Jadual Kandungan[Sembunyi][Tunjukkan]
Konsep bahawa robot lebih pintar daripada manusia telah menangkap imaginasi kolektif kita selagi wujudnya Fiksyen Sains.
Walau bagaimanapun, sementara Kecerdasan Buatan (AI) belum mencapai tahap itu, kami telah membuat penemuan penting dalam menjana kecerdasan mesin, seperti yang dibuktikan oleh ujian Google, Tesla dan Uber dengan kereta pandu sendiri.
Kebolehskalaan dan utiliti Pembelajaran Dalam, pendekatan Pembelajaran Mesin yang membolehkan kemajuan teknikal ini, bertanggungjawab sebahagiannya untuk kejayaan peralihan AI daripada universiti dan makmal penyelidikan kepada produk.
Revolusi komputer seterusnya akan dibina berdasarkan kecerdasan buatan, pembelajaran mendalam, dan pembelajaran mesin.
Teknologi ini dibina atas kapasiti untuk membezakan corak dan kemudian meramalkan peristiwa masa depan berdasarkan data yang dikumpul pada masa lalu. Ini menerangkan sebab Amazon membuat idea apabila anda membeli dalam talian atau cara Netflix mengetahui anda suka filem 1980-an yang mengerikan.
Walaupun komputer yang menggunakan konsep AI kadangkala dipanggil "pintar", majoriti sistem ini tidak belajar sendiri; interaksi manusia diperlukan.
Saintis data menyediakan input dengan memilih pembolehubah yang akan digunakan analisis ramalan. Pembelajaran mendalam, sebaliknya, boleh melaksanakan fungsi ini secara automatik.
Siaran ini berfungsi sebagai panduan lapangan untuk mana-mana pencinta data yang berminat untuk mengetahui lebih lanjut tentang pembelajaran mendalam, keluasannya dan potensi masa depan.
Apa itu Pembelajaran Dalam?
Pembelajaran mendalam boleh dianggap sebagai subset pembelajaran mesin.
Ia adalah bidang yang dibina atas pembelajaran kendiri dan penambahbaikan melalui pemeriksaan algoritma komputer.
Pembelajaran mendalam, berbanding pembelajaran mesin, berfungsi dengan buatan rangkaian saraf, yang sepatutnya meniru cara orang berfikir dan belajar. Sehingga baru-baru ini, rangkaian saraf dihadkan dalam kerumitan disebabkan oleh kekangan kuasa komputer.
Walau bagaimanapun, kemajuan dalam analitik Data Besar telah mendayakan rangkaian saraf yang lebih besar dan berkuasa, membolehkan komputer memantau, memahami dan bertindak balas terhadap situasi rumit dengan lebih cepat daripada orang.
Kami mengesyorkan membaca - Senibina Rangkaian Neural Tesla Dijelaskan
Pengkategorian imej, terjemahan bahasa dan pengecaman pertuturan semuanya mendapat manfaat daripada pembelajaran mendalam. Ia boleh menangani sebarang isu pengecaman corak tanpa memerlukan interaksi manusia.
Ia pada asasnya tiga atau lebih berlapis rangkaian neural. Rangkaian saraf ini berusaha untuk meniru aktiviti otak manusia, walaupun dengan kejayaan yang terhad, dengan membolehkannya "belajar" daripada jumlah data yang besar.
Walaupun satu lapisan rangkaian saraf masih boleh menghasilkan ramalan anggaran, lebih banyak lapisan tersembunyi boleh membantu dalam mengoptimumkan dan menala untuk ketepatan.
Apakah itu Rangkaian Neural?
Rangkaian saraf tiruan adalah berdasarkan jaring saraf yang dilihat dalam otak manusia. Biasanya, rangkaian saraf terdiri daripada tiga lapisan.
Tiga peringkat tersebut adalah input, output, dan tersembunyi. Rangkaian saraf dalam tindakan dilihat dalam rajah di bawah.
Memandangkan rangkaian saraf yang ditunjukkan di atas hanya mempunyai satu lapisan tersembunyi, ia digelar sebagai "rangkaian saraf cetek."
Lebih banyak lapisan tersembunyi ditambahkan pada sistem sedemikian untuk membentuk struktur yang lebih canggih.
Apakah Rangkaian Dalam?
Dalam rangkaian dalam, banyak lapisan tersembunyi ditambah.
Latihan reka bentuk sedemikian menjadi semakin rumit apabila bilangan lapisan tersembunyi dalam rangkaian meningkat, bukan sahaja mengenai masa yang diperlukan untuk melatih rangkaian dengan betul tetapi juga dari segi sumber yang diperlukan.
Rangkaian dalam dengan input, empat lapisan tersembunyi dan output ditunjukkan di bawah.
