Kaj je poglobljeno učenje?
V tem blogu bom govoril o tem, kaj je Globoko učenje ki je danes vroča glasba in je svoje korenine trdno pustil v številnih panogah, ki vlagajo na področja, kot so umetna inteligenca, veliki podatki in analitika. Google na primer v svojih algoritmih za prepoznavanje glasu in slike uporablja globoko učenje, medtem ko ga Netflix in Amazon uporabljata za razumevanje vedenja svojih strank. Pravzaprav ne boste verjeli, toda raziskovalci na MIT poskušajo z globokim učenjem napovedati prihodnost.Zdaj pa si predstavljajte, koliko potenciala ima globoko učenje pri revoluciji sveta in kako bodo podjetja iskala .Preden se pogovorimo o globokem učenju, moramo razumeti njegov odnos do strojnega učenja in umetne inteligence. To razmerje je najlažje razumeti tako, da si ogledate spodnji diagram:
fig: Kaj je poglobljeno učenje - AI Technologies Timeline
Tukaj na sliki lahko vidite, da je Strojno učenje podmnožica umetne inteligence. To pomeni, da lahko izdelamo inteligentne stroje, ki se lahko učijo na podlagi zagotovljenih podatkov sami. Nadalje boste opazili, da je globoko učenje podmnožje strojnega učenja, kjer se podobni algoritmi strojnega učenja uporabljajo za usposabljanje globokih nevronskih omrežij, da bi dosegli boljšo natančnost v tistih primerih, ko prejšnji ni deloval do oznake. Foteme so teme, o katerih bom razpravljal v tej vadnici za poglobljeno učenje:
- Umetna inteligenca
- Strojno učenje
- Pomanjkljivosti ML
- Kaj je poglobljeno učenje?
- Globoko učenje
Pridobite certifikat za projekte na ravni industrije in hitro sledite svoji karieri
Umetna inteligenca
fig: Kaj je poglobljeno učenje - umetna inteligenca
Izraz AI je leta 1956 skoval John McCarthy, ki ga imenujejo tudi oče umetne inteligence. Ideja, ki stoji za umetno inteligenco, je dokaj preprosta, a fascinantna: ustvariti inteligentne stroje, ki se lahko sami odločajo. Morda to mislite kot znanstveno domišljijo, toda glede na nedavni razvoj tehnologije in računalniške moči se zdi, da se sama ideja iz dneva v dan bolj približuje resničnosti.
Strojno učenje: korak k umetni inteligenci
Zdaj, ko poznate umetno inteligenco, se na kratko pogovorimo o strojnem učenju in razumemo, kaj pomeni, ko rečemo, da programiramo stroje za učenje. Začnimo z zelo znano definicijo strojnega učenja:
'Računalniški program naj bi se učil iz izkušenj E glede neke naloge T in nekega merila uspešnosti P, če se njegova zmogljivost na T, merjena s P, izboljša z izkušnjo E.' - Tom Mitchell, univerza Carnegie Mellon
Če torej želite, da vaš program predvideva vzorce prometa na prometnem križišču (naloga T), ga lahko zaženete prek algoritma strojnega učenja s podatki o preteklih vzorcih prometa (izkušnja E). Zdaj bo natančnost napovedi (merilo uspešnosti P) odvisna od tega, ali se je program uspešno učil iz nabora podatkov ali ne (izkušnja E).
V osnovi se strojno učenje imenuje vrsta umetne inteligence (AI), ki računalnikom omogoča, da se učijo, ne da bi bili izrecno programirani, tako da jih izpostavijo ogromni količini podatkov. Temeljno načelo strojnega učenja je, da se učimo iz naborov podatkov in poskušamo čim bolj zmanjšati napake ali povečati verjetnost, da bodo njihove napovedi resnične.
Pomanjkljivosti strojnega učenja
- Tradicionalni algoritmi ML niso uporabni pri delu z visoko dimenzionalnimi podatki, zato imamo veliko število vhodov in izhodov. Na primer, v primeru prepoznavanja rokopisa imamo veliko vnosa, kjer bomo imeli različne vnose, povezane z različnimi vrstami rokopisa.
- Drugi glavni izziv je povedati računalniku, katere funkcije mora iskati, kar bo igralo pomembno vlogo pri napovedovanju izida in pri tem doseglo boljšo natančnost. Ta postopek se imenuje ekstrakcija lastnosti .
