Uvod v poglobljeno učenje

Globoko učenje je ena od tehnik strojnega učenja, s katero učimo / treniramo računalnike, da delajo ljudi. Na primer, vožnja z avtomobilom - poglobljeno učenje ima ključno vlogo pri avtomobilski tehnologiji brez voznikov, saj jim omogoča prepoznavanje različnih prometnih znakov, prometnih znakov, znakov za pešce itd. Druga ključna področja globokega učenja so glasovni nadzor v domačih sistemih, mobilnih telefonih, brezžičnih zvočnikih, Alexa, pametni televizorji itd. Za poglobljeno učenje za začetnike gre večinoma za več stopenj abstrakcije in reprezentacije, s katerimi se računalniški model nauči izvajati klasifikacijo slik, zvokov in besedila itd. Modeli globljega učenja pri nekaterih modelih dosegajo večjo natančnost in zmogljivost kot ljudje. . Na splošno so ti računalniški modeli usposobljeni z velikim naborom podatkov, ki so označeni in neoznačeni za prepoznavanje predmetov in nevronskih mrež, ki imajo v vsaki mreži več plasti.

Kaj je globinsko učenje?

Razložil bom, kaj je globoko učenje v laičnem izrazu, kot je spodaj: Na splošno bomo ves čas delali dve nalogi zavestno ali podzavestno, tj kategorizirali tisto, kar smo čutili skozi svoja čutila (npr. Občutek vročega, hladnega vrčka itd.) In napoved, npr., na podlagi predhodnih temperaturnih podatkov napoveduje prihodnjo temperaturo. Naloge kategorizacije in napovedovanja izvajamo za več dogodkov ali opravkov v vsakdanjem življenju, kot so spodaj:

  • Držite skodelico čaja / vode / kave itd., Ki je lahko vroča ali hladna.
  • Kategorizacija po e-pošti, na primer neželena pošta.
  • Dnevna svetlobna kategorizacija, kot sta dan ali noč.
  • Dolgoročno načrtovanje prihodnosti glede na naš trenutni položaj in stvari, ki jih imamo - imenujemo napoved.
  • Vsako bitje na svetu bo v življenju opravilo te naloge, na primer menijo, da bodo živali, kot je vrana, kategorizirale mesto za gradnjo gnezda ali ne, čebela se bo odločila o nekaterih dejavnikih, kdaj in kje dobiti med, netopir pa bo prišel ponoči in spi med jutrom na podlagi dnevne in nočne kategorizacije.

Vizualizirajmo te naloge kategorizacijo in napovedovanje in videti bodo podobno kot na spodnji sliki. Za kategorizacijo delamo kategorizacijo med mačkami in psi tako, da narišemo črto skozi podatkovne točke in v primeru napovedi potegnemo črto skozi podatkovne točke do predvidevajte, kdaj se bo povečeval in zmanjšal.

1) Kategorizacija

  • Na splošno za kategorijo med mačkami in psi ali moškimi in ženskami ne narišemo črte v svojih možganih, položaj psov in mačk pa je poljuben samo za ponazoritev in ni treba reči, kako razvrščamo mačke in mačke psi v naših možganih je veliko bolj zapleten kot risanje rdeče črte kot zgoraj.
  • Razvrstili bomo med dve stvari na podlagi oblik, velikosti, višine, videza itd., Včasih pa bo težko razvrstiti s temi lastnostmi, kot je majhen pes z besom in novorojena mačka, zato ne gre za jasno kategorizacijo v mačke in pse.
  • Ko smo nekoč sposobni razvrščati med mačke in pse, ko smo otroci, bomo lahko kategorizirali katerega koli psa ali mačko, čeprav je še nismo videli.

2) Napoved

  • Za napovedovanje na podlagi črte črpamo podatkovne točke, če znamo napovedati, kje bo najverjetneje šlo navzgor ali navzdol.
  • Krivulja je tudi napoved namestitve novih podatkovnih točk v obseg obstoječih podatkovnih točk, tj. Kako blizu nove podatkovne točke krivulji.
  • Podatkovne točke, ki so na zgornji sliki rdeče barve (na desni strani), so primeri znotraj in zunaj obsega obstoječih podatkovnih točk in krivulja poskuša napovedati oboje.

