Ce este Deep Learning?
În acest blog, voi vorbi despre Ce este Invatare profunda care este un buzz fierbinte în zilele noastre și și-a pus ferm rădăcinile într-o vastă multitudine de industrii care investesc în domenii precum Inteligența Artificială, Big Data și Analytics. De exemplu, Google folosește învățarea profundă în algoritmii săi de recunoaștere a vocii și a imaginilor, în timp ce Netflix și Amazon o folosesc pentru a înțelege comportamentul clienților lor. De fapt, nu veți crede, dar cercetătorii de la MIT încearcă să prezică viitorul folosind învățarea profundă.Acum, imaginați-vă cât de mult potențial are învățarea profundă în revoluționarea lumii și cum vor căuta companiile .Înainte de a vorbi despre învățarea profundă, trebuie să înțelegem relația acesteia cu învățarea automată și inteligența artificială. Cel mai simplu mod de a înțelege această relație este parcurgerea diagramei de mai jos:
Fig: Ce este Deep Learning - Cronologie AI Technologies
Aici, în imagine, puteți vedea că învățarea automată este un subset de AI. Acest lucru implică faptul că putem construi mașini inteligente care pot învăța pe baza setului de date furnizate singure. Mai departe, veți observa că Deep Learning este un subset al Machine Learning, unde algoritmi similari de Machine Learning sunt folosiți pentru a antrena rețelele neuronale profunde, astfel încât să se obțină o precizie mai bună în acele cazuri în care fostul nu a performat până la nivelul maxim. FoSunt subiectele pe care le voi discuta în acest tutorial de învățare profundă:
ce înseamnă tranzitoriu în java
- Inteligență artificială
- Învățare automată
- Dezavantaje ale ML
- Ce este Deep Learning?
- Aplicație de învățare profundă
Obțineți certificarea cu proiecte la nivel de industrie și urmăriți-vă rapid cariera
Inteligență artificială
Fig: Ce este învățarea profundă - inteligența artificială
Termenul AI a fost inventat în 1956 de John McCarthy, care este, de asemenea, numit Tatăl Inteligenței Artificiale. Ideea din spatele AI este destul de simplă, dar fascinantă, și anume de a face mașini inteligente care să poată lua decizii singure. S-ar putea să o considerați ca o fantezie științifică, dar în ceea ce privește evoluțiile recente în tehnologie și puterea de calcul, însăși ideea pare să se apropie de realitate zi de zi.
Învățarea automată: un pas către inteligența artificială
Acum, că sunteți familiarizat cu AI, permiteți-ne să vorbim pe scurt despre Machine Learning și să înțelegem ce înseamnă atunci când spunem că programăm mașini pentru a învăța. Să începem cu o definiție foarte faimoasă a învățării automate:
„Se spune că un program de calculator învață din experiența E cu privire la o sarcină T și o anumită măsură de performanță P, dacă performanța sa pe T, măsurată de P, se îmbunătățește odată cu experiența E.” - Tom Mitchell, Universitatea Carnegie Mellon
Deci, dacă doriți ca programul dvs. să prezică, tiparele de trafic la o intersecție ocupată (sarcina T), îl puteți rula printr-un algoritm de învățare automată cu date despre tiparele de trafic din trecut (experiența E). Acum, acuratețea predicției (măsura de performanță P) va depinde de faptul dacă programul a învățat cu succes din setul de date sau nu (experiența E).
Practic, învățarea automată este denumită un tip de inteligență artificială (AI) care oferă computerelor capacitatea de a învăța fără a fi programate în mod explicit expunându-le la o cantitate mare de date. Principiul de bază din spatele învățării automate este de a învăța din seturile de date și de a încerca să minimalizeze erorile sau să maximizeze probabilitatea ca predicțiile lor să fie adevărate.
Dezavantaje ale învățării automate
- Algoritmii tradiționali ML nu sunt utili în timp ce lucrăm cu date cu dimensiuni ridicate, de aceea avem un număr mare de intrări și ieșiri. De exemplu, în cazul recunoașterii scrierii de mână, avem o cantitate mare de intrări în care vom avea diferite tipuri de intrări asociate cu tipuri diferite de scriere de mână.
- A doua provocare majoră este de a spune computerului care sunt caracteristicile pe care ar trebui să le caute, care vor juca un rol important în prezicerea rezultatului, precum și pentru a obține o precizie mai bună în timp ce fac acest lucru. Însăși acest proces este denumit extragerea caracteristicii .