Hranjenje neobdelanih podatkov v algoritem redko kdaj deluje in to je razlog, zakaj je ekstrakcija funkcij ključni del tradicionalnega poteka strojnega učenja. Zato se brez pridobivanja funkcij izziv za programerja poveča, saj je učinkovitost algoritma zelo odvisna od tega, kako pronicljiv je programer. Zato je zelo težko uporabiti te modele ali algoritme strojnega učenja za zapletene probleme, kot so prepoznavanje predmetov, prepoznavanje rokopisa, NLP (obdelava naravnega jezika) itd.
pretvorba binarnega v decimalno v javi
Globoko učenje
Poglobljeno učenje je ena od edinih metod, s katero lahko premagamo izzive pridobivanja lastnosti. To je zato, ker se modeli globokega učenja lahko naučijo sami osredotočati na prave lastnosti in od programerja zahtevajo malo vodstva. V bistvu globoko učenje posnema način delovanja naših možganov, torej se uči iz izkušenj. Kot veste, naše možgane sestavljajo milijarde nevronov, ki nam omogočajo neverjetne stvari. Tudi možgani enoletnega otroka lahko rešijo zapletene probleme, ki jih je zelo težko rešiti tudi z uporabo super-računalnikov. Na primer:
- Prepoznajte tudi obraz svojih staršev in različne predmete.
- Diskriminirajo različne glasove in lahko celo prepoznajo določeno osebo glede na njen glas.
- Zaključite iz obraznih kretenj drugih oseb in mnogih drugih.
Pravzaprav so se naši možgani v preteklih letih podzavestno usposobili za takšne stvari. Zdaj se postavlja vprašanje, kako globoko učenje posnema funkcionalnost možganov? No, globoko učenje uporablja koncept umetnih nevronov, ki deluje na podoben način kot biološki nevroni v naših možganih. Zato lahko rečemo, da je globoko učenje podpolje stroj učenje ukvarjajo z algoritmi, ki jih navdihuje struktura in delovanje možganov, imenovane umetne nevronske mreže.
Zdaj pa si vzemimo primer, da ga razumemo. Recimo, da želimo narediti sistem, ki bo lahko na sliki prepoznal obraze različnih ljudi.Če to rešimo kot tipičen problem strojnega učenja, bomo opredelili lastnosti obraza, kot so oči, nos, ušesa itd., Nato pa bo sistem sam ugotovil, katere lastnosti so za katero osebo pomembnejše.
Zdaj globoko učenje naredi en korak naprej. Poglobljeno učenje samodejno ugotovi značilnosti, ki so zaradi globokih nevronskih mrež pomembne za razvrstitev, medtem ko smo morali v primeru strojnega učenja te lastnosti ročno definirati.
fig: Prepoznavanje obrazov z uporabo globokih omrežij
Kot je prikazano na zgornji sliki, Deep Learning deluje na naslednji način:
- Na najnižji ravni omrežje fiksira vzorce lokalnega kontrasta kot pomembne.
- Naslednja plast lahko nato s pomočjo vzorcev lokalnega kontrasta fiksira stvari, ki spominjajo na oči, nos in usta
- Končno lahko zgornja plast te obrazne poteze uporabi na obraznih predlogah.
- Globoka nevronska mreža je sposobna sestaviti vse bolj zapletene značilnosti v vsaki svoji zaporedni plasti.
Ste se kdaj vprašali, kako Facebook samodejno označi ali označi vse osebe, ki so prisotne na sliki, ki ste jo naložili vi? No, Facebook uporablja globoko učenje na podoben način, kot je navedeno v zgornjem primeru. Zdaj bi se zavedali zmožnosti globokega učenja in tega, kako lahko preseže strojno učenje v tistih primerih, ko imamo zelo malo predstave o vseh funkcijah, ki lahko vplivajo na rezultat. Zato lahko globoko omrežje premaga pomanjkljivost strojnega učenja tako, da brez ustreznega označevanja iz nabora podatkov, ki je sestavljen iz vhodnih podatkov, črpa sklepe.
Kaj je globoko učenje | Poenostavljeno globoko učenje | Edureka
Aplikacije globokega učenja
Ko gremo naprej v tem blogu za globoko učenje, si oglejmo nekaj resničnih aplikacij globokega učenja, da bomo razumeli njegove resnične moči.
Prepoznavanje govora
Vsi bi že slišali za Siri, ki je Appleov glasovno nadzorovan inteligentni asistent. Tako kot drugi veliki giganti je tudi Apple začel vlagati v Deep Learning, da bi svoje storitve izboljšal kot kdaj koli prej.
Na področju prepoznavanja govora in inteligentnega asistenta z glasovnim nadzorom, kot je Siri, lahko razvijemo natančnejši akustični model z uporabo globoke nevronske mreže in je trenutno eno najbolj aktivnih področij za izvajanje globokega učenja. Z enostavnimi besedami lahko zgradite tak sistem, ki se lahko nauči novih funkcij ali se prilagodi po vaši meri in tako nudi boljšo pomoč s predhodnim predvidevanjem vseh možnosti.
