只要有科幻小说,机器人比人类更聪明的概念就已经吸引了我们的集体想象力。
然而,虽然人工智能 (AI) 尚未达到这一水平,但我们在生成机器智能方面取得了重大突破,谷歌、特斯拉和优步对自动驾驶汽车的测试证明了这一点。
深度学习是实现这种技术进步的机器学习方法,其可扩展性和实用性是人工智能从大学和研究实验室成功过渡到产品的部分原因。
下一次计算机革命将建立在人工智能、深度学习和 机器学习.
这些技术建立在识别模式的能力之上,然后根据过去收集的数据预测未来事件。 这就解释了为什么亚马逊会在您在线购买时产生创意,或者 Netflix 如何知道您喜欢糟糕的 1980 年代电影。
尽管使用 AI 概念的计算机有时被称为“智能”,但这些系统中的大多数都不是自行学习的; 需要人机交互。
数据科学家通过选择将应用的变量来准备输入 预测分析. 另一方面,深度学习可以自动执行此功能。
这篇文章可作为任何有兴趣了解更多关于深度学习、其广度和未来潜力的数据爱好者的现场指南。
什么是深度学习?
深度学习可以被认为是机器学习的一个子集。
这是一个建立在通过检查计算机算法进行自我学习和改进的领域。
与机器学习相反,深度学习与人工 神经网络,它们应该模仿人们的思考和学习方式。 直到最近,由于计算机能力的限制,神经网络的复杂性受到限制。
然而,大数据分析的进步已经使更大、更强大的神经网络成为可能,使计算机能够比人类更快地监控、理解和响应复杂的情况。
我们推荐阅读—— 特斯拉神经网络架构解释
图像分类、语言翻译和语音识别都受益于深度学习。 它可以解决任何模式识别问题,而无需人工交互。
它本质上是三层或更多层 神经网络. 这些神经网络试图模仿人类大脑的活动,尽管成功有限,但它能够从大量数据中“学习”。
虽然神经网络的单层仍然可以产生近似预测,但更多的隐藏层可以帮助优化和调整准确性。
什么是神经网络?
人工神经网络基于人脑中的神经网络。 通常,神经网络由三层组成。
这三个层次是输入、输出和隐藏。 下图中可以看到正在运行的神经网络。
由于上面显示的神经网络只有一个隐藏层,因此被称为“浅层神经网络”。
更多的隐藏层被添加到这样的系统中以形成更复杂的结构。
什么是深度网络?
在深度网络中,添加了许多隐藏层。
随着网络中隐藏层数量的增加,训练此类设计变得越来越复杂,不仅涉及正确训练网络所需的时间,还涉及所需的资源。
一个具有输入、四个隐藏层和一个输出的深度网络如下所示。
深度学习是如何工作的?
神经网络由多层节点组成,类似于神经元构成人脑的方式。 各个层节点链接到相邻层中的节点。
网络中的层数表示其深度。 单个神经元 人类的大脑 接收数千条消息。
信号在人工神经网络的节点之间移动,人工神经网络为它们分配权重。
权重较高的节点对其下方的节点影响较大。 最后一层组合加权输入以提供输出。
由于处理大量数据和涉及大量复杂的数学计算,深度学习系统需要强大的硬件。
即使使用如此复杂的技术,深度学习训练计算也可能需要数周时间。
深度学习系统需要大量数据才能提供正确的发现; 因此,信息以海量数据集的形式提供。
在处理数据时,人工神经网络可以根据对涉及非常复杂的数学计算的一系列二进制是或假问题的响应对信息进行分类。
例如,面部识别算法学习识别和识别面部的边缘和线条。
然后是更重要的面部元素,最终是面部的完整表示。
该算法会随着时间的推移进行自我训练,从而增加正确回复的可能性。
在这种情况下,人脸识别算法会随着时间的推移更准确地识别人脸。
深度学习 VS 机器学习
如果深度学习是机器学习的一个子集,它与机器学习有何不同?