Bagaimanakah Pembelajaran Dalam berfungsi?
Rangkaian saraf terbina daripada lapisan nod, sama seperti bagaimana neuron membentuk otak manusia. Nod lapisan individu dipautkan ke nod dalam lapisan jiran.
Bilangan lapisan dalam rangkaian menunjukkan kedalamannya. Satu neuron dalam otak manusia menerima beribu-ribu mesej.
Isyarat bergerak antara nod dalam rangkaian saraf tiruan, yang memberikan pemberat kepada mereka.
Nod dengan berat yang lebih tinggi mempunyai kesan yang lebih besar pada nod di bawahnya. Lapisan terakhir menggabungkan input berwajaran untuk memberikan output.
Sistem pembelajaran mendalam memerlukan perkakasan yang kukuh kerana kuantiti data yang banyak dikendalikan dan banyak pengiraan matematik yang canggih yang terlibat.
Pengiraan latihan pembelajaran mendalam, walaupun dengan teknologi canggih sedemikian, boleh mengambil masa beberapa minggu.
Sistem pembelajaran mendalam memerlukan kuantiti data yang banyak untuk memberikan penemuan yang betul; oleh itu, maklumat disalurkan dalam bentuk set data besar-besaran.
Apabila memproses data, rangkaian saraf tiruan boleh mengklasifikasikan maklumat berdasarkan respons kepada urutan soalan ya atau palsu binari yang melibatkan pengiraan matematik yang sangat rumit.
Algoritma pengecaman muka, contohnya, belajar mengenal pasti dan mengecam tepi dan garisan muka.
Kemudian elemen wajah yang lebih penting, dan akhirnya keseluruhan representasi wajah.
Algoritma melatih dirinya dari semasa ke semasa, meningkatkan kemungkinan balasan yang betul.
Dalam situasi ini, algoritma pengecaman muka akan mengecam muka dengan lebih betul dari semasa ke semasa.
Pembelajaran Mendalam VS Pembelajaran Mesin
Bagaimanakah pembelajaran mendalam berbeza daripada pembelajaran mesin jika ia merupakan subset daripadanya?
Pembelajaran mendalam berbeza daripada pembelajaran mesin tradisional dalam jenis data yang digunakan dan kaedah yang digunakan untuk belajar.
Untuk membuat ramalan, algoritma pembelajaran mesin menggunakan data berstruktur dan berlabel, yang bermaksud ciri tertentu ditentukan daripada data input model dan dikumpulkan ke dalam jadual.
Ini tidak semestinya membayangkan bahawa ia tidak menggunakan data tidak berstruktur; sebaliknya, jika ia berlaku, ia biasanya melalui beberapa pra-pemprosesan untuk memasukkannya ke dalam format berstruktur.
Pembelajaran mendalam menghapuskan sebahagian daripada pra-pemprosesan data yang biasanya diperlukan oleh pembelajaran mesin.
Algoritma ini boleh menelan dan mentafsir data tidak berstruktur seperti teks dan gambar, serta mengautomasikan pengekstrakan ciri, mengurangkan pergantungan kepada pakar manusia.
Bayangkan kami mempunyai koleksi imej pelbagai haiwan peliharaan yang ingin kami susun mengikut kategori seperti “kucing,” “anjing,” “hamster,” dan sebagainya.
Algoritma pembelajaran mendalam boleh mengetahui sifat (seperti telinga) yang paling penting dalam memisahkan satu haiwan daripada yang lain. Hierarki ciri ini ditentukan secara manual oleh pakar manusia dalam pembelajaran mesin.
Sistem pembelajaran mendalam kemudian berubah dan menyesuaikan dirinya untuk ketepatan melalui keturunan kecerunan dan perambatan belakang, membolehkannya menjana ramalan yang lebih tepat tentang syot kilat haiwan yang baru.
Aplikasi Pembelajaran Dalam
1. Chatbots
Chatbots boleh membetulkan isu pelanggan dalam masa beberapa saat. Chatbot ialah sebuah kecerdasan buatan (AI) yang membolehkan anda berkomunikasi dalam talian melalui teks atau teks ke pertuturan.
Ia boleh berkomunikasi dan melakukan perbuatan dengan cara yang sama manusia lakukan. Chatbots digunakan secara meluas dalam perkhidmatan pelanggan, pemasaran media sosial dan pemesejan segera pelanggan.
Ia bertindak balas kepada input anda dengan jawapan automatik. Ia menjana banyak bentuk balasan menggunakan pembelajaran mesin dan teknik pembelajaran mendalam.
2. Kereta pandu sendiri
Pembelajaran Dalam adalah faktor utama di sebalik kereta pandu sendiri menjadi kenyataan.
