Преглед садржаја[Сакрити][Прикажи]
Концепт да су роботи паметнији од људи заокупља нашу колективну машту све док постоји научна фантастика.
Међутим, док вештачка интелигенција (АИ) још није достигла тај ниво, направили смо значајан напредак у генерисању машинске интелигенције, што су доказали Гугл, Тесла и Убер тестирањем са аутомобилима који се сами возе.
Скалабилност и корисност дубоког учења, приступа машинског учења који омогућава овај технички напредак, делимично је одговоран за успешан прелазак АИ са универзитета и истраживачких лабораторија на производе.
Следећа компјутерска револуција биће изграђена на вештачкој интелигенцији, дубоком учењу и Машина учење.
Ове технологије су изграђене на капацитету да се разазнају обрасци и потом предвиде будући догађаји на основу података прикупљених у прошлости. Ово објашњава зашто Амазон ствара идеје када купујете на мрежи или како Нетфлик зна да волите ужасне филмове из 1980-их.
Иако се рачунари који користе АИ концепте понекад називају „паметним“, већина ових система не учи сама; потребна је људска интеракција.
Научници података припремају улазне податке бирајући варијабле које ће бити примењене предиктивна аналитика. Дубоко учење, с друге стране, може аутоматски извршити ову функцију.
Овај пост служи као теренски водич за све љубитеље података који су заинтересовани да сазнају више о дубоком учењу, његовој ширини и будућем потенцијалу.
Шта је дубоко учење?
Дубоко учење се може сматрати подскупом машинског учења.
То је поље које је изграђено на самоучењу и усавршавању кроз испитивање компјутерских алгоритама.
Дубоко учење, за разлику од машинског учења, ради са вештачким неуронске мреже, који би требало да опонашају како људи мисле и уче. До недавно, неуронске мреже су биле ограничене у сложености због ограничења снаге рачунара.
Међутим, напредак у аналитици великих података омогућио је веће, моћније неуронске мреже, омогућавајући рачунарима да надгледају, разумеју и реагују на компликоване ситуације брже од људи.
Препоручујемо читање - Објашњена архитектура Тесла неуронске мреже
Категоризација слика, превод језика и препознавање говора су имали користи од дубоког учења. Може се позабавити било којим проблемом препознавања образаца без потребе за људском интеракцијом.
У суштини је трослојна или вишеслојна неуронска мрежа. Ове неуронске мреже настоје да имитирају активност људског мозга, иако са ограниченим успехом, омогућавајући му да „учи“ из огромних количина података.
Док један слој неуронске мреже још увек може да произведе приближна предвиђања, више скривених слојева може помоћи у оптимизацији и подешавању за тачност.
Шта је неуронска мрежа?
Вештачке неуронске мреже су засноване на неуронским мрежама које се виде у људском мозгу. Обично се неуронска мрежа састоји од три слоја.
Три нивоа су улазни, излазни и скривени. Неуронска мрежа у акцији се види на дијаграму испод.
Како неуронска мрежа приказана изнад има само један скривени слој, названа је „плитка неуронска мрежа“.
Више скривених слојева се додаје таквим системима да би се формирале софистицираније структуре.
Шта је Дубока мрежа?
У дубокој мрежи додаје се много скривених слојева.
Обука таквих дизајна постаје све компликованија како се број скривених слојева у мрежи повећава, не само у погледу времена потребног да се мрежа правилно обуче, већ иу смислу потребних ресурса.
Дубока мрежа са улазом, четири скривена слоја и излазом је приказана испод.
Како функционише дубоко учење?
Неуронске мреже су изграђене од слојева чворова, слично као што неурони чине људски мозак. Појединачни чворови слоја су повезани са чворовима у суседним слојевима.
Број слојева у мрежи указује на њену дубину. Један неурон у људски мозак прима хиљаде порука.
Сигнали се крећу између чворова у вештачкој неуронској мрежи, која им додељује тежине.
Чвор са већом тежином има већи утицај на чворове испод њега. Последњи слој комбинује пондерисане улазе да би обезбедио излаз.
Системима дубоког учења је потребан јак хардвер због огромне количине података којима се рукује и бројних софистицираних математичких прорачуна укључених.
Прорачуни обуке за дубоко учење, чак и са тако софистицираном технологијом, могу потрајати недељама.
Системи дубоког учења захтевају значајну количину података да би пружили тачне налазе; стога се информације уносе у облику масивних скупова података.
Када обрађују податке, вештачке неуронске мреже могу класификовати информације на основу одговора на низ бинарних да или нетачних питања која укључују веома компликована математичка израчунавања.
Алгоритам за препознавање лица, на пример, учи да идентификује и препозна ивице и линије лица.
Затим значајнији елементи лица, а на крају и читаве представе лица.
