Зміст[Сховати][Показати]
Ідея про те, що роботи розумніші за людей, захоплювала нашу колективну уяву протягом тих пір, поки існує наукова фантастика.
Проте, хоча штучний інтелект (AI) ще не досяг цього рівня, ми зробили значний прорив у генерації машинного інтелекту, як довели Google, Tesla та Uber, які тестували самокеровані автомобілі.
Масштабованість і корисність глибокого навчання, підходу машинного навчання, який забезпечує цей технічний прогрес, частково відповідає за успішний перехід ШІ від університетів і дослідницьких лабораторій до продуктів.
Наступна комп’ютерна революція буде побудована на штучному інтелекті, глибокому навчанні та навчання за допомогою машини.
Ці технології засновані на здатності розрізняти закономірності, а потім прогнозувати майбутні події на основі даних, зібраних у минулому. Це пояснює, чому Amazon створює ідеї, коли ви купуєте в Інтернеті, або як Netflix знає, що вам подобаються жахливі фільми 1980-х.
Хоча комп’ютери, які використовують концепції ШІ, іноді називають «розумними», більшість із цих систем не навчаються самостійно; потрібна взаємодія людини.
Дослідники даних готують вхідні дані, вибираючи змінні, які будуть застосовані прогностична аналітика. Глибоке навчання, з іншого боку, може виконувати цю функцію автоматично.
Ця публікація слугує довідником для всіх любителів даних, які хочуть дізнатися більше про глибоке навчання, його широту та майбутній потенціал.
Що таке глибоке навчання?
Глибоке навчання можна розглядати як підмножину машинного навчання.
Це сфера, яка побудована на самонавчанні та вдосконаленні шляхом вивчення комп’ютерних алгоритмів.
Глибоке навчання, на відміну від машинного навчання, працює зі штучним нейронні мережі, які повинні імітувати те, як люди думають і вчаться. Донедавна нейронні мережі були обмежені за складністю через обмеження потужності комп’ютера.
Проте досягнення в аналітиці великих даних дозволили створити більші й потужніші нейронні мережі, що дає змогу комп’ютерам відстежувати, розуміти й реагувати на складні ситуації швидше, ніж люди.
Радимо прочитати – Пояснення архітектури нейронної мережі Tesla
Категоризація зображень, мовний переклад і розпізнавання мовлення – все це виграло від глибокого навчання. Він може вирішити будь-яку проблему розпізнавання образів без необхідності взаємодії з людиною.
По суті, це три або більше шарів нейронної мережі. Ці нейронні мережі прагнуть імітувати діяльність людського мозку, хоча й з обмеженим успіхом, дозволяючи йому «навчатися» з величезних обсягів даних.
Хоча один шар нейронної мережі все ще може давати приблизні прогнози, більш приховані шари можуть допомогти в оптимізації та налаштуванні на точність.
Що таке нейронна мережа?
Штучні нейронні мережі засновані на нейронних мережах, які спостерігаються в мозку людини. Зазвичай нейронна мережа складається з трьох шарів.
Три рівні: вхідний, вихідний і прихований. Нейронна мережа в дії показано на схемі нижче.
Оскільки нейронна мережа, показана вище, має лише один прихований шар, її називають «мілкою нейронною мережею».
До таких систем додається більше прихованих шарів для формування більш складних структур.
Що таке Deep Network?
У глибокій мережі додається багато прихованих шарів.
Навчання таких проектів стає дедалі складнішим, оскільки кількість прихованих шарів у мережі зростає, не тільки щодо часу, необхідного для належного навчання мережі, але й з точки зору необхідних ресурсів.
Нижче показано глибоку мережу з входом, чотирма прихованими шарами та виходом.
Як працює глибоке навчання?
Нейронні мережі складаються з шарів вузлів, подібно до того, як нейрони утворюють мозок людини. Окремі вузли шару пов’язані з вузлами сусідніх шарів.
Кількість шарів у мережі вказує на її глибину. Один нейрон у людський мозок отримує тисячі повідомлень.
Сигнали переміщуються між вузлами штучної нейронної мережі, яка призначає їм ваги.
Вузол з більшою вагою має більший вплив на вузли під ним. Останній рівень об’єднує зважені вхідні дані, щоб забезпечити вихід.
Системи глибокого навчання потребують потужного апаратного забезпечення через велику кількість оброблюваних даних і численні складні математичні обчислення.
Розрахунки навчання для глибокого навчання, навіть з такою складною технологією, можуть зайняти тижні.
Системи глибокого навчання вимагають значної кількості даних для надання правильних висновків; отже, інформація подається у вигляді масивних наборів даних.
Під час обробки даних штучні нейронні мережі можуть класифікувати інформацію на основі відповідей на послідовність двійкових запитань «так» або «неправда», які передбачають дуже складні математичні обчислення.
Наприклад, алгоритм розпізнавання обличчя вчиться розпізнавати і розпізнавати краї та лінії облич.
Потім більш значущі елементи облич, а зрештою цілі уявлення облич.
