Výukový program pro hluboké učení: Umělá inteligence pomocí hlubokého učení



Tento blog o výukovém programu Deep Learning vám pomůže pochopit vše o Deep Learning a jeho vztahu k strojovému učení a umělé inteligenci.

Být důležitou podmnožinou strojového učení, poptávky po zaznamenala obrovský vzestup, zejména mezi těmi, kteří se zajímali o neomezené možnosti AI.Inspirován rostoucí popularitou Deep Learning, napadlo mě přijít s řadou blogů, které vás poučí o tomto novém trendu v oblasti umělé inteligence a pomohou vám pochopit, o co jde. Toto je první z mnoha blogů v sérii zvaných jako - Výukový program pro hluboké učení .

Výukový program pro hluboké učení

V tomto blogu Deep Learning Tutorial vás provedu následujícími věcmi, které budou sloužit jako základy pro nadcházející blogy:





  • Co umožnilo vzniknout Deep Learning
  • Co je Deep Learning a jak funguje?

Můžete projít touto nahrávkou výukového programu Deep Learning, kde náš instruktor podrobně vysvětlil témata pomocí příkladů, které vám pomohou lépe pochopit tento koncept.

obrátit číslo v Javě

Výukový program pro hluboké učení Hluboké učení neuronových sítí Edureka

Aplikace umělé inteligence a hlubokého učení

Přemýšlejte o tom, místo toho, abyste dělali veškerou svou práci, máte stroj, který to za vás dokončí, nebo dokáže něco, o čem jste si mysleli, že není vůbec možné. Například:



Predicting Future - Výukový program pro hluboké učení - Edureka

Předpovídání budoucnosti: Může nám pomoci předem předpovědět zemětřesení, tsunami atd., Aby bylo možné přijmout preventivní opatření k záchraně mnoha životů před pádem do spárů přírodních pohrom.

Chatovací roboti: Všichni byste slyšeli o Siri, což je hlasový virtuální asistent Apple. Věřte mi, že s pomocí Deep Learning je tato virtuální pomoc každým dnem chytřejší. Ve skutečnosti se Siri může přizpůsobit podle uživatele a poskytnout lepší osobní pomoc.
Samořiditelná auta: Představte si, jak neuvěřitelné by to bylo pro tělesně postižené a starší lidi, pro které je těžké řídit samostatně. Kromě toho to zachrání miliony nevinných životů, které se každý rok setkají s dopravní nehodou kvůli lidské chybě.

Google AI Eye Doctor: Jedná se o nedávnou iniciativu společnosti Google, kde ve spolupráci s Indickým řetězcem péče o oči vyvinuli software AI, který může zkoumat snímky sítnice a identifikovat stav zvaný diabetická retinopatie, který může způsobit slepotu.

AI Music Composer: Kdo si myslel, že pomocí Deep Learning můžeme mít hudebního skladatele AI. Proto bych nebyl překvapen, kdybych slyšel, že další nejlepší hudba je dána strojem.
Stroj na čtení snů: Toto je jeden z mých oblíbených, stroj, který dokáže zachytit vaše sny ve formě videa nebo tak něco. S tolika nerealistickými aplikacemi AI a Deep Learning, které jsme dosud viděli, mě nepřekvapilo, když jsem zjistil, že to bylo v Japonsku vyzkoušeno před několika lety u tří testovaných subjektů a byli schopni dosáhnout téměř 60% přesnosti. To je něco docela neuvěřitelného, ​​přesto pravdivého.


Jsem si docela jistý, že některé z těchto reálných aplikací AI a Deep Learning by vám mohly dát husí kůži. Dobře tedy, toto vám nastaví základnu a nyní jsme připraveni pokračovat dále v tomto výukovém programu hlubokého učení a pochopit, co je umělá inteligence.



Co je to umělá inteligence?

Umělá inteligence není nic jiného než schopnost stroje napodobit inteligentní lidské chování. AI je dosaženo napodobováním lidského mozku, porozuměním tomu, jak myslí, jak se učí, rozhoduje a pracuje při pokusu o vyřešení problému.

