Përmbajtje[Fshih][Shfaqje]
Koncepti se robotët janë më të zgjuar se njerëzit e ka pushtuar imagjinatën tonë kolektive për aq kohë sa ka pasur Fantashkencë.
Megjithatë, ndërsa Inteligjenca Artificiale (AI) nuk e ka arritur ende atë nivel, ne kemi bërë përparime të rëndësishme në gjenerimin e inteligjencës së makinerive, siç dëshmohet nga testimi i Google, Tesla dhe Uber me makina vetë-drejtuese.
Shkallueshmëria dhe dobia e Deep Learning, qasja e Mësimit të Makinerisë që mundëson këtë avancim teknik, është pjesërisht përgjegjëse për kalimin e suksesshëm të AI nga universitetet dhe laboratorët kërkimor në produkte.
Revolucioni i ardhshëm kompjuterik do të ndërtohet mbi inteligjencën artificiale, mësimin e thellë dhe Mësimi makinë.
Këto teknologji janë ndërtuar mbi aftësinë për të dalluar modelet dhe më pas për të parashikuar ngjarjet e ardhshme bazuar në të dhënat e mbledhura në të kaluarën. Kjo shpjegon pse Amazon krijon ide kur blini në internet ose se si Netflix e di se ju pëlqejnë filmat e tmerrshëm të viteve 1980.
Megjithëse kompjuterët që përdorin konceptet e AI quhen ndonjëherë "të zgjuar", shumica e këtyre sistemeve nuk mësojnë vetë; kërkohet ndërveprimi njerëzor.
Shkencëtarët e të dhënave përgatisin inputet duke zgjedhur variablat që do të aplikohen analitike parashikuese. Të mësuarit e thellë, nga ana tjetër, mund ta kryejë këtë funksion automatikisht.
Ky postim shërben si një udhëzues në terren për çdo adhurues të të dhënave të interesuar për të mësuar më shumë rreth të mësuarit të thellë, gjerësinë e tij dhe potencialin e ardhshëm.
Çfarë është mësimi i thellë?
Të mësuarit e thellë mund të mendohet si një nëngrup i mësimit të makinerive.
Është një fushë që është ndërtuar mbi vetë-mësimin dhe përmirësimin nëpërmjet ekzaminimit të algoritmeve kompjuterike.
Mësimi i thellë, në krahasim me mësimin e makinerive, funksionon me artificial rrjetet nervore, të cilat supozohet të imitojnë mënyrën se si njerëzit mendojnë dhe mësojnë. Deri kohët e fundit, rrjetet nervore ishin të kufizuara në kompleksitet për shkak të kufizimeve të fuqisë kompjuterike.
Megjithatë, përparimet në analitikën e të dhënave të mëdha kanë mundësuar rrjete nervore më të mëdha dhe më të fuqishme, duke u mundësuar kompjuterëve të monitorojnë, kuptojnë dhe përgjigjen ndaj situatave të ndërlikuara më shpejt se njerëzit.
Ne ju rekomandojmë të lexoni - Shpjegohet arkitektura e rrjetit nervor Tesla
Kategorizimi i imazheve, përkthimi i gjuhës dhe njohja e të folurit kanë përfituar të gjitha nga mësimi i thellë. Mund të trajtojë çdo çështje të njohjes së modelit pa pasur nevojë për ndërveprim njerëzor.
Është në thelb një tre ose më shumë shtresa Rrjeti nervoz. Këto rrjete nervore kërkojnë të imitojnë aktivitetin e trurit të njeriut, megjithëse me sukses të kufizuar, duke i mundësuar atij të "mësojë" nga vëllime të mëdha të dhënash.
Ndërsa një shtresë e vetme e një rrjeti nervor mund të prodhojë ende parashikime të përafërta, më shumë shtresa të fshehura mund të ndihmojnë në optimizimin dhe akordimin për saktësinë.
Çfarë është Rrjeti Neural?
Rrjetet nervore artificiale bazohen në rrjetat nervore që shihen në trurin e njeriut. Zakonisht, një rrjet nervor përbëhet nga tre shtresa.