Алгоритм тренується з часом, збільшуючи ймовірність правильних відповідей.
У цій ситуації алгоритм розпізнавання облич з часом розпізнає обличчя більш правильно.
Глибоке навчання проти машинного навчання
Чим глибоке навчання відрізняється від машинного навчання, якщо воно є його підмножиною?
Глибоке навчання відрізняється від традиційного машинного навчання типами даних, які воно використовує, і методами навчання.
Для створення прогнозів алгоритми машинного навчання використовують структуровані, мічені дані, що означає, що певні характеристики вказуються з вхідних даних моделі та групуються в таблиці.
Це не обов’язково означає, що він не використовує неструктуровані дані; скоріше, якщо це так, то зазвичай він проходить певну попередню обробку, щоб перевести його у структурований формат.
Глибоке навчання усуває частину попередньої обробки даних, яку зазвичай тягне за собою машинне навчання.
Ці алгоритми можуть приймати й інтерпретувати неструктуровані дані, такі як текст і зображення, а також автоматизувати вилучення ознак, зменшуючи залежність від спеціалістів.
Уявімо, що у нас є колекція зображень різних домашніх тварин, які ми хотіли організувати за такими категоріями, як «кішка», «собака», «хом’як» тощо.
Алгоритми глибокого навчання можуть визначити, які риси (наприклад, вуха) є найважливішими для відокремлення однієї тварини від іншої. Ця ієрархія функцій визначається вручну спеціалістом з машинного навчання.
Потім система глибокого навчання змінюється та адаптується для точності через градієнтний спуск і зворотне поширення, що дозволяє генерувати більш точні прогнози щодо свіжого знімка тварини.
Програми для глибокого навчання
1 Чабаботи
Чат-боти можуть вирішити проблеми клієнта за лічені секунди. Чат-бот - це штучний інтелект (AI) інструмент, який дозволяє спілкуватися онлайн за допомогою тексту або синтезу мовлення.
Він може спілкуватися і діяти так само, як і люди. Чат-боти широко використовуються в обслуговуванні клієнтів, маркетингу в соціальних мережах та обміну миттєвими повідомленнями.
Він реагує на ваші введення автоматичними відповідями. Він генерує багато форм відповідей, використовуючи методи машинного навчання та глибокого навчання.
2. Самокеровані автомобілі
Глибоке навчання є основним фактором того, що самокеровані автомобілі стають реальністю.
Для створення моделі в систему завантажується мільйон наборів даних, навчити машини навчатися, а потім оцініть результати в безпечному середовищі.
Uber Штучний Інтелект Лабораторії в Піттсбурзі не тільки намагаються зробити безпілотні автомобілі більш поширеними, але й інтегрувати численні інтелектуальні функції, такі як можливості доставки їжі, з використанням безпілотних автомобілів.
Найважливіше занепокоєння для розвитку безпілотних транспортних засобів – це непередбачувані події.
Безперервний цикл тестування та впровадження, типовий для алгоритмів глибокого навчання, гарантує безпечне водіння, оскільки він все більше піддається мільйонам сценаріїв.
3. Віртуальний помічник
Віртуальні помічники — це хмарні програми, які розпізнають голосові команди природною мовою та виконують дії від вашого імені.
Віртуальні помічники, такі як Amazon Alexa, Cortana, Siri та Google Assistant, є типовими прикладами.
Щоб повністю використати свій потенціал, їм потрібні пристрої, підключені до Інтернету. Коли команда дається помічнику, він, як правило, забезпечує кращий досвід на основі попередніх зустрічей з використанням алгоритмів глибокого навчання.
4. Розваги
Такі компанії, як Netflix, Amazon, YouTube і Spotify, надають своїм клієнтам відповідні пропозиції щодо фільмів, пісень і відео, щоб покращити їхній досвід.
За все це відповідає Deep Learning.
Компанії онлайн-трансляції надають рекомендації щодо продуктів і послуг на основі історії перегляду, інтересів та активності людини.
Алгоритми глибокого навчання також використовуються для автоматичного створення субтитрів і додавання звуку до німих фільмів.
5. Робототехніка
Глибоке навчання широко використовується для розробки роботів, які можуть виконувати роботу, схожу на людину.
Роботи, що працюють на основі глибокого навчання, використовують оновлення в режимі реального часу, щоб виявляти перешкоди на своєму маршруті та швидко організувати свій курс.
Його можна використовувати для транспортування речей у лікарнях, фабриках, складах, управління запасами, виготовлення продукції тощо.
Роботи Boston Dynamics реагують на людей, коли їх штовхають. Вони можуть спорожнити посудомийну машину, вони можуть вставати, коли падають, і вони можуть виконувати низку інших видів діяльності.
6. Охорона здоров'я
Лікарі не можуть бути зі своїми пацієнтами цілодобово, але одна річ, яку ми всі практично завжди маємо, це наші телефони.
Глибоке навчання також дозволяє медичним технологіям аналізувати дані з зображень, які ми фіксуємо, і дані про рух, щоб виявити потенційні проблеми зі здоров’ям.
