar Google Translate djúpt nám og myndgreiningu.
Hægt er að bera kennsl á hvaða mynd sem er með Google Planet. Til að aðstoða við að þróa gervigreind forrit bjó Google til Tensorflow djúpt nám hugbúnaðargagnagrunnur.
Framtíð djúpnáms
Djúpnám er óumflýjanlegt umræðuefni þegar rætt er um tækni. Óþarfur að taka fram að djúpt nám hefur þróast í einn af mikilvægustu þáttum tækninnar.
Fyrirtæki voru einu sinni sem höfðu áhuga á tækni eins og gervigreind, djúpnámi, vélanámi og svo framvegis. Einstaklingar eru líka að verða áhugasamir um þennan þátt tækninnar, sérstaklega djúpnám.
Ein af mörgum ástæðum þess að djúpnám fær svo mikla athygli er hæfni þess til að leyfa betri gagnadrifnar ákvarðanir á sama tíma og það bætir nákvæmni spá.
Djúpnámsþróunarverkfæri, bókasöfn og tungumál gætu mjög vel orðið reglulegir hlutir í hvaða hugbúnaðarþróunarverkfærasetti sem er eftir nokkur ár.
Þessi núverandi verkfærasett munu ryðja brautina fyrir einfalda hönnun, uppsetningu og þjálfun nýrra gerða.
Stílbreyting, sjálfvirk merking, tónlistarsköpun, og önnur verkefni væri miklu auðveldara að gera með þessa færni.
Krafan um hraðkóðun hefur aldrei verið meiri.
Djúpnámshönnuðir munu í auknum mæli nota samþætt, opið, skýjabundið þróunarumhverfi sem veitir aðgang að fjölbreyttu úrvali af hillum og stinga reikniritbókasöfnum í framtíðinni.
Djúpnám á sér mjög bjarta framtíð!
Ávinningurinn af a tauga net er að það skarar fram úr í að takast á við mikið magn af ólíkum gögnum (hugsaðu um allt sem heilinn okkar þarf að takast á við, allan tímann).
Þetta á sérstaklega við á tímum okkar öflugra snjallskynjara, sem geta safnað gríðarlegu magni af gögnum. Hefðbundin tölvukerfi eiga í erfiðleikum með að sigta, flokka og draga ályktanir af svo miklum gögnum.
Niðurstaða
Djúpt nám völd flestar gervigreindarlausnir (AI) sem geta bætt sjálfvirkni og greiningu ferli.
Flestir einstaklingar komast í snertingu við djúpt nám daglega þegar þeir nota internetið eða farsímann sinn.
Djúpnám er notað til að búa til texta fyrir YouTube myndbönd. Framkvæma raddgreiningu í símum og snjallhátölurum.
Gefðu andlitsauðkenni fyrir myndir og leyfðu sjálfkeyrandi bifreiðum, meðal margra annarra nota.
Og eins og gagnafræðingar og fræðimenn takast á við sífellt flóknara djúpnámsverkefni þar sem notuð eru djúpnámsramma, þessi tegund af gervigreind verður sífellt mikilvægari hluti af daglegu lífi okkar.
Skildu eftir skilaboð