Samodejno strojno prevajanje
Vsi vemo, da lahko Google takoj prevede med 100 različnih človeških jezikov, kar prehitro, kot po čarovniji. Tehnologija v ozadju Google prevajalnik je poklican Strojno prevajanje in je bil rešitelj za ljudi, ki ne morejo komunicirati med seboj zaradi razlike v govornem jeziku. Zdaj bi pomislili, da je ta funkcija že dolgo, torej, kaj je novega v tem? Naj vam povem, da je Google v zadnjih dveh letih s pomočjo globokega učenja popolnoma preoblikoval pristop k strojnemu prevajanju v svojem Google Translateu. Pravzaprav raziskovalci globokega učenja, ki o prevajanju jezikov ne vedo skoraj ničesar, predlagajo razmeroma preproste rešitve strojnega učenja, ki premagujejo najboljše strokovno zgrajene jezikovne sisteme za prevajanje na svetu. Prevajanje besedila je mogoče izvesti brez predhodne obdelave zaporedja, kar omogoča algoritmu, da se nauči odvisnosti med besedami in njihovo preslikavo v nov jezik. Za izvajanje tega prevoda se uporabljajo zložene mreže velikih ponavljajočih se nevronskih mrež.
- Takojšnji vizualni prevod
Kot veste, se globoko učenje uporablja za prepoznavanje slik, ki imajo črke in kje so črke na prizorišču. Ko jih identificiramo, jih lahko pretvorimo v besedilo, jih prevedemo in s prevedenim besedilom ustvarimo sliko. Temu se pogosto reče takojšen vizualni prevod .
Zdaj pa si predstavljajte situacijo, ko ste obiskali katero koli drugo državo, katere materni jezik vam ni znan. No, brez skrbi, z različnimi aplikacijami, kot je Google Translate, lahko nadaljujete s takojšnjim vizualnim prevajanjem za branje napisov ali nakupovalnih desk, napisanih v drugem jeziku. To je bilo mogoče le zaradi globokega učenja.
theano vs tensorflow vs keras
Opomba: Lahko nadaljujete in prenesete aplikacijo Google Translate in si ogledate neverjeten takojšnji vizualni prevod z uporabo zgornje slike.
Vedenje: Avtomatizirani avtomobili na lastni pogon
Google poskuša svojo pobudo za samovozeče avtomobile, imenovano WAYMO, popolnoma poglobiti s pomočjo globokega učenja. Zato lahko namesto da uporabljajo stare ročno kodirane algoritme, zdaj lahko programirajo sistem, ki se lahko sam uči z uporabo podatkov, ki jih zagotavljajo različni senzorji. Poglobljeno učenje je zdaj najboljši pristop k večini nalog zaznavanja, pa tudi do številnih kontrolnih nalog na nizki ravni. Tako lahko zdaj tudi ljudje, ki ne znajo voziti ali so invalidi, nadaljujejo vožnjo, ne da bi bili odvisni od koga drugega.
Tu sem omenil le nekaj znanih primerov uporabe v resničnem življenju, kjer se globoko učenje pogosto uporablja in kaže obetavne rezultate. Obstaja veliko drugih aplikacij globokega učenja, skupaj s številnimi področji, ki jih še ni treba raziskati.
Tu gre torej za poglobljeno učenje na kratko. Prepričan sem, da bi do zdaj že ugotovili razliko med strojnim učenjem in globokim učenjem, pa tudi to, kako je lahko globoko učenje zelo koristno za različne resnične aplikacije. Zdaj se bom v naslednjem blogu v tej vadnici s poglobljenim učenjem poglobil v različne koncepte in algoritme Deep Learning ter njihovo podrobno uporabo.
Zdaj, ko veste o globokem učenju, si oglejte Edureka, zaupanja vredno podjetje za spletno učenje z mrežo več kot 250.000 zadovoljnih učencev, razširjenih po vsem svetu. Tečaj Edureka za poglobljeno učenje s certifikatom TensorFlow pomaga učencem, da postanejo strokovnjaki za usposabljanje in optimiziranje osnovnih in konvolucijskih nevronskih mrež z uporabo projektov in nalog v realnem času, skupaj s koncepti, kot so funkcija SoftMax, samodejno kodiranje nevronskih mrež, omejeni stroj Boltzmann (RBM).
Imate vprašanje za nas? Prosimo, omenite to v oddelku za komentarje in se vam bomo javili.