Končno se obe kategorizaciji nalog in napovedovanje končata na podobni točki, tj. Risanje krivulje iz podatkovnih točk. Če smo sposobni usposobiti računalniški model, da nariše zakrivljeno črto na podlagi podatkovnih točk, ki smo jih naredili, lahko to razširimo tudi na različne modele, na primer risanje ukrivljene črte v tridimenzionalnih ravninah in tako naprej. Zgoraj lahko to dosežemo z usposabljanjem modela z veliko količino označenih in neoznačenih podatkov, ki se imenuje globoko učenje.

Primeri globljega učenja:

Kot vemo, sta globoko učenje in strojno učenje podvrsta umetne inteligence, vendar tehnologija globokega učenja predstavlja naslednji razvoj strojnega učenja. Strojno učenje bo delovalo na podlagi algoritmov in programov, ki jih je razvil človek, medtem ko se globoko učenje uči z modelom nevronske mreže, ki deluje podobno kot pri ljudeh in omogoča računalniku ali računalniku analizo podatkov na podoben način kot ljudje. To postane mogoče, ko usposabljamo modele nevronskih mrež z ogromno količino podatkov, saj so podatki gorivo ali hrana za modele nevronskih mrež. Spodaj je nekaj primerov poglobljenega učenja v resničnem svetu.

  • Računalniški vid:

Računalniški vid se ukvarja z algoritmi, da računalniki razumejo svet s pomočjo slikovnih in video podatkov ter nalog, kot so prepoznavanje slike, klasifikacija slike, zaznavanje predmetov, segmentacija slike, obnova slike itd.

  • Govor in obdelava naravnega jezika:

Obravnava naravnega jezika se ukvarja z algoritmi, da računalniki razumejo, razlagajo in manipulirajo v človeškem jeziku. NLP algoritmi delujejo z besedilnimi in avdio podatki in jih pretvorijo v zvok ali besedilo. Z uporabo NLP lahko opravljamo naloge, kot so analiza občutkov, prepoznavanje govora, prehod jezika in ustvarjanje naravnega jezika itd.

  • Avtonomna vozila:

Modeli globinskega učenja so usposobljeni z ogromno količino podatkov za prepoznavanje uličnih znakov; nekateri modeli so specializirani za prepoznavanje pešcev, prepoznavanje ljudi itd za avtomobile brez voznikov med vožnjo.

  • Generacija besedila:

Z uporabo modelov poglobljenega učenja, ki se usposabljajo po jeziku, slovnici in vrstah besedil itd., Lahko uporabimo za ustvarjanje novega besedila s pravilnim črkovanjem in slovnico od Wikipedije do Shakespearea.

  • Filtriranje slik:

Z uporabo modelov globokega učenja, kot je dodajanje barv črno-belim slikam, lahko naredimo modele globokega učenja, ki nam bodo vzeli več časa, če bomo delali ročno.

Zaključek

Končno je pregled tehnologije globokega učenja in njenih aplikacij v resničnem svetu. Upam, da boste po branju tega članka dobro razumeli, kaj se globoko uči. Kot danes poznamo, je prepoznavanje slike s stroji, ki jih uči poglobljeno učenje, v nekaterih primerih boljše od ljudi, tj. Pri prepoznavanju raka v krvi in ​​tumorjih z MRI pregledom, Googlov alfaGo pa se je naučil igre in se usposabljal za tekmo 'Go' s treningom svoje nevronske mreže z igranjem proti njej vedno znova.

Priporočeni članki

To je vodilo za tisto, kar je poglobljeno učenje. Tu smo obravnavali osnovne koncepte in primere poglobljenega učenja. Ogledate si lahko tudi naslednje članke:

  1. Poklic v poglobljenem učenju
  2. 13 Uporabna vprašanja o intervjuju za poglobljeno učenje
  3. Nadzorovano učenje vs poglobljeno učenje
  4. Nevronske mreže vs poglobljeno učenje
  5. Najboljša primerjava poglobljenega učenja z strojnim učenjem

Kategorija:

Veliki podatki