深度学习与传统机器学习的不同之处在于它使用的数据类型和用于学习的方法。
为了创建预测,机器学习算法使用结构化的标记数据,这意味着从模型的输入数据中指定某些特征并分组到表格中。
这并不一定意味着它不使用非结构化数据; 相反,如果确实如此,它通常会经过一些预处理以将其转换为结构化格式。
深度学习消除了机器学习通常需要的部分数据预处理。
这些算法可以摄取和解释文本和图片等非结构化数据,以及自动提取特征,从而减少对人类专家的依赖。
假设我们有一系列不同宠物的图像,我们想将它们组织成“猫”、“狗”、“仓鼠”等类别。
深度学习算法可以找出哪些特征(如耳朵)对于区分一种动物和另一种动物最重要。 此特征层次结构由机器学习领域的人类专家手动确定。
然后,深度学习系统会通过以下方式改变并适应自身的准确性: 梯度下降 和反向传播,使其能够对动物的最新快照产生更精确的预测。
深度学习应用
1。 聊天机器人
聊天机器人可以在几秒钟内解决客户问题。 聊天机器人是 人工智能 (AI) 工具,可让您通过文本或文本转语音进行在线交流。
它可以像人类一样进行交流和行为。 聊天机器人广泛用于客户服务、社交媒体营销和客户即时通讯。
它会自动回复您的输入。 它使用机器学习和深度学习技术生成多种形式的回复。
2.自动驾驶汽车
深度学习是自动驾驶汽车成为现实的主要因素。
将一百万个数据集加载到系统中以创建模型, 训练机器学习,然后在安全的环境中评估调查结果。
优步 人工智能 匹兹堡的实验室不仅试图让无人驾驶汽车更普遍,而且还将许多智能功能(例如送餐的可能性)与无人驾驶汽车的使用相结合。
自动驾驶汽车开发最紧迫的担忧是处理意外事件。
深度学习算法典型的测试和实施的持续循环可确保安全驾驶,因为它越来越多地暴露在数百万种场景中。
3。 虚拟助手
虚拟助手是基于云的程序,可识别自然语言语音命令并代表您执行操作。
Amazon Alexa、Cortana、Siri 和 Google Assistant 等虚拟助手是常见的例子。
为了充分发挥他们的潜力,他们需要联网设备。 当向助手发出命令时,它往往会根据之前使用深度学习算法的遭遇来提供更好的体验。
4。 娱乐
Netflix、亚马逊、YouTube 和 Spotify 等公司向客户提供适当的电影、歌曲和视频建议,以改善他们的体验。
深度学习负责所有这些。
在线流媒体公司根据个人的浏览历史、兴趣和活动提供产品和服务推荐。
深度学习算法 也用于自动制作字幕和为无声电影添加声音。
5。 机器人
深度学习被广泛用于开发可以做类似人类工作的机器人。
深度学习驱动的机器人采用实时更新来检测路线中的障碍并快速安排路线。
可用于医院、工厂、仓库、库存管理、产品制造等的物品运输。
波士顿动力公司的机器人在人类被推时会做出反应。 他们可以清空洗碗机,跌倒时可以站起来,还可以完成各种其他活动。
6。 卫生保健
医生不能全天候与他们的病人在一起,但我们几乎总是随身携带的一件事就是我们的手机。
深度学习还允许医疗技术分析来自我们捕获的图像和运动数据的数据,以发现潜在的健康问题。
例如,人工智能的计算机视觉程序使用这些数据来跟踪患者的运动模式,以预测跌倒以及精神状态的变化。
深度学习也被用于使用照片等来识别皮肤癌。
7。 自然语言处理
开发自然语言处理技术使机器人能够阅读通信并从中获取意义。
尽管如此,该方法可能过于简单化,无法解释单词连接以影响短语的含义或目的的方式。
深度学习帮助自然语言处理器识别短语中更复杂的模式并提供更准确的解释。
8. 计算机视觉
深度学习试图复制人类大脑处理信息和识别模式的方式,使其成为训练基于视觉的人工智能应用程序的理想方法。
这些系统可以接收一系列标记的照片集,并学习识别飞机、面孔和武器等物品 深度学习模型.
行动中的深度学习
除了您最喜欢的音乐流媒体服务推荐您可能喜欢的歌曲之外,深度学习如何改变人们的生活?
事实证明,深度学习正在进入广泛的应用领域。 任何使用 Facebook 的人都会注意到,当您发布新图片时,社交网站会经常识别并标记您的朋友。
深度学习被 Siri、Cortana、Alexa 和 Google Now 等数字助理用于自然语言处理和语音识别。
通过 Skype 提供实时翻译。 许多电子邮件服务已经提高了在垃圾邮件到达收件箱之前检测垃圾邮件的能力。
PayPal 使用深度学习来防止欺诈性支付。 例如,CamFind 允许您拍摄任何物体的照片,并使用移动视觉搜索技术确定它是什么。
谷歌特别使用深度学习来提供解决方案。 由 Google Deepmind 开发的计算机程序 AlphaGo 击败了当前的围棋冠军。
由 DeepMind 开发的 WaveNet 可以创建比目前可用的语音系统听起来更自然的语音。 为了翻译口语和文本语言,谷歌翻译采用了深度学习和图片识别。
任何照片都可以使用 Google 星球进行识别。 为了帮助开发人工智能应用程序,谷歌创建了 TensorFlow 深度学习 软件数据库。
深度学习的未来
深度学习是讨论技术时无法回避的话题。 不用说,深度学习已经发展成为技术中最关键的元素之一。
组织曾经是唯一对人工智能、深度学习、机器学习等技术感兴趣的人。 个人也开始对这一技术元素感兴趣,尤其是深度学习。
深度学习受到如此多关注的众多原因之一是它能够在提高预测准确性的同时做出更好的数据驱动决策。
深度学习开发工具、库和语言很可能在几年内成为任何软件开发工具包的常规组件。
这些当前的工具集将为新模型的简单设计、设置和训练铺平道路。
风格转换,自动标记, 音乐创作,使用这些技能可以更轻松地完成其他任务。
对快速编码的需求从未如此强烈。
深度学习开发人员将越来越多地使用集成的、开放的、基于云的开发环境,这些环境允许在未来访问各种现成的和可插拔的算法库。
深度学习有着非常光明的未来!
一个的好处 神经网络 是它擅长处理大量异构数据(想想我们的大脑必须处理的一切,一直)。
在我们这个强大的智能传感器时代尤其如此,它可以收集大量数据。 传统的计算机系统正在努力从如此多的数据中筛选、分类和得出结论。
结论
深入学习 权力 大多数可以提高自动化和分析能力的人工智能 (AI) 解决方案 流程。
大多数人每天在使用互联网或手机时都会接触到深度学习。
深度学习用于为 YouTube 视频制作字幕。 在手机和智能扬声器上进行语音识别。
为图像提供面部识别,并允许自动驾驶汽车,以及许多其他用途。
而且,随着数据科学家和学者处理越来越复杂的问题 使用深度学习框架的深度学习项目,这种人工智能将成为我们日常生活中越来越重要的一部分。
发表评论