Вступ до глибокого навчання

Глибоке навчання - одна з технік машинного навчання, за допомогою якої ми навчаємо / тренуємо комп’ютери робити те, що роблять люди. Наприклад, керування автомобілем - глибоке навчання відіграє ключову роль у технології без водіїв, дозволяючи їм визначати різні дорожні знаки, дорожні знаки, пішохідні знаки тощо. Іншими ключовими сферами глибокого навчання є голосовий контроль у домашніх системах, мобільних телефонах, бездротових динаміках, Alexa, смарт-телевізори та ін. Поглиблене навчання для початківців - це здебільшого багаторазове абстрагування та представлення, за допомогою якого комп'ютерна модель вчиться виконувати класифікацію зображень, звуків та тексту і т.д. . Взагалі, ці комп'ютерні моделі навчаються великим набором даних, які позначені міткою та міткою для ідентифікації об'єктів та нейронних мереж, які мають кілька шарів у кожній мережі.

Що таке глибоке навчання?

Я поясню, що є глибоким вивченням в непростому терміні, як нижче: загалом ми будемо робити два завдання весь час свідомо чи підсвідомо, тобто класифікуємо те, що ми відчували через свої почуття (наприклад, відчуття жару, холодну кухлю тощо) та прогнозування, наприклад, прогнозує майбутню температуру на основі попередніх температурних даних. Ми виконуємо завдання з категоризації та прогнозування для кількох подій чи завдань у нашому щоденному житті, таких як нижче:

  • Тримайте чашку чаю / води / кави тощо, яка може бути гарячою або холодною.
  • Класифікація електронної пошти, наприклад спам / не спам.
  • Класифікація денного світла, наприклад, день або ніч.
  • Довгострокове планування майбутнього на основі нашого теперішнього становища та речей, які ми маємо - називається прогнозуванням.
  • Кожна істота у світі буде виконувати ці завдання у своєму житті, наприклад, вважають, що тварини, як ворона, будуть категоризувати місце для побудови свого гнізда чи ні, бджола вирішить про деякі фактори, коли і де взяти мед, кажан прийде вночі і спить протягом ранку на основі денної та нічної категоризації.

Давайте візуалізуємо категоризацію та прогнозування цих завдань, і вони будуть схожі, як на зображенні нижче. Для категоризації ми робимо категоризацію між кішками та собаками шляхом нанесення лінії через точки даних, а в разі прогнозування проведемо лінію через точки даних до передбачити, коли він збільшиться і зменшиться.

1) Категоризація

  • Загалом, щоб класифікувати котів і собак, або чоловіків і жінок, ми не малюємо межі в нашому мозку, і положення собак і котів є довільним лише для ілюстрації, і не потрібно говорити, як ми класифікуємо котів і Собаки в нашому мозку набагато складніше, ніж малювати червону лінію як вище.
  • Ми будемо класифікувати між двома речами на основі форми, розміру, зросту, вигляду тощо. Іноді важко буде класифікувати такі особливості, як маленька собака з люттю та новонароджена кішка, тому це не чітка категоризація в кішок і собак.
  • Коли ми зможемо класифікувати кішок і собак, коли ми є дітьми, то далі ми зможемо класифікувати будь-яку собаку чи кішку, навіть якщо ми її раніше не бачили.

2) Прогнозування

  • Для прогнозування, заснованого на лінії, ми проводимо точки даних, якщо ми можемо передбачити, де це найбільш ймовірно, що йде вгору або вниз.
  • Крива - це також передбачення встановлення нових точок даних у межах існуючих точок даних, тобто наближення нової точки даних до кривої.
  • Точки даних, які мають червоний колір на наведеному вище зображенні (права сторона), є прикладами як у межах, так і за межами діапазону існуючих точок даних, і крива намагається передбачити обидва.

Нарешті, класифікація і прогнозування обох завдань закінчуються в подібній точці, тобто малюванні кривої лінії з точок даних. Якщо ми зможемо навчити комп’ютерну модель малювати криву лінію на основі точок даних, які ми зробили, ми можемо розширити це для застосування в різних моделях, таких як малювання кривої лінії в тривимірних площинах тощо. Вищезазначеного можна досягти, навчаючи модель з великою кількістю мічених та без маркування даних, що називається глибоким навчанням.

Приклади глибокого навчання:

Як ми знаємо, глибоке навчання та машинне навчання є підмножинами штучного інтелекту, але технологія глибокого навчання являє собою наступну еволюцію машинного навчання. Оскільки машинне навчання буде працювати на основі алгоритмів та програм, розроблених людиною, тоді як глибоке навчання навчається за допомогою нейронної мережі, яка діє як аналогічна людям і дозволяє машині чи комп'ютеру аналізувати дані аналогічно, як це роблять люди. Це стає можливим, коли ми навчаємо моделі нейронної мережі з величезною кількістю даних, оскільки дані є паливом або їжею для моделей нейронної мережі. Нижче наведено кілька прикладів глибокого навчання в реальному світі.

  • Комп'ютерне бачення:

Комп'ютерне бачення стосується алгоритмів для комп'ютерів для розуміння світу з використанням даних про зображення та відео та таких завдань, як розпізнавання зображень, класифікація зображень, виявлення об'єктів, сегментація зображення, відновлення зображення тощо.

  • Обробка мови та природних мов:

Природна обробка мови стосується алгоритмів для комп'ютерів для розуміння, інтерпретації та маніпулювання людською мовою. Алгоритми NLP працюють з текстовими та звуковими даними та перетворюють їх у аудіо чи вихід тексту. Використовуючи NLP, ми можемо виконувати такі завдання, як аналіз настроїв, розпізнавання мовлення, перехід мови та генерування природних мов тощо.

  • Автономні транспортні засоби:

Моделі глибокого навчання навчаються з величезною кількістю даних для ідентифікації вуличних знаків; деякі моделі спеціалізуються на виявленні пішоходів, ідентифікації людей тощо для автомобілів без водія під час руху.

  • Генерування тексту:

За допомогою моделей глибокого навчання, які навчаються за мовою, граматикою, типами текстів тощо, можна використовувати для створення нового тексту з правильним написанням та граматикою від Вікіпедії до Шекспіра.

  • Фільтрація зображень:

Використовуючи моделі глибокого навчання, такі як додавання кольору до чорно-білих зображень, можна зробити за допомогою моделей глибокого навчання, які займуть більше часу, якщо робити це вручну.

Висновок

Нарешті, це огляд технології глибокого навчання та її застосування в реальному світі. Сподіваюся, ви добре зрозумієте, що є глибоким вивченням, прочитавши цю статтю. Як ми знаємо, сьогодні розпізнавання зображень на машинах, навчених глибоким навчанням, у деяких випадках краще, ніж у людей, тобто в виявленні раку крові та пухлин при МРТ-скануваннях, а альфа-Google від Google вивчив гру та навчився її матчу "Go", навчаючи свою нейронну мережу граючи проти неї знову і знову.

Рекомендовані статті

Це було керівництвом щодо того, що глибоке навчання. Тут ми обговорили основні поняття та приклади глибокого навчання. Ви також можете переглянути наступні статті:

  1. Кар'єра в глибокому навчанні
  2. 13 корисних запитань щодо інтерв'ю глибокого вивчення
  3. Контрольоване навчання проти глибокого навчання
  4. Нейронні мережі проти глибокого навчання
  5. Топ порівняння глибокого навчання та машинного навчання

Категорія:

Великі дані