Të tre nivelet janë të dhëna, dalje dhe të fshehura. Një rrjet nervor në veprim shihet në diagramin më poshtë.
Meqenëse rrjeti nervor i paraqitur më sipër ka vetëm një shtresë të fshehur, ai quhet "rrjet nervor i cekët".
Më shumë shtresa të fshehura u shtohen sistemeve të tilla për të formuar struktura më të sofistikuara.
Çfarë është rrjeti i thellë?
Në një rrjet të thellë, shtohen shumë shtresa të fshehura.
Trajnimi i dizajneve të tilla bëhet gjithnjë e më i ndërlikuar ndërsa numri i shtresave të fshehura në rrjet rritet, jo vetëm në lidhje me kohën e nevojshme për të trajnuar siç duhet rrjetin, por edhe për sa i përket burimeve të kërkuara.
Një rrjet i thellë me një hyrje, katër shtresa të fshehura dhe një dalje është paraqitur më poshtë.
Si funksionon Deep Learning?
Rrjetet nervore janë të ndërtuara nga shtresa nyjesh, të ngjashme me mënyrën se si neuronet përbëjnë trurin e njeriut. Nyjet individuale të shtresave janë të lidhura me nyjet në shtresat fqinje.
Numri i shtresave në një rrjet tregon thellësinë e tij. Një neuron i vetëm në trurin e njeriut merr mijëra mesazhe.
Sinjalet lëvizin midis nyjeve në një rrjet nervor artificial, i cili u cakton atyre pesha.
Një nyje me një peshë më të madhe ka një ndikim më të madh në nyjet poshtë saj. Shtresa e fundit kombinon hyrjet e ponderuara për të siguruar një dalje.
Sistemet e të mësuarit të thellë kanë nevojë për një pajisje të fortë për shkak të sasisë masive të të dhënave të trajtuara dhe llogaritjeve të shumta të sofistikuara matematikore të përfshira.
Llogaritjet e trajnimit të të mësuarit të thellë, edhe me një teknologji kaq të sofistikuar, mund të zgjasin javë.
Sistemet e të mësuarit të thellë kërkojnë një sasi të konsiderueshme të dhënash për të siguruar gjetje të sakta; kështu, informacioni ushqehet në formën e grupeve masive të të dhënave.
Gjatë përpunimit të të dhënave, rrjetet nervore artificiale mund të klasifikojnë informacionin bazuar në përgjigjet ndaj një sekuence të pyetjeve binare po ose të rreme që përfshijnë llogaritje matematikore shumë të komplikuara.
Një algoritëm i njohjes së fytyrës, për shembull, mëson të identifikojë dhe njohë skajet dhe linjat e fytyrave.
Pastaj elemente më domethënëse të fytyrave, dhe përfundimisht përfaqësime të tëra fytyrash.
Algoritmi stërvit veten me kalimin e kohës, duke rritur gjasat për përgjigjet e duhura.
Në këtë situatë, algoritmi i njohjes së fytyrës do t'i njohë fytyrat më saktë me kalimin e kohës.
Mësimi i thellë VS Mësimi i Makinerisë
Si ndryshon mësimi i thellë nga mësimi i makinës nëse është një nëngrup i tij?
Mësimi i thellë ndryshon nga mësimi tradicional i makinerive në llojet e të dhënave që përdor dhe metodat që përdor për të mësuar.
Për të krijuar parashikime, algoritmet e mësimit të makinerive përdorin të dhëna të strukturuara, të etiketuara, që do të thotë se disa karakteristika specifikohen nga të dhënat hyrëse të modelit dhe grupohen në tabela.
Kjo nuk nënkupton domosdoshmërisht se nuk përdor të dhëna të pastrukturuara; përkundrazi, nëse ndodh, zakonisht kalon nëpër disa përpunime paraprake për ta vendosur atë në një format të strukturuar.
Mësimi i thellë heq një pjesë të para-përpunimit të të dhënave që përfshin përgjithësisht mësimi i makinerive.