Sejuta set data dimuatkan ke dalam sistem untuk mencipta model, melatih mesin untuk belajar, dan kemudian menilai penemuan dalam persekitaran yang selamat.
Uber Kepintaran Buatan Makmal di Pittsburgh bukan sahaja cuba menjadikan kereta tanpa pemandu lebih biasa tetapi juga untuk menyepadukan pelbagai ciri pintar, seperti kemungkinan penghantaran makanan, dengan penggunaan kereta tanpa pemandu.
Kebimbangan yang paling mendesak untuk pembangunan kenderaan pandu sendiri ialah menangani kejadian yang tidak dijangka.
Kitaran ujian dan pelaksanaan yang berterusan, tipikal algoritma pembelajaran mendalam, memastikan pemanduan selamat kerana semakin banyak terdedah kepada berjuta-juta senario.
3. Pembantu Maya
Pembantu Maya ialah program berasaskan awan yang mengecam arahan suara bahasa semula jadi dan melakukan sesuatu bagi pihak anda.
Pembantu maya seperti Amazon Alexa, Cortana, Siri dan Google Assistant adalah contoh biasa.
Untuk menggunakan sepenuhnya potensi mereka, mereka memerlukan peranti yang disambungkan ke Internet. Apabila arahan diberikan kepada pembantu, ia cenderung untuk menyampaikan pengalaman yang lebih baik berdasarkan pertemuan sebelumnya menggunakan algoritma Pembelajaran Dalam.
4. Hiburan
Syarikat seperti Netflix, Amazon, YouTube dan Spotify memberikan cadangan filem, lagu dan video yang sesuai kepada pelanggan mereka untuk meningkatkan pengalaman mereka.
Pembelajaran Dalam bertanggungjawab untuk semua ini.
Firma penstriman dalam talian menyediakan pengesyoran produk dan perkhidmatan berdasarkan sejarah penyemakan imbas, minat dan aktiviti seseorang.
Algoritma pembelajaran mendalam juga digunakan untuk menghasilkan sari kata secara automatik dan menambah bunyi pada filem senyap.
5. Robotik
Pembelajaran Dalam digunakan secara meluas dalam membangunkan robot yang boleh melakukan kerja seperti manusia.
Robot yang dikuasakan Pembelajaran Dalam menggunakan kemas kini masa nyata untuk mengesan halangan dalam laluan mereka dan mengatur laluan mereka dengan cepat.
Ia boleh digunakan untuk mengangkut barang di hospital, kilang, gudang, pengurusan inventori, pembuatan produk, dan sebagainya.
Robot Boston Dynamics bertindak balas kepada manusia apabila mereka ditolak. Mereka boleh mengosongkan mesin basuh pinggan mangkuk, mereka boleh bangun apabila mereka jatuh, dan mereka boleh melakukan pelbagai aktiviti lain.
6. Penjagaan Kesihatan
Doktor tidak boleh bersama pesakit mereka sepanjang masa, tetapi satu perkara yang kita semua selalu ada bersama kita ialah telefon kita.
Pembelajaran mendalam juga membolehkan teknologi perubatan menganalisis data daripada imej yang kami tangkap dan data pergerakan untuk mendedahkan kebimbangan kesihatan yang berpotensi.
Program penglihatan komputer AI, sebagai contoh, menggunakan data ini untuk mengikuti corak pergerakan pesakit untuk meramalkan kejatuhan serta perubahan dalam keadaan mental.
Pembelajaran mendalam juga telah digunakan untuk mengenal pasti kanser kulit menggunakan foto dan banyak lagi.
7. Pemprosesan Bahasa Semula jadi
Membangunkan teknologi pemprosesan bahasa semula jadi telah membolehkan robot membaca komunikasi dan memperoleh makna daripadanya.
Namun begitu, pendekatan ini boleh dipermudahkan, gagal mengambil kira cara perkataan bergabung untuk mempengaruhi makna atau tujuan frasa.
Pembelajaran mendalam membantu pemproses bahasa semula jadi mengenali corak yang lebih kompleks dalam frasa dan menyampaikan tafsiran yang lebih tepat.
8. Penglihatan Komputer
Pembelajaran mendalam cuba meniru cara minda manusia memproses maklumat dan mengenali corak, menjadikannya kaedah yang ideal untuk melatih aplikasi AI berasaskan penglihatan.
Sistem tersebut boleh mengambil set foto berteg berturut-turut dan belajar mengenali item seperti kapal terbang, muka dan senjata menggunakan model pembelajaran mendalam.
Pembelajaran Mendalam dalam Tindakan
Selain daripada perkhidmatan penstriman muzik kegemaran anda yang mengesyorkan lagu yang mungkin anda suka, bagaimanakah pembelajaran mendalam mengubah kehidupan orang ramai?
