Увод у дубоко учење

Дубоко учење је једна од техника машинског учења којом учимо / тренирамо рачунаре да раде оно што људи раде. На пример, вожња аутомобилом - дубоко учење игра кључну улогу у технологији аутомобила без возача јер им омогућава препознавање различитих саобраћајних знакова, путоказа, знакова за пешаке итд. Друга кључна подручја дубоког учења су гласовна контрола у кућним системима, мобилни телефони, бежични звучници, Алека, паметни телевизори итд. Дубоко учење за почетнике углавном се односи на више нивоа апстракције и репрезентације помоћу којих рачунарски модел учи да изводи класификацију слика, звукова и текста итд. Модели дубоког учења постижу бољу тачност и перформансе од људи у неким моделима . Уопштено, ови рачунарски модели тренирају велики скуп података који су означени и необележени да идентификују објекте и неуронске мреже који имају више слојева у свакој мрежи.

Шта је дубоко учење?

Ја ћу објаснити шта је дубоко учење у лаичком термину на следећи начин: Уопште, радићемо два задатка све време свесно или подсвесно, тј. Категорисати ћемо оно што смо осећали кроз своја чула (попут осећаја врућине, хладне шалице итд.) И предвиђања, на пример, предвиђа будућу температуру на основу претходних података о температури. Ми радимо задатке за категоризацију и предвиђање за неколико догађаја или задатака у нашем свакодневном животу, као што су ниже:

  • Држите шољу чаја / воде / кафе итд. Која може бити врућа или хладна.
  • Категоризација е-поште попут спам / нот спам.
  • Дневна светлосна категоризација, попут дана или ноћи.
  • Дугорочно планирање будућности на основу нашег тренутног положаја и ствари које имамо - назива се предвиђањем.
  • Свако бића на свету ће обављати ове задатке у свом животу, на пример, узмите у обзир да ће животиње попут врана категорисати место за изградњу гнезда или не, пчела ће одлучивати о неким факторима када и где добити мед, шишмиш ће доћи током ноћи и спава током јутра на основу дневне и ноћне категоризације.

Визуализирајмо ове задатке категоризацијом и предвиђањем, а они ће изгледати подједнако као на слици испод. За категоризацију радимо категоризацију мачака и паса цртањем црте кроз тачке података и у случају предвиђања цртамо линију кроз тачке података до предвидите када ће се повећавати и смањивати.

1) категоризација

  • Опћенито, да бисмо категоризирали између мачака и паса, или мушкараца и жена, ми не цртамо мозак и положај паса и мачака је произвољан само ради илустрације и беспотребно је рећи начин на који сврставамо мачке и мачке Пси у нашем мозгу су много сложенији од цртања црвене линије као горе.
  • Разврстаћемо између две ствари на основу облика, величине, висине, изгледа итд. А понекад ће бити тешко категорисати са овим особинама као што је мали пас са бесом и новорођена мачка, тако да није јасна категоризација. у мачке и псе.
  • Једном када смо у стању да категорисемо мачке и псе када смо деца, па надаље, могли бисмо да категорисемо било којег пса или мачку, чак и пре него што је видимо.

2) Предвиђање

  • За предвиђање на основу црте провлачимо тачке података, ако смо у могућности да предвидимо где је највероватније ићи горе или доле.
  • Кривуља је такође предвиђање уклапања нових тачака података у распон постојећих податковних тачака, тј. Колико близу нове тачке података кривуљи.
  • Податковне тачке које су на горњој слици црвене боје (десна страна) су примери и унутар и изван распона постојећих података и кривуља покушава да предвиди обоје.

Коначно, оба категоризација и предвиђање задатака завршавају се на сличној тачки, тј. Цртање кривудаве линије из података. Ако смо способни да обучимо компјутерски модел да црта криву линију на основу тачака података које смо учинили, тада то можемо проширити и на различите моделе као што су цртање закривљене линије у тродимензионалним равнинама и тако даље. Наведено се може постићи обуком модела са великом количином обележених и необележених података који се назива дубоким учењем.

Примери дубоког учења:

Као што знамо дубоко учење и машинско учење су подскупови вештачке интелигенције, али технологија дубоког учења представља следећу еволуцију машинског учења. Пошто ће машинско учење радити на основу алгоритама и програма које је развио човек док дубоко учење учи кроз модел неуронске мреже који делује слично као код људи и омогућава машини или рачунару да анализирају податке на сличан начин као што то чине људи. То постаје могуће док тренирамо моделе неуронске мреже са огромном количином података, јер су подаци гориво или храна за моделе неуронске мреже. Испод је неколико примера дубоког учења у стварном свету.

  • Цомпутер Висион:

Рачунална визија се бави алгоритмима да рачунари разумеју свет користећи слике и видео податке и задатке попут препознавања слике, класификације слике, детекције објеката, сегментације слике, обнове слике итд.

  • Обрада говора и природног језика:

Обрада природног језика бави се алгоритмима да рачунари разумеју, тумаче и манипулишу људским језиком. НЛП алгоритми раде са текстуалним и аудио подацима и трансформишу их у аудио или текстуални излаз. Користећи НЛП можемо да радимо задатке попут анализе осећања, препознавања говора, преласка језика и стварања природног језика итд.

  • Аутономна возила:

Модели дубоког учења обучени су са огромном количином података за препознавање уличних знакова; неки се модели специјализирају за препознавање пјешака, препознавање људи итд. за аутомобиле без возача током вожње.

  • Генерација текста:

Користећи моделе дубоког учења који се обучавају по језику, граматикама и врстама текстова итд. Могу се користити за креирање новог текста с правилним правописом и граматиком од Википедије до Схакеспеареа.

  • Филтрирање слика:

Употребом модела дубоког учења, попут додавања боја црно-белим сликама, можемо извршити моделе дубоког учења, за које ће требати више времена ако то радимо ручно.

Закључак

Коначно, то је преглед технологије дубоког учења и њених примена у стварном свету. Надам се да ћете добро прочитати шта је дубоко учење након што прочитате овај чланак. Као што знамо данас препознавање слике од стране машина обучених дубоким учењем у неким је случајевима боље него код људи, тј. У препознавању карцинома у крви и туморима у МР претрагама, а Гоогле-ов алфаГо је научио игру и обучио је за свој 'Го' меч, обуку своје неуронске мреже играјући против њега изнова и изнова.

Препоручени чланци

Ово је био водич за Шта је дубоко учење. Овде смо разговарали о основним концептима и примерима дубоког учења. Такође можете погледати следеће чланке:

  1. Каријере у дубоким учењима
  2. 13 корисних питања за интервју о дубоком учењу
  3. Надзирано учење вс Дубоко учење
  4. Неуронске мреже вс дубоко учење
  5. Најбољи поређење дубоког учења са машинским учењем

Категорија:

Велики података