Këto algoritme mund të gëlltisin dhe interpretojnë të dhëna të pastrukturuara si teksti dhe fotografitë, si dhe të automatizojnë nxjerrjen e veçorive, duke reduktuar mbështetjen te specialistët njerëzorë.
Le të imagjinojmë se kishim një koleksion imazhesh të kafshëve shtëpiake të ndryshme që donim t'i organizonim në kategori të tilla si "mace", "qen", "brejtësi" etj.
Algoritmet e të mësuarit të thellë mund të kuptojnë se cilat tipare (si p.sh. veshët) janë më thelbësore në ndarjen e një kafshe nga tjetra. Kjo hierarki e veçorive përcaktohet manualisht nga një specialist njerëzor në mësimin e makinerive.
Sistemi i të mësuarit të thellë më pas ndryshon dhe përshtatet për saktësinë nëpërmjet zbritje gradient dhe përhapja prapa, duke e lejuar atë të gjenerojë parashikime më të sakta rreth një fotografie të freskët të një kafshe.
Aplikacionet e mësimit të thellë
1. chatbots
Chatbots mund të rregullojnë problemet e klientit në pak sekonda. Një chatbot është një inteligjencës artificiale (AI) mjet që ju lejon të komunikoni në internet nëpërmjet tekstit ose tekst-në-fjalë.
Ai mund të komunikojë dhe të kryejë veprime në të njëjtën mënyrë si njerëzit. Chatbot-et përdoren gjerësisht në shërbimin ndaj klientit, marketingun e mediave sociale dhe mesazhet e menjëhershme të klientëve.
Ai u përgjigjet të dhënave tuaja me përgjigje automatike. Ai gjeneron shumë forma përgjigjesh duke përdorur teknikat e mësimit të makinës dhe të të mësuarit të thellë.
2. Makina vetëdrejtuese
Mësimi i thellë është faktori kryesor që makinat vetëdrejtuese të bëhen realitet.
Një milion grupe të dhënash ngarkohen në një sistem për të krijuar një model, trajnoni makinat për të mësuar, dhe më pas vlerësoni gjetjet në një mjedis të sigurt.
Uber Inteligjenca artificiale Laboratorët në Pittsburgh nuk po përpiqen vetëm t'i bëjnë makinat pa shofer më të zakonshme, por edhe të integrojnë funksione të shumta inteligjente, të tilla si mundësitë e shpërndarjes së ushqimit, me përdorimin e makinave pa shofer.
Shqetësimi më i ngutshëm për zhvillimin e automjeteve vetë-drejtuese është përballja me ngjarje të paparashikuara.
Një cikël i vazhdueshëm testimi dhe zbatimi, tipik i algoritmeve të të mësuarit të thellë, siguron drejtimin e sigurt të automjetit pasi ekspozohet ndaj miliona skenarëve gjithnjë e më shumë.
3. Asistent Virtual
Asistentët Virtualë janë programe të bazuara në renë kompjuterike që njohin komandat zanore të gjuhës natyrore dhe bëjnë gjëra në emrin tuaj.
Asistentët virtualë si Amazon Alexa, Cortana, Siri dhe Google Assistant janë shembuj të zakonshëm.
Për të shfrytëzuar plotësisht potencialin e tyre, ata kërkojnë pajisje të lidhura me internetin. Kur një komandë i jepet asistentit, ai tenton të japë një përvojë më të mirë bazuar në takimet e mëparshme duke përdorur algoritmet e mësimit të thellë.
4. Argëtim
Kompanitë si Netflix, Amazon, YouTube dhe Spotify ofrojnë sugjerime të përshtatshme për filma, këngë dhe video për klientët e tyre për të përmirësuar përvojën e tyre.
Deep Learning është përgjegjës për gjithë këtë.
Firmat e transmetimit në internet ofrojnë rekomandime për produkte dhe shërbime bazuar në historikun e shfletimit, interesat dhe aktivitetin e një personi.
Algoritmet e mësimit të thellë përdoren gjithashtu për të prodhuar automatikisht titrat dhe për të shtuar zë në filmat pa zë.
