只要有科幻小說,機器人比人類更聰明的概念就已經吸引了我們的集體想像力。
然而,雖然人工智能 (AI) 尚未達到這一水平,但我們在生成機器智能方面取得了重大突破,谷歌、特斯拉和優步對自動駕駛汽車的測試證明了這一點。
深度學習是實現這種技術進步的機器學習方法,其可擴展性和實用性是人工智能從大學和研究實驗室成功過渡到產品的部分原因。
下一次計算機革命將建立在人工智能、深度學習和 機器學習.
這些技術建立在識別模式的能力之上,然後根據過去收集的數據預測未來事件。 這就解釋了為什麼亞馬遜會在您在線購買時產生創意,或者 Netflix 如何知道您喜歡糟糕的 1980 年代電影。
儘管使用 AI 概念的計算機有時被稱為“智能”,但這些系統中的大多數都不是自行學習的; 需要人機交互。
數據科學家通過選擇將應用的變量來準備輸入 預測分析. 另一方面,深度學習可以自動執行此功能。
這篇文章可作為任何有興趣了解更多關於深度學習、其廣度和未來潛力的數據愛好者的現場指南。
什麼是深度學習?
深度學習可以被認為是機器學習的一個子集。
這是一個建立在通過檢查計算機算法進行自我學習和改進的領域。
與機器學習相反,深度學習與人工 神經網絡,它們應該模仿人們的思考和學習方式。 直到最近,由於計算機能力的限制,神經網絡的複雜性受到限制。
然而,大數據分析的進步已經使更大、更強大的神經網絡成為可能,使計算機能夠比人類更快地監控、理解和響應複雜的情況。
我們推薦閱讀—— 特斯拉神經網絡架構解釋
圖像分類、語言翻譯和語音識別都受益於深度學習。 它可以解決任何模式識別問題,而無需人工交互。
它本質上是三層或更多層 神經網絡. 這些神經網絡試圖模仿人腦的活動,儘管成功有限,但使其能夠從大量數據中“學習”。
雖然神經網絡的單層仍然可以產生近似預測,但更多的隱藏層可以幫助優化和調整準確性。
什麼是神經網絡?
人工神經網絡基於人腦中的神經網絡。 通常,神經網絡由三層組成。
這三個層次是輸入、輸出和隱藏。 下圖中可以看到正在運行的神經網絡。
由於上面顯示的神經網絡只有一個隱藏層,因此被稱為“淺層神經網絡”。
更多的隱藏層被添加到這樣的系統中以形成更複雜的結構。
什麼是深度網絡?
在深度網絡中,添加了許多隱藏層。
隨著網絡中隱藏層數量的增加,訓練此類設計變得越來越複雜,不僅涉及正確訓練網絡所需的時間,還涉及所需的資源。
一個具有輸入、四個隱藏層和一個輸出的深度網絡如下所示。
深度學習是如何工作的?
神經網絡由多層節點組成,類似於神經元構成人腦的方式。 各個層節點鏈接到相鄰層中的節點。
網絡中的層數表示其深度。 單個神經元 人類的大腦 接收數千條消息。
信號在人工神經網絡的節點之間移動,人工神經網絡為它們分配權重。
權重較高的節點對其下方的節點影響較大。 最後一層組合加權輸入以提供輸出。
由於處理大量數據和涉及大量複雜的數學計算,深度學習系統需要強大的硬件。
即使使用如此復雜的技術,深度學習訓練計算也可能需要數週時間。
深度學習系統需要大量數據才能提供正確的發現; 因此,信息以海量數據集的形式提供。
在處理數據時,人工神經網絡可以根據對涉及非常複雜的數學計算的一系列二進制是或假問題的響應對信息進行分類。
例如,面部識別算法學習識別和識別面部的邊緣和線條。
然後是更重要的面部元素,最終是面部的完整表示。
該算法會隨著時間的推移進行自我訓練,從而增加正確回复的可能性。
在這種情況下,人臉識別算法會隨著時間的推移更準確地識別人臉。
深度學習 VS 機器學習
如果深度學習是機器學習的一個子集,它與機器學習有何不同?