Alimentarea datelor brute către algoritm rareori funcționează vreodată și acesta este motivul pentru care extragerea caracteristicilor este o parte critică a fluxului de lucru tradițional de învățare automată. Prin urmare, fără extragerea caracteristicilor, provocarea pentru programator crește, deoarece eficiența algoritmului depinde foarte mult de cât de perspicace este programatorul. Prin urmare, este foarte dificil să aplicați aceste modele de învățare automată sau algoritmi la probleme complexe, cum ar fi recunoașterea obiectelor, recunoașterea scrisului de mână, NLP (Natural Language Processing) etc.
Invatare profunda
Învățarea profundă este una dintre singurele metode prin care putem depăși provocările de extragere a caracteristicilor. Acest lucru se datorează faptului că modelele de învățare profundă sunt capabile să învețe să se concentreze singuri pe caracteristicile potrivite, necesitând puține îndrumări de la programator. Practic, învățarea profundă imită modul în care funcționează creierul nostru, adică învață din experiență. După cum știți, creierul nostru este format din miliarde de neuroni care ne permit să facem lucruri uimitoare. Chiar și creierul unui copil de un an poate rezolva probleme complexe, care sunt foarte greu de rezolvat chiar și folosind super-computere. De exemplu:
- Recunoașteți și fața părinților lor și diferite obiecte.
- Discriminați voci diferite și chiar puteți recunoaște o anumită persoană pe baza vocii sale.
- Trageți deducție din gesturile faciale ale altor persoane și multe altele.
De fapt, creierul nostru s-a antrenat subconștient să facă astfel de lucruri de-a lungul anilor. Acum, vine întrebarea, cât de multă învățare imită funcționalitatea unui creier? Ei bine, învățarea profundă folosește conceptul de neuroni artificiali care funcționează într-un mod similar cu neuronii biologici prezenți în creierul nostru. Prin urmare, putem spune că Deep Learning este un subcâmp al mașinărie învăţare preocupat de algoritmi inspirați de structura și funcția creierului numite rețele neuronale artificiale.
Acum, să luăm un exemplu pentru a-l înțelege. Să presupunem că vrem să creăm un sistem care să recunoască fețele diferitelor persoane într-o imagine.Dacă vom rezolva acest lucru ca o problemă tipică de învățare automată, vom defini trăsăturile faciale, cum ar fi ochii, nasul, urechile etc. și apoi, sistemul va identifica care sunt trăsăturile mai importante pentru fiecare persoană.
Acum, învățarea profundă face acest pas înainte. Învățarea profundă află automat caracteristicile importante pentru clasificare din cauza rețelelor neuronale profunde, în timp ce în cazul învățării automate a trebuit să definim manual aceste caracteristici.
Fig: Recunoașterea feței utilizând rețele profunde
Așa cum se arată în imaginea de mai sus, Deep Learning funcționează după cum urmează:
- La cel mai scăzut nivel, rețeaua se fixează pe modele de contrast local la fel de importante.
- Următorul strat este apoi capabil să folosească acele tipare de contrast local pentru a se fixa pe lucruri care seamănă cu ochii, nasurile și gurile
- În cele din urmă, stratul superior este capabil să aplice acele trăsături faciale pe șabloanele feței.
- O rețea neuronală profundă este capabilă să compună caracteristici din ce în ce mai complexe în fiecare dintre straturile sale succesive.
Te-ai întrebat vreodată cum Facebook etichetează sau etichetează automat toată persoana prezentă într-o imagine încărcată de tine? Ei bine, Facebook folosește Deep Learning într-un mod similar, așa cum se menționează în exemplul de mai sus. Acum, ați fi realizat capacitatea învățării profunde și modul în care aceasta poate depăși învățarea automată în acele cazuri în care avem foarte puține idei despre toate caracteristicile care pot afecta rezultatul. Prin urmare, rețeaua profundă poate depăși dezavantajul învățării automate trasând inferențe din setul de date constând din date de intrare fără etichetare adecvată.
Ce este Deep Learning | Învățare profundă simplificată | Edureka
Aplicații ale învățării profunde
Mergând mai departe în acest blog despre ceea ce este deep learning, să ne uităm la unele dintre aplicațiile din viața reală ale Deep Learning pentru a înțelege adevăratele sale puteri.
Recunoaștere a vorbirii
Toți ați fi auzit despre Siri, care este asistentul inteligent controlat de voce al Apple. La fel ca alți mari giganți, Apple a început să investească și în Deep Learning pentru a-și îmbunătăți serviciile ca niciodată.