Алгоритам се временом обучава, повећавајући вероватноћу правих одговора.
У овој ситуацији, алгоритам за препознавање лица ће временом тачније препознати лица.
Дубоко учење ВС машинско учење
Како се дубоко учење разликује од машинског учења ако је оно његов подскуп?
Дубоко учење се разликује од традиционалног машинског учења по врстама података које користи и методама које користи за учење.
За креирање предвиђања, алгоритми машинског учења користе структуриране, означене податке, што значи да су одређене карактеристике специфициране из улазних података модела и груписане у табеле.
Ово не значи нужно да не користи неструктуриране податке; него, ако јесте, обично пролази кроз неку претходну обраду да би се ставио у структурирани формат.
Дубоко учење укида део претходне обраде података коју машинско учење генерално подразумева.
Ови алгоритми могу да уносе и тумаче неструктуриране податке као што су текст и слике, као и да аутоматизују екстракцију карактеристика, смањујући ослањање на стручњаке за људе.
Замислимо да имамо колекцију слика различитих кућних љубимаца које смо желели да организујемо у категорије као што су „мачка“, „пас“, „хрчак“ и тако даље.
Алгоритми дубоког учења могу открити које су особине (као што су уши) најважније у одвајању једне животиње од друге. Ову хијерархију функција ручно одређује људски стручњак за машинско учење.
Систем дубоког учења се тада мења и прилагођава се за тачност преко градијентно спуштање и пропагацију уназад, омогућавајући му да генерише прецизнија предвиђања о свежем снимку животиње.
Апликације за дубоко учење
КСНУМКС. Цхатботс
Цхатботови могу да реше проблеме са клијентима за неколико секунди. Цхатбот је ан вештачка интелигенција (АИ) алат који вам омогућава да комуницирате на мрежи путем текста или претварања текста у говор.
Може комуницирати и понашати се на исти начин на који то чине људи. Цхатботови се широко користе у корисничкој служби, маркетингу на друштвеним мрежама и размјени тренутних порука клијентима.
Реагује на ваше уносе аутоматским одговорима. Генерише многе облике одговора користећи технике машинског учења и дубоког учења.
2. Аутомобили који се сами возе
Дубоко учење је примарни фактор који стоји иза тога да аутомобили који се сами возе постају стварност.
Милион скупова података се учитава у систем да би се направио модел, обучите машине да уче, а затим проценити налазе у безбедном окружењу.
Убер Вештачка интелигенција Лабс у Питсбургу не само да покушава да учине аутомобиле без возача чешћима, већ и да интегрише бројне паметне функције, као што су могућности испоруке хране, уз коришћење аутомобила без возача.
Најхитнија брига за развој самовозећих возила је суочавање са непредвиђеним догађајима.
Континуирани циклус тестирања и имплементације, типичан за алгоритме дубоког учења, осигурава безбедну вожњу јер је све више изложен милионима сценарија.
3. Виртуелни асистент
Виртуелни помоћници су програми засновани на облаку који препознају гласовне команде на природном језику и раде ствари у ваше име.
Виртуелни асистенти као што су Амазон Алека, Цортана, Сири и Гоогле Ассистант су уобичајени примери.
Да би у потпуности искористили свој потенцијал, потребни су им уређаји повезани на интернет. Када се помоћнику да наредба, она има тенденцију да пружи боље искуство на основу претходних сусрета користећи алгоритме дубоког учења.
КСНУМКС. Забава
Компаније као што су Нетфлик, Амазон, ИоуТубе и Спотифи пружају одговарајуће предлоге филмова, песама и видео снимака својим клијентима како би побољшали њихово искуство.
Дубоко учење је одговорно за све ово.
Фирме за стриминг на мрежи пружају препоруке за производе и услуге на основу историје прегледања, интересовања и активности неке особе.
Алгоритми дубоког учења се такође користе за аутоматску производњу титлова и додавање звука у неме филмове.
5. Роботика
Дубоко учење се широко користи у развоју робота који могу да раде послове попут људи.
Роботи засновани на дубоком учењу користе ажурирања у реалном времену како би открили препреке на својој рути и брзо уредили свој курс.
Може се користити за транспорт ствари у болницама, фабрикама, складиштима, управљање залихама, производњу производа и тако даље.
Бостон Динамицс роботи реагују на људе када их гурају. Могу да испразне машину за прање судова, могу да устану када падну и могу да обављају низ других активности.
КСНУМКС. Здравство
Доктори не могу да буду са својим пацијентима XNUMX сата дневно, али једна ствар коју сви практично увек имамо са собом су наши телефони.
Дубоко учење такође омогућава медицинским технологијама да анализирају податке са слика које снимамо и податке о кретању како би открили потенцијалне здравствене проблеме.
