Úvod do hlubokého učení
Hluboké učení je jednou z technik strojového učení, pomocí kterých učíme / školíme počítače, aby dělali to, co lidé dělají. Například řízení vozidla - hluboké učení hraje klíčovou roli v technologii automobilu bez řidiče tím, že jim umožňuje identifikovat různé dopravní značky, dopravní značky, značky pro chodce atd. Další klíčové oblasti hlubokého učení jsou hlasové ovládání v domácích systémech, mobilních telefonech, bezdrátových reproduktorech, Alexa, chytré televizory atd. Hluboké učení pro začátečníky je většinou o více úrovních abstrakce a reprezentace, kterými se počítačový model učí provádět klasifikaci obrázků, zvuků a textu atd. Modely hlubokého učení dosahují v některých modelech lepší přesnosti a výkonu než lidé. . Obecně jsou tyto počítačové modely školeny velkou sadou dat, která jsou označena a neoznačena pro identifikaci objektů a neuronových sítí, které mají v každé síti více vrstev.
Co je hluboké učení?
Vysvětlím, co je hluboké učení v laikovém termínu, jak je uvedeno níže: Obecně budeme dělat dva úkoly vědomě nebo podvědomě, tj. Kategorizovat to, co jsme cítili prostřednictvím našich smyslů (jako je pocit horka, studeného hrnečku atd.) A například předpověď, předpovídá budoucí teplotu na základě předchozích údajů o teplotě. Děláme kategorizační a predikční úkoly pro několik událostí nebo úkolů v našem každodenním životě, jako jsou níže:
- Držte šálek čaje / vody / kávy atd., Které mohou být horké nebo studené.
- Kategorizace e-mailů jako spam / ne spam.
- Kategorizace denního světla, jako je den nebo noc.
- Dlouhodobé plánování budoucnosti na základě naší současné pozice a věcí, které máme - se nazývá predikce.
- Každé stvoření na světě bude tyto úkoly plnit ve svém životě, například si uvědomte, že zvířata jako vrána kategorizují místo pro stavbu svého hnízda či nikoliv, včela rozhodne o některých faktorech, kdy a kde získat med, netopýr přijde v noci a spí během rána na základě kategorizace dne a noci.
Představme si tyto úkoly kategorizaci a predikci a budou vypadat podobně jako na obrázku níže. Pro kategorizaci provádíme kategorizaci koček a psů nakreslením čáry přes datové body a v případě predikce nakreslíme čáru přes datové body do předpovídat, kdy se bude zvyšovat a snižovat.
1) Kategorizace
- Obecně pro kategorizaci mezi kočkami a psy, nebo muži a ženy, nekreslíme čáru v našich mozcích a pozice psů a koček je libovolná pouze pro ilustraci a není třeba říkat, jak kategorizujeme mezi kočkami a psi v našich mozcích jsou mnohem složitější, než nakreslit červenou čáru jako výše.
- Rozdělíme mezi dvě věci na základě tvarů, velikosti, výšky, vzhledu atd. A někdy bude obtížné kategorizovat s těmito vlastnostmi, jako je malý pes s zuřivostí a nově narozená kočka, takže nejde o jednoznačnou kategorizaci do koček a psů.
- Jakmile jsme schopni rozdělit mezi kočky a psy, když jsme děti, můžeme dále kategorizovat libovolného psa nebo kočku, i když jsme to dříve neviděli.
2) Predikce
- Pro predikci založenou na linii kreslíme datové body, pokud jsme schopni předpovídat, kde je nejpravděpodobnější jít nahoru nebo dolů.
- Křivka je také predikce přizpůsobení nových datových bodů v rozsahu existujících datových bodů, tj. Jak blízko je nový datový bod ke křivce.
- Datové body, které jsou na obrázku nahoře v červené barvě (na pravé straně), jsou příklady jak uvnitř, tak mimo rozsah existujících datových bodů a křivka se pokouší předpovědět oba.
Nakonec jsou kategorizace úkolů i predikce ukončeny v podobném bodě, tj. Nakreslení křivky z datových bodů. Pokud dokážeme trénovat počítačový model tak, aby nakreslil křivku na základě datových bodů, které jsme udělali, můžeme ji rozšířit tak, aby se použila v různých modelech, jako je nakreslení křivky v trojrozměrných rovinách atd. Výše uvedeného lze dosáhnout vyškolením modelu s velkým množstvím označených a neznačených dat, které se nazývá hluboké učení.
Příklady hlubokého učení:
Jak víme, hluboké učení a strojové učení jsou podmnožinou umělé inteligence, ale technologie hlubokého učení představuje další vývoj strojového učení. Strojové učení bude fungovat na základě algoritmů a programů vyvinutých lidmi, zatímco hluboké učení se učí prostřednictvím modelu neuronové sítě, který funguje jako podobný člověku a umožňuje stroji nebo počítači analyzovat data podobným způsobem jako lidé. To je možné, když trénujeme modely neuronových sítí s velkým množstvím dat, protože data jsou palivem nebo potravinami pro modely neuronových sítí. Níže uvádíme několik příkladů hlubokého učení v reálném světě.
-
Počítačové vidění:
Počítačové vidění se zabývá algoritmy, které počítačům umožňují porozumět světu pomocí obrazových a video dat a úkolů, jako je rozpoznávání obrazu, klasifikace obrazu, detekce objektů, segmentace obrazu, obnova obrazu atd.
-
Zpracování řeči a přirozeného jazyka:
Zpracování přirozeného jazyka se zabývá algoritmy, které počítačům umožňují porozumět, interpretovat a manipulovat v lidském jazyce. Algoritmy NLP pracují s textovými a zvukovými daty a transformují je do zvukových nebo textových výstupů. Pomocí NLP můžeme provádět úkoly, jako je analýza sentimentu, rozpoznávání řeči, přechod jazyka a tvorba přirozeného jazyka atd.
-
Autonomní vozidla:
Modely hlubokého učení jsou školeny s velkým množstvím údajů pro identifikaci značek ulic; některé modely se specializují na identifikaci chodců, identifikaci lidí atd. pro auta bez řidiče při řízení.
-
Generování textu:
Použitím hlubokých učebních modelů, které byly proškoleny jazykem, gramatikou a typy textů atd., Lze použít k vytvoření nového textu se správným hláskováním a gramatikou od Wikipedie po Shakespeara.
-
Filtrování obrázků:
Použitím hlubokých modelů učení, jako je přidání barev k černobílým obrázkům, lze provést modely hlubokého učení, což zabere více času, pokud to uděláme ručně.
Závěr
Konečně je to přehled technologie hlubokého učení, jejích aplikací v reálném světě. Doufám, že po přečtení tohoto článku budete dobře rozumět tomu, co je hluboké učení. Jak víme dnes, rozpoznávání obrazu stroji vyškolenými hlubokým učením je v některých případech lepší než u lidí, tj. Při identifikaci rakoviny v krvi a nádorech při skenech MRI a alfaGo od společnosti Google se naučilo hru a vyškolilo se pro svůj „go“ zápas trénováním své neuronové sítě hraním proti ní znovu a znovu.
Doporučené články
Toto byl průvodce „Co je hluboké učení“. Zde jsme diskutovali základní pojmy a příklady hlubokého učení. Můžete se také podívat na následující články:
- Kariéra v hlubokém učení
- 13 užitečných otázek hlubokého učení
- Dozorované učení vs Hluboké učení
- Neuronové sítě vs hluboké učení
- Nejlepší srovnání Deep Learning vs Machine learning