Pembelajaran mendalam, ternyata, sedang memasuki pelbagai aplikasi. Sesiapa yang menggunakan Facebook akan perasan bahawa apabila anda menyiarkan imej baharu, laman sosial itu kerap mengecam dan menandai rakan anda.
Pembelajaran mendalam digunakan untuk pemprosesan bahasa semula jadi dan pengecaman pertuturan oleh pembantu digital seperti Siri, Cortana, Alexa dan Google Now.
Terjemahan masa nyata disediakan melalui Skype. Banyak perkhidmatan e-mel telah maju dalam keupayaan mereka untuk mengesan mesej spam sebelum mereka sampai ke peti masuk.
PayPal telah menggunakan pembelajaran mendalam untuk mengelakkan pembayaran penipuan. CamFind, sebagai contoh, membolehkan anda mengambil gambar mana-mana objek dan, menggunakan teknologi carian visual mudah alih, tentukan objek itu.
Pembelajaran mendalam sedang digunakan untuk menyediakan penyelesaian oleh Google khususnya. AlphaGo, program komputer yang dibangunkan oleh Google Deepmind, telah mengalahkan juara Go semasa.
WaveNet, yang dibangunkan oleh DeepMind, boleh mencipta pertuturan yang kedengaran lebih semula jadi daripada sistem pertuturan yang tersedia pada masa ini. Untuk menterjemah bahasa lisan dan teks, Terjemahan Google menggunakan pembelajaran mendalam dan pengecaman gambar.
Sebarang foto boleh dikenal pasti menggunakan Google Planet. Untuk membantu dalam membangunkan aplikasi AI, Google mencipta Pembelajaran mendalam aliran tensor pangkalan data perisian.
Masa Depan Pembelajaran Mendalam
Pembelajaran mendalam adalah topik yang tidak dapat dielakkan semasa membincangkan teknologi. Tidak perlu dikatakan, pembelajaran mendalam telah berkembang menjadi salah satu elemen teknologi yang paling penting.
Organisasi dahulunya merupakan satu-satunya yang berminat dengan teknologi seperti AI, pembelajaran mendalam, pembelajaran mesin dan sebagainya. Individu juga mula berminat dengan elemen teknologi ini, terutamanya pembelajaran mendalam.
Salah satu daripada banyak sebab pembelajaran mendalam mendapat perhatian adalah keupayaannya untuk membenarkan keputusan yang dipacu data yang lebih baik sambil meningkatkan ketepatan ramalan.
Alat pembangunan pembelajaran mendalam, perpustakaan dan bahasa mungkin menjadi komponen tetap bagi mana-mana kit alat pembangunan perisian dalam beberapa tahun.
Set alat semasa ini akan membuka jalan untuk reka bentuk mudah, persediaan dan latihan model baharu.
Transformasi gaya, pengetegan automatik, penciptaan muzik, dan tugasan lain akan lebih mudah dilakukan dengan kemahiran ini.
Permintaan untuk pengekodan pantas tidak pernah lebih besar.
Pembangun pembelajaran mendalam akan semakin menggunakan persekitaran pembangunan bersepadu, terbuka, berasaskan awan yang membenarkan akses kepada pelbagai pustaka algoritma luar biasa dan boleh pasang pada masa hadapan.
Pembelajaran mendalam mempunyai masa depan yang sangat cerah!
Faedah a rangkaian neural ialah ia cemerlang dalam menangani sejumlah besar data heterogen (fikirkan semua yang perlu ditangani oleh otak kita, sepanjang masa).
Ini benar terutamanya pada zaman kita yang mempunyai penderia pintar yang berkuasa, yang boleh mengumpul sejumlah besar data. Sistem komputer tradisional sedang bergelut untuk menapis, mengkategorikan, dan memperoleh kesimpulan daripada begitu banyak data.
Kesimpulan
Pembelajaran yang mendalam kuasa kebanyakan penyelesaian kecerdasan buatan (AI) yang boleh meningkatkan automasi dan analisis proses.
Kebanyakan individu berhubung dengan pembelajaran mendalam setiap hari apabila mereka menggunakan internet atau telefon bimbit mereka.
Pembelajaran mendalam digunakan untuk menghasilkan sari kata untuk video YouTube. Menjalankan pengecaman suara pada telefon dan pembesar suara pintar.
Berikan pengenalan wajah untuk imej dan benarkan kereta pandu sendiri, antara banyak kegunaan lain.
Dan, apabila saintis data dan ahli akademik menangani masalah yang semakin rumit projek pembelajaran mendalam menggunakan rangka kerja pembelajaran mendalam, kecerdasan buatan semacam ini akan menjadi bahagian yang semakin penting dalam kehidupan seharian kita.
Sila tinggalkan balasan anda