5. Robotika
Mësimi i thellë përdoret gjerësisht në zhvillimin e robotëve që mund të bëjnë punë të ngjashme me njerëzit.
Robotët me fuqi të mësimit të thellë përdorin përditësime në kohë reale për të zbuluar pengesat në rrugën e tyre dhe për të rregulluar shpejt kursin e tyre.
Mund të përdoret për të transportuar gjëra në spitale, fabrika, magazina, menaxhimin e inventarit, prodhimin e produkteve etj.
Robotët e Boston Dynamics u përgjigjen njerëzve kur ata shtyhen. Ata mund të zbrazin një makinë larëse enësh, mund të ngrihen kur bien dhe mund të kryejnë një sërë aktivitetesh të tjera.
6. Shëndetësia
Mjekët nuk mund të jenë me pacientët e tyre gjatë gjithë orës, por një gjë që ne pothuajse të gjithë kemi gjithmonë me vete janë telefonat tanë.
Mësimi i thellë gjithashtu lejon teknologjitë mjekësore të analizojnë të dhënat nga imazhet që ne kapim dhe të dhënat e lëvizjes për të zbuluar shqetësimet e mundshme shëndetësore.
Programi kompjuterik i vizionit të AI, për shembull, i përdor këto të dhëna për të ndjekur modelet e lëvizjes së pacientit për të parashikuar rëniet si dhe ndryshimet në gjendjen mendore.
Mësimi i thellë është përdorur gjithashtu për të identifikuar kancerin e lëkurës duke përdorur foto dhe shumë të tjera.
7. Përpunimi i gjuhës natyrore
Zhvillimi i teknologjisë së përpunimit të gjuhës natyrore i ka mundësuar robotëve të lexojnë komunikimet dhe të nxjerrin kuptimin prej tyre.
Megjithatë, qasja mund të thjeshtohet tepër, duke mos marrë parasysh mënyrat në të cilat fjalët bashkohen për të ndikuar në kuptimin ose qëllimin e një fraze.
Mësimi i thellë i ndihmon përpunuesit e gjuhëve natyrore të njohin modele më komplekse në fraza dhe të japin interpretime më të sakta.
8. Vizioni kompjuterik
Të mësuarit e thellë përpiqet të përsërisë se si mendja e njeriut përpunon informacionin dhe njeh modelet, duke e bërë atë një metodë ideale për trajnimin e aplikacioneve të AI të bazuara në vizion.
Këto sisteme mund të marrin një sërë grupesh fotografish të etiketuara dhe të mësojnë të njohin objekte si aeroplanët, fytyrat dhe armët duke përdorur modelet e të mësuarit të thellë.
Të mësuarit e thellë në veprim
Përveç shërbimit tuaj të preferuar të transmetimit të muzikës që rekomandon këngë që mund t'ju pëlqejnë, si po ndryshon jetën e njerëzve të mësuarit e thellë?
Mësimi i thellë, rezulton, po hap rrugën e tij në një gamë të gjerë aplikimesh. Kushdo që përdor Facebook do të vërejë se kur postoni imazhe të reja, faqja sociale shpesh njeh dhe etiketon miqtë tuaj.
Mësimi i thellë përdoret për përpunimin e gjuhës natyrore dhe njohjen e të folurit nga asistentë dixhitalë si Siri, Cortana, Alexa dhe Google Now.
Përkthimi në kohë reale ofrohet përmes Skype. Shumë shërbime të postës elektronike kanë avancuar në aftësinë e tyre për të zbuluar mesazhet e padëshiruara përpara se të arrijnë në kutinë hyrëse.
PayPal ka përdorur mësimin e thellë për të parandaluar pagesat mashtruese. CamFind, për shembull, ju lejon të bëni një foto të çdo objekti dhe, duke përdorur teknologjinë e kërkimit vizual në celular, të përcaktoni se çfarë është.
Mësimi i thellë po përdoret për të ofruar zgjidhje në veçanti nga Google. AlphaGo, një program kompjuterik i zhvilluar nga Google Deepmind, ka mposhtur kampionët aktualë të Go.