Наприклад, програма комп’ютерного зору AI використовує ці дані, щоб стежити за моделями рухів пацієнта, щоб прогнозувати падіння, а також зміни в психічному стані.
Глибоке навчання також використовувалося для виявлення раку шкіри за допомогою фотографій та багато іншого.
7. Обробка природної мови
Розвиток технології обробки природної мови дозволив роботам читати повідомлення та отримувати з них сенс.
Тим не менш, підхід може бути занадто спрощеним, не враховуючи способи з’єднання слів, щоб впливати на значення або мету фрази.
Глибоке навчання допомагає процесорам природної мови розпізнавати складніші шаблони у фразах і забезпечувати точнішу інтерпретацію.
8. Комп’ютерний зір
Глибоке навчання намагається відтворити те, як людський розум обробляє інформацію та розпізнає шаблони, що робить його ідеальним методом для навчання додатків штучного інтелекту на основі зору.
Ці системи можуть приймати серію позначених наборів фотографій і вчитися розпізнавати такі предмети, як літаки, обличчя та зброю, використовуючи моделі глибокого навчання.
Глибоке навчання в дії
Окрім того, що ваш улюблений сервіс потокової передачі музики рекомендує пісні, які вам можуть сподобатися, як глибоке навчання змінює життя людей?
Виявляється, глибоке навчання пробивається в широкий спектр застосувань. Кожен, хто користується Facebook, помітить, що, коли ви публікуєте нові зображення, соціальний сайт часто впізнає та позначає ваших друзів.
Глибоке навчання використовується для обробки природної мови та розпізнавання мовлення такими цифровими помічниками, як Siri, Cortana, Alexa і Google Now.
Переклад у режимі реального часу здійснюється через Skype. Багато служб електронної пошти вдосконалили свою здатність виявляти спам-повідомлення, перш ніж вони потраплять до папки "Вхідні".
PayPal використовує глибоке навчання для запобігання шахрайським платежам. CamFind, наприклад, дозволяє сфотографувати будь-який об’єкт і за допомогою мобільної технології візуального пошуку визначити, що це таке.
Зокрема, Google використовує глибоке навчання для надання рішень. AlphaGo, комп’ютерна програма, розроблена Google Deepmind, переграла нинішніх чемпіонів Go.
WaveNet, розроблений DeepMind, може створювати мову, яка звучить природніше, ніж доступні в даний час мовні системи. Для перекладу усних і текстових мов Google Translate використовує глибоке навчання та розпізнавання зображень.
Будь-яку фотографію можна ідентифікувати за допомогою Google Planet. Щоб допомогти в розробці додатків AI, Google створив Глибоке навчання Tensorflow програмна база даних.
Майбутнє глибокого навчання
Глибоке навчання – неминуча тема під час обговорення технологій. Зайве говорити, що глибоке навчання перетворилося на один з найважливіших елементів технології.
Раніше організації були єдиними, хто цікавився технологіями, такими як ШІ, глибоке навчання, машинне навчання тощо. Люди теж починають цікавитися цим елементом технології, особливо глибоким навчанням.
Однією з багатьох причин, чому глибокому навчанню приділяється так багато уваги, є його здатність приймати кращі рішення на основі даних, а також підвищувати точність передбачення.
Інструменти розробки глибокого навчання, бібліотеки та мови цілком можуть стати регулярними компонентами будь-якого інструментарію розробки програмного забезпечення за кілька років.
Ці поточні набори інструментів прокладуть шлях для простого проектування, налаштування та навчання нових моделей.
Трансформація стилю, автоматичне тегування, створення музики, і інші завдання було б набагато легше виконувати з цими навичками.
Попит на швидке кодування ніколи не був таким.
Розробники глибокого навчання все частіше використовуватимуть інтегровані відкриті хмарні середовища розробки, які нададуть доступ до широкого спектру готових і підключаються бібліотек алгоритмів у майбутньому.
У глибокого навчання дуже світле майбутнє!
Переваги а нейронної мережі полягає в тому, що він відмінно справляється з великими обсягами різнорідних даних (подумайте про все, з чим наш мозок постійно має справу).
Це особливо актуально в наш час потужних розумних датчиків, які можуть збирати величезні обсяги даних. Традиційні комп’ютерні системи намагаються просіяти, класифікувати та зробити висновки з такої кількості даних.
Висновок
Глибоке навчання повноваження більшість рішень штучного інтелекту (AI), які можуть покращити автоматизацію та аналітику процесів.
Більшість людей щодня стикаються з глибоким навчанням, коли користуються Інтернетом або мобільними телефонами.
Глибоке навчання використовується для створення субтитрів для відео YouTube. Здійснюйте розпізнавання голосу на телефонах і розумних колонках.
Надайте зображення для ідентифікації обличчя та дозвольте керувати автомобілем, серед багатьох інших застосувань.
І оскільки науковці даних і науковці займаються все більш складними проекти глибокого навчання з використанням фреймворків глибокого навчання, цей вид штучного інтелекту стане все більш важливою частиною нашого повсякденного життя.
залишити коментар