În domeniul recunoașterii vorbirii și asistentului inteligent controlat de voce, cum ar fi Siri, se poate dezvolta un model acustic mai precis utilizând o rețea neuronală profundă și este în prezent unul dintre cele mai active câmpuri pentru implementarea învățării profunde. În cuvinte simple, puteți construi un astfel de sistem care poate învăța noi caracteristici sau se poate adapta în funcție de dvs. și, prin urmare, puteți oferi o asistență mai bună, previzând în prealabil toate posibilitățile.
Traducere automată automată
Știm cu toții că Google poate traduce instantaneu între 100 de limbi umane diferite, prea repede ca prin magie. Tehnologia din spate Google Traducere se numește Traducere automată și a fost salvator pentru oamenii care nu pot comunica între ei din cauza diferenței în limba vorbitoare. Acum, te-ai gândi că această caracteristică există de mult timp, deci, ce este nou în acest sens? Permiteți-mi să vă spun că în ultimii doi ani, cu ajutorul învățării profunde, Google a reformat în totalitate abordarea traducerii automate în Google Translate. De fapt, cercetătorii de învățare profundă care nu știu aproape nimic despre traducerea de limbi străine propun soluții de învățare automată relativ simple care înving cele mai bune sisteme de traducere a limbilor construite de experți din lume. Traducerea textului poate fi efectuată fără nicio prelucrare prealabilă a secvenței, permițând algoritmului să învețe dependențele dintre cuvinte și maparea acestora într-o nouă limbă. Rețelele stivuite de rețele neuronale recurente mari sunt utilizate pentru a efectua această traducere.
- Traducere vizuală instantanee
După cum știți, învățarea profundă este utilizată pentru a identifica imaginile care au litere și unde se află literele pe scenă. Odată identificate, acestea pot fi transformate în text, traduse și imaginea recreată cu textul tradus. Aceasta se numește adesea traducere vizuală instantanee .
Acum, imaginați-vă o situație în care ați vizitat orice altă țară a cărei limbă maternă nu vă este cunoscută. Ei bine, nu trebuie să vă faceți griji, folosind diverse aplicații, cum ar fi Google Translate, puteți continua și efectua traduceri vizuale instantanee pentru a citi semne sau panouri de cumpărături scrise în altă limbă. Acest lucru a fost posibil doar datorită învățării profunde.
Notă: Puteți continua să descărcați aplicația Google Translate și să verificați traducerea vizuală instantanee uimitoare folosind imaginea de mai sus.
Comportament: Mașini automate
Google încearcă să ducă inițiativa lor de a conduce auto, cunoscută sub numele de WAYMO, la un nivel cu totul nou de perfecțiune folosind Deep Learning. Prin urmare, mai degrabă decât folosind algoritmi vechi codați manual, ei pot programa acum un sistem care poate învăța singuri folosind datele furnizate de diferiți senzori. Învățarea profundă este acum cea mai bună abordare pentru majoritatea sarcinilor de percepție, precum și pentru multe sarcini de control la nivel scăzut. Prin urmare, chiar și persoanele care nu știu să conducă sau sunt cu dizabilități, pot merge mai departe și pot face plimbarea fără a depinde de nimeni altcineva.
Aici, am menționat doar câteva cazuri celebre de utilizare din viața reală în care Deep Learning este utilizat pe scară largă și prezintă rezultate promițătoare. Există multe alte aplicații ale învățării profunde, împreună cu multe domenii care nu au fost încă explorate.
Deci, aici este vorba despre învățarea profundă pe scurt. Sunt sigur că până acum ați fi realizat diferența dintre învățarea automată și învățarea profundă, precum și modul în care învățarea profundă poate fi foarte utilă pentru diferite aplicații din viața reală. Acum, în următorul meu blog din această serie de tutoriale de învățare profundă, ne vom scufunda în diverse concepte și algoritmi Deep Learning împreună cu aplicația lor în detaliu.
Acum, că știți despre Deep Learning, consultați de Edureka, o companie de învățare online de încredere, cu o rețea de peste 250.000 de elevi mulțumiți răspândiți pe tot globul. Cursul de învățare profundă Edureka cu certificare TensorFlow îi ajută pe cursanți să devină experți în formarea și optimizarea rețelelor neuronale de bază și convoluționale utilizând proiecte și atribuiri în timp real, împreună cu concepte precum funcția SoftMax, rețelele neuronale de auto-codificare, mașina restricționată Boltzmann (RBM).
Ai o întrebare pentru noi? Vă rugăm să o menționați în secțiunea de comentarii și vă vom răspunde.