WaveNet, i zhvilluar nga DeepMind, mund të krijojë fjalim që tingëllon më i natyrshëm sesa sistemet e të folurit të disponueshëm aktualisht. Për të përkthyer gjuhët gojore dhe tekstuale, Google Translate përdor mësimin e thellë dhe njohjen e figurave.
Çdo foto mund të identifikohet duke përdorur Google Planet. Për të ndihmuar në zhvillimin e aplikacioneve të AI, Google krijoi Të mësuarit e thellë Tensorflow bazën e të dhënave të softuerit.
E ardhmja e të mësuarit të thellë
Të mësuarit e thellë është një temë e pashmangshme gjatë diskutimit të teknologjisë. Eshtë e panevojshme të thuhet, të mësuarit e thellë ka evoluar në një nga elementët më të rëndësishëm të teknologjisë.
Organizatat dikur ishin të vetmet të interesuara për teknologji si AI, mësimi i thellë, mësimi i makinerive, etj. Individët, gjithashtu, po interesohen për këtë element të teknologjisë, veçanërisht për të mësuarit e thellë.
Një nga arsyet e shumta pse mësimi i thellë po merr kaq shumë vëmendje është aftësia e tij për të lejuar vendime më të mira të bazuara në të dhëna, duke përmirësuar gjithashtu saktësinë e parashikimit.
Mjetet e zhvillimit të të mësuarit të thellë, bibliotekat dhe gjuhët mund të bëhen shumë mirë komponentë të rregullt të çdo pakete veglash për zhvillimin e softuerit brenda disa vitesh.
Këto grupe mjetesh aktuale do të hapin rrugën për dizajn, konfigurim dhe trajnim të thjeshtë të modeleve të reja.
Transformimi i stilit, etiketimi automatik, krijimi muzikor, dhe detyra të tjera do të ishin shumë më të lehta për t'u bërë me këto aftësi.
Kërkesa për kodim të shpejtë nuk ka qenë kurrë më e madhe.
Zhvilluesit e të mësuarit të thellë do të përdorin gjithnjë e më shumë mjedise zhvillimi të integruara, të hapura, të bazuara në renë kompjuterike, të cilat lejojnë aksesin në një gamë të gjerë bibliotekash algoritmesh të disponueshme dhe të kyçura në të ardhmen.
Të mësuarit e thellë ka një të ardhme shumë të ndritur!
Përfitimi i një Rrjeti nervoz është se ai shkëlqen në trajtimin e sasive të mëdha të të dhënave heterogjene (mendoni gjithçka me të cilën truri ynë duhet të merret, gjatë gjithë kohës).
Kjo është veçanërisht e vërtetë në epokën tonë të sensorëve të fuqishëm inteligjentë, të cilët mund të mbledhin sasi masive të dhënash. Sistemet tradicionale kompjuterike po përpiqen të analizojnë, kategorizojnë dhe nxjerrin përfundime nga kaq shumë të dhëna.
Përfundim
Mësim i thellë fuqitë shumica e zgjidhjeve të inteligjencës artificiale (AI) që mund të përmirësojnë automatizimin dhe analitik proceseve.
Shumica e individëve vijnë në kontakt me mësimin e thellë çdo ditë kur përdorin internetin ose telefonat e tyre celularë.
Mësimi i thellë përdoret për të prodhuar titra për videot në YouTube. Kryeni njohjen e zërit në telefona dhe altoparlantë inteligjentë.
Jepni identifikimin e fytyrës për imazhet dhe lejoni automobilat që drejtojnë vetë, ndër shumë përdorime të tjera.
Dhe, ndërsa shkencëtarët dhe akademikët e të dhënave trajtojnë gjithnjë e më të komplikuara projekte të të mësuarit të thellë duke përdorur korniza të të mësuarit të thellë, kjo lloj inteligjence artificiale do të bëhet një pjesë gjithnjë e më e rëndësishme e jetës sonë të përditshme.
Lini një Përgjigju