Například: Stroj hrající šachy nebo hlasem aktivovaný software, který vám pomůže s různými věcmi na vašem iPhone, nebo systém rozpoznávání SPZ, který zachycuje SPZ automobilu s rychlou rychlostí a zpracovává jej, aby získal registrační číslo a identifikoval majitele automobilu . To vše nebylo dříve snadné implementovat Hluboké učení . Pojďme nyní pochopit různé podskupiny umělé inteligence.

Podskupiny umělé inteligence

Dosud byste toho mohli slyšet hodně o umělé inteligenci, strojovém učení a hlubokém učení. Znáte však vztah mezi všemi třemi? Hluboké učení je v podstatě podoblast strojního učení a strojové učení je podoblast umělé inteligence, jak je znázorněno na obrázku níže:

Když se podíváme na něco jako AlphaGo , je často zobrazován jako velký úspěch hlubokého učení, ale ve skutečnosti jde o kombinaci nápadů z několika různých oblastí AI a strojového učení. Ve skutečnosti byste byli překvapeni, kdybyste slyšeli, že myšlenka hlubokých neuronových sítí není nová, ale pochází z 50. let. Bylo však možné jej prakticky implementovat díky špičkové schopnosti zdrojů, která je dnes k dispozici.

co dělá skener v Javě

Pohybem vpřed v tomto blogu výukového programu s hlubokým učením se pojďme podívat na Machine Learning a jeho omezení.

Co je to strojové učení?

Machine Learning je podmnožina umělé inteligence, která poskytuje počítačům schopnost učit se bez výslovného programování. Ve strojovém učení nemusíme explicitně definovat všechny kroky nebo podmínky jako každá jiná programovací aplikace. Naopak, stroj je proškolen na tréninkovou datovou sadu, dostatečně velkou na to, aby vytvořil model, který pomáhá stroji přijímat rozhodnutí na základě svého učení.

Například: Chceme pomocí strojového učení určit druh květu na základě jeho délky okvětního lístku a sepalu (listy květu). Jak to potom uděláme?

Do našeho stroje vložíme datovou sadu květin, která obsahuje různé charakteristiky různých květin spolu s jejich příslušnými druhy, jak vidíte na obrázku výše. Pomocí této sady vstupních dat stroj vytvoří a trénuje model, který lze použít ke klasifikaci květin do různých kategorií.
Jakmile bude náš model vyškolen, předáme sadu charakteristik jako vstup do modelu.
Nakonec náš model vydá druh květu přítomný v nové sadě vstupních dat. Tento proces trénování stroje k vytvoření modelu a jeho použití pro rozhodování se nazývá Strojové učení . Tento proces má však určitá omezení.

Omezení strojového učení

Machine Learning není schopen zpracovat vysoce dimenzionální data, což je místo, kde je vstup a výstup poměrně velký. Zpracování a zpracování tohoto typu dat se stává velmi složitým a vyčerpávajícím zdrojem. Toto se nazývá jako Curse of Dimensionality . Abychom tomu porozuměli jednodušeji, zvažte následující obrázek:

Zvažte linii 100 yardů a někde na linku jste shodili minci. Nyní je docela pohodlné najít minci pouhým procházením po řádku. Tato linie je jednorozměrná entita.
Dále zvažte, že máte čtverec po straně 100 yardů, jak je znázorněno na obrázku výše, a přesto jste někde mezi tím hodili minci. Nyní je zcela evidentní, že ve srovnání s předchozím scénářem si budete muset najít minci na tomto čtverci více času. Tento čtverec je dvourozměrná entita.
Pojďme to udělat o krok napřed tím, že vezmeme v úvahu krychli o straně 100 yardů a vy jste někde mezi tím hodili minci. Nyní je mince ještě obtížnější najít. Tato krychle je trojrozměrná entita.

Proto můžete sledovat, jak se složitost zvyšuje, jak se zvětšují dimenze.A v reálném životě mají vysoce dimenzionální data, o kterých jsme mluvili, tisíce dimenzí, díky nimž je jejich zpracování a zpracování velmi složité. Vysokorozměrná data lze snadno najít v případech použití, jako je zpracování obrazu, NLP, překlad obrázků atd.