Програм компјутерског вида вештачке интелигенције, на пример, користи ове податке да прати обрасце кретања пацијента да би предвидео падове, као и промене у менталном стању.
Дубоко учење је такође коришћено за идентификацију рака коже помоћу фотографија и још много тога.
7. Обрада природног језика
Развој технологије обраде природног језика омогућио је роботима да читају комуникације и из њих извлаче значење.
Без обзира на то, приступ може бити превише поједностављен, не узимајући у обзир начине на које се речи спајају да би утицале на значење или сврху фразе.
Дубоко учење помаже процесорима природног језика да препознају сложеније обрасце у фразама и пруже тачније тумачење.
8. Компјутерски вид
Дубоко учење покушава да реплицира како људски ум обрађује информације и препознаје обрасце, што га чини идеалним методом за обуку апликација вештачке интелигенције засноване на визији.
Ти системи могу узети низ означених сетова фотографија и научити да препознају предмете као што су авиони, лица и оружје користећи модели дубоког учења.
Дубоко учење у акцији
Осим што ваш омиљени сервис за стримовање музике препоручује песме које би вам се могле свидети, како дубоко учење мења животе људи?
Испоставило се да дубоко учење улази у широк спектар апликација. Свако ко користи Фацебоок приметиће да када објавите нове слике, друштвени сајт често препознаје и означава ваше пријатеље.
Дубоко учење се користи за обраду природног језика и препознавање говора од стране дигиталних помоћника као што су Сири, Цортана, Алека и Гоогле Нов.
Превођење у реалном времену је обезбеђено преко Скајпа. Многе услуге е-поште су напредовале у својој способности да открију нежељене поруке пре него што стигну у пријемно сандуче.
ПаиПал је користио дубоко учење да спречи лажна плаћања. ЦамФинд вам, на пример, омогућава да фотографишете било који објекат и помоћу мобилне технологије визуелног претраживања одредите шта је то.
Дубоко учење се користи за пружање решења посебно од стране Гоогле-а. АлпхаГо, компјутерски програм који је развио Гоогле Деепминд, победио је актуелне Го шампионе.
ВавеНет, који је развио ДеепМинд, може да креира говор који звучи природније од тренутно доступних говорних система. За превођење усмених и текстуалних језика, Гоогле преводилац користи дубоко учење и препознавање слика.
Било која фотографија се може идентификовати помоћу Гоогле Планета. Да би помогао у развоју АИ апликација, Гоогле је креирао Тенсорфлов дубоко учење софтверска база података.
Будућност дубоког учења
Дубоко учење је незаобилазна тема током разговора о технологији. Непотребно је рећи да се дубоко учење развило у један од најважнијих елемената технологије.
Организације су некада биле једине заинтересоване за технологије попут вештачке интелигенције, дубоког учења, машинског учења и тако даље. Појединци такође постају заинтересовани за овај елемент технологије, посебно за дубоко учење.
Један од многих разлога зашто дубоко учење добија толико пажње је његов капацитет да омогући боље одлуке засноване на подацима, а истовремено побољшава тачност предвиђања.
Алати за развој дубоког учења, библиотеке и језици би могли постати редовне компоненте било ког алата за развој софтвера за неколико година.
Ови тренутни сетови алата ће утрти пут за једноставно дизајнирање, подешавање и обуку нових модела.
Трансформација стила, аутоматско означавање, музичко стваралаштво, а друге задатке би било много лакше обавити са овим вештинама.
Потражња за брзим кодирањем никада није била већа.
Програмери дубоког учења ће све више користити интегрисана, отворена, развојна окружења заснована на облаку која омогућавају приступ широком спектру стандардних библиотека алгоритама који се могу прикључити у будућности.
Дубоко учење има веома светлу будућност!
Корист од а неуронска мрежа је то што се истиче у раду са великим количинама хетерогених података (мислите на све са чим наш мозак мора да се бави, све време).
Ово је посебно тачно у нашем добу моћних паметних сензора, који могу да прикупљају огромне количине података. Традиционални рачунарски системи се боре да пробију, категоришу и извуку закључке из толико података.
Zakljucak
Дееп леарнинг овлашћења већина решења вештачке интелигенције (АИ) која могу побољшати аутоматизацију и аналитику процеси.
Већина појединаца свакодневно долази у контакт са дубоким учењем када користе интернет или своје мобилне телефоне.
Дубоко учење се користи за производњу титлова за ИоуТубе видео записе. Спроведите препознавање гласа на телефонима и паметним звучницима.
Дајте идентификацију лица за слике и дозволите аутомобиле који се сами возе, између многих других употреба.
И како се научници података и академици баве све компликованијим пројекти дубоког учења који користе оквире дубоког учења, ова врста вештачке интелигенције ће постати све важнији део нашег свакодневног живота.
Ostavite komentar