深度學習與傳統機器學習的不同之處在於它使用的數據類型和用於學習的方法。
為了創建預測,機器學習算法使用結構化的標記數據,這意味著從模型的輸入數據中指定某些特徵並分組到表中。
這並不一定意味著它不使用非結構化數據; 相反,如果確實如此,它通常會經過一些預處理以將其轉換為結構化格式。
深度學習消除了機器學習通常需要的部分數據預處理。
這些算法可以攝取和解釋文本和圖片等非結構化數據,以及自動提取特徵,從而減少對人類專家的依賴。
假設我們有一系列不同寵物的圖像,我們想將它們組織成“貓”、“狗”、“倉鼠”等類別。
深度學習算法可以找出哪些特徵(例如耳朵)對於區分一種動物和另一種動物是最重要的。 此特徵層次結構由機器學習領域的人類專家手動確定。
然後,深度學習系統會通過以下方式改變並適應自身的準確性: 梯度下降 和反向傳播,使其能夠對動物的最新快照產生更精確的預測。
深度學習應用
1。 聊天機器人
聊天機器人可以在幾秒鐘內解決客戶問題。 聊天機器人是 人工智能 (AI) 工具,可讓您通過文本或文本轉語音進行在線交流。
它可以像人類一樣進行交流和行為。 聊天機器人廣泛用於客戶服務、社交媒體營銷和客戶即時通訊。
它會自動回复您的輸入。 它使用機器學習和深度學習技術生成多種形式的回复。
2.自動駕駛汽車
深度學習是自動駕駛汽車成為現實的主要因素。
將一百萬個數據集加載到系統中以創建模型, 訓練機器學習,然後在安全的環境中評估調查結果。
優步 人工智能 匹茲堡的實驗室不僅試圖讓無人駕駛汽車變得更加普遍,而且還將許多智能功能(例如送餐的可能性)與無人駕駛汽車的使用相結合。
自動駕駛汽車開發最緊迫的擔憂是處理意外事件。
深度學習算法典型的測試和實施的持續循環可確保安全駕駛,因為它越來越多地暴露在數百萬種場景中。
3.虛擬助手
虛擬助手是基於雲的程序,可識別自然語言語音命令並代表您執行操作。
Amazon Alexa、Cortana、Siri 和 Google Assistant 等虛擬助手是常見的例子。
為了充分發揮他們的潛力,他們需要聯網設備。 當向助手發出命令時,它往往會根據之前使用深度學習算法的遭遇來提供更好的體驗。
4。 娛樂
Netflix、亞馬遜、YouTube 和 Spotify 等公司向客戶提供適當的電影、歌曲和視頻建議,以改善他們的體驗。
深度學習負責所有這些。
在線流媒體公司根據個人的瀏覽歷史、興趣和活動提供產品和服務推薦。
深度學習算法 也用於自動製作字幕和為無聲電影添加聲音。
5。 機器人
深度學習被廣泛用於開發可以做類似人類工作的機器人。
深度學習驅動的機器人採用實時更新來檢測路線中的障礙并快速安排路線。
可用於醫院、工廠、倉庫、庫存管理、產品製造等的物品運輸。
波士頓動力公司的機器人在人類被推時會做出反應。 他們可以清空洗碗機,跌倒時可以站起來,還可以完成各種其他活動。
6。 衛生保健
醫生不能全天候與他們的病人在一起,但我們幾乎總是隨身攜帶的一件事就是我們的手機。
深度學習還允許醫療技術分析來自我們捕獲的圖像和運動數據的數據,以發現潛在的健康問題。
例如,人工智能的計算機視覺程序使用這些數據來跟踪患者的運動模式,以預測跌倒以及精神狀態的變化。
深度學習也被用於使用照片等來識別皮膚癌。
7.自然語言處理
開發自然語言處理技術使機器人能夠閱讀通信並從中獲取意義。
儘管如此,該方法可能過於簡單化,無法解釋單詞連接以影響短語的含義或目的的方式。
深度學習幫助自然語言處理器識別短語中更複雜的模式並提供更準確的解釋。
8.計算機視覺
深度學習試圖複製人類大腦處理信息和識別模式的方式,使其成為訓練基於視覺的人工智能應用程序的理想方法。
這些系統可以接收一系列標記的照片集,並學習識別飛機、面孔和武器等物品 深度學習模型.
行動中的深度學習
除了您最喜歡的音樂流媒體服務推薦您可能喜歡的歌曲之外,深度學習如何改變人們的生活?
事實證明,深度學習正在進入廣泛的應用領域。 任何使用 Facebook 的人都會注意到,當您發布新圖片時,社交網站會經常識別並標記您的朋友。
深度學習被 Siri、Cortana、Alexa 和 Google Now 等數字助理用於自然語言處理和語音識別。
通過 Skype 提供實時翻譯。 許多電子郵件服務已經提高了在垃圾郵件到達收件箱之前檢測垃圾郵件的能力。
PayPal 使用深度學習來防止欺詐性支付。 例如,CamFind 允許您拍攝任何物體的照片,並使用移動視覺搜索技術確定它是什麼。
谷歌特別使用深度學習來提供解決方案。 由 Google Deepmind 開發的計算機程序 AlphaGo 擊敗了當前的圍棋冠軍。
由 DeepMind 開發的 WaveNet 可以創建比目前可用的語音系統聽起來更自然的語音。 為了翻譯口語和文本語言,谷歌翻譯採用了深度學習和圖片識別。
任何照片都可以使用 Google 星球進行識別。 為了幫助開發人工智能應用程序,谷歌創建了 TensorFlow 深度學習 軟件數據庫。
深度學習的未來
深度學習是討論技術時無法迴避的話題。 不用說,深度學習已經發展成為技術中最關鍵的元素之一。
組織曾經是唯一對人工智能、深度學習、機器學習等技術感興趣的人。 個人也開始對這一技術元素感興趣,尤其是深度學習。
深度學習受到如此多關注的眾多原因之一是它能夠做出更好的數據驅動決策,同時還能提高預測準確性。
深度學習開發工具、庫和語言很可能在幾年內成為任何軟件開發工具包的常規組件。
這些當前的工具集將為新模型的簡單設計、設置和訓練鋪平道路。
風格轉換,自動標記, 音樂創作,使用這些技能可以更輕鬆地完成其他任務。
對快速編碼的需求從未如此強烈。
深度學習開發人員將越來越多地使用集成的、開放的、基於雲的開發環境,這些環境允許在未來訪問各種現成的和可插拔的算法庫。
深度學習有著非常光明的未來!
的好處 神經網絡 是它擅長處理大量異構數據(想想我們的大腦必須處理的一切,一直)。
在我們這個強大的智能傳感器時代尤其如此,它可以收集大量數據。 傳統的計算機系統正在努力從如此多的數據中篩選、分類和得出結論。
結論
深入學習 權力 大多數可以提高自動化和分析能力的人工智能 (AI) 解決方案 流程。
大多數人每天在使用互聯網或手機時都會接觸到深度學習。
深度學習用於為 YouTube 視頻製作字幕。 在手機和智能揚聲器上進行語音識別。
為圖像提供面部識別,並允許自動駕駛汽車,以及許多其他用途。
而且,隨著數據科學家和學者處理越來越複雜的問題 使用深度學習框架的深度學習項目,這種人工智能將成為我們日常生活中越來越重要的一部分。
發表評論