Strojové učení nebylo schopné tyto případy použití vyřešit, a proto přišlo na pomoc Deep learning. Hluboké učení je schopné zpracovat vysoce dimenzionální data a je také efektivní při samotném zaměření na správné funkce. Tento proces se nazývá extrakce funkcí. Pojďme nyní v tomto výukovém programu pro hluboké učení a pochopme, jak hluboké učení funguje.

Jak funguje hluboké učení?

Ve snaze přebudovat lidský mozek Deep Learning studuje základní jednotku mozku zvanou mozková buňka nebo neuron. Inspirován neuronem byl vyvinut umělý neuron nebo perceptron. Nyní pochopme funkčnost biologických neuronů a to, jak tuto funkci napodobujeme v perceptronu nebo umělém neuronu:

  • Pokud se zaměříme na strukturu biologického neuronu, má dendrity, které se používají k přijímání vstupů. Tyto vstupy se sečtou v těle buňky a pomocí Axonu se předají dalšímu biologickému neuronu, jak je znázorněno na obrázku výše.

  • Podobně perceptron přijímá více vstupů, aplikuje různé transformace a funkce a poskytuje výstup.

  • Jak víme, že náš mozek se skládá z několika propojených neuronů zvaných neurální síť, můžeme mít také síť umělých neuronů zvaných perceptrony, které tvoří hlubokou neuronovou síť. Pojďme tedy dále v tomto výukovém programu Deep Learning, abychom pochopili, jak vypadá hluboká neuronová síť.

Výukový program pro hluboké učení: Co je to hluboké učení?

  • Jakákoli hluboká neuronová síť se bude skládat ze tří typů vrstev:
    • Vstupní vrstva
    • Skrytá vrstva
    • Výstupní vrstva
Ve výše uvedeném diagramu je první vrstva vstupní vrstvou, která přijímá všechny vstupy, a poslední vrstvou je výstupní vrstva, která poskytuje požadovaný výstup.
Všechny vrstvy mezi těmito vrstvami se nazývají skryté vrstvy. Díky špičkovým zdrojům, které jsou dnes k dispozici, může existovat n počet skrytých vrstev.
Počet skrytých vrstev a počet perceptronů v každé vrstvě bude zcela záviset na případu použití, který se snažíte vyřešit.

Nyní, když máte představu o hlubokých neuronových sítích, pojďme v tomto výukovém programu hlubokého učení pokročit a získat přehled o tom, jak Deep Neural Networks řeší problém rozpoznávání obrazu.

Hluboké učení - případ

Chceme provádět rozpoznávání obrázků pomocí Deep Networks:

Zde předáváme vysoce dimenzionální data do vstupní vrstvy. Aby odpovídala rozměrnost vstupních dat, bude vstupní vrstva obsahovat více dílčích vrstev perceptronů, aby mohla spotřebovat celý vstup.
Výstup přijatý ze vstupní vrstvy bude obsahovat vzory a bude schopen identifikovat pouze okraje obrázků na základě úrovní kontrastu.
Tento výstup se přenese do skryté vrstvy 1, kde bude schopen identifikovat různé rysy obličeje, jako jsou oči, nos, uši atd.
Nyní se to přenese do skryté vrstvy 2, kde bude schopna formovat celé tváře. Poté je výstup vrstvy 2 odeslán do výstupní vrstvy.
Nakonec výstupní vrstva provede klasifikaci na základě výsledku získaného z předchozí a předpovídá název.

Položím vám otázku, co se stane, když některá z těchto vrstev chybí nebo neurální síť není dostatečně hluboká? Jednoduché, nebudeme schopni přesně identifikovat obrázky. To je ten pravý důvod, proč tyto případy použití neměly řešení celé ty roky před Deep Learning. Abychom to posunuli dále, pokusíme se použít hluboké sítě na datovou sadu MNIST.

jak používat vznášet se v css
  • Soubor dat Mnist se skládá z 60 000 tréninkových vzorků a 10 000 testovacích vzorků ručně psaných číslic. Úkolem je vycvičit model, který dokáže přesně identifikovat číslici přítomnou na obrázku.

  • K vyřešení tohoto případu použití bude vytvořena hluboká síť s několika skrytými vrstvami pro zpracování všech 60 000 obrazů po pixelech a nakonec obdržíme výstupní vrstvu.
  • Výstupní vrstvou bude pole indexů 0 až 9, kde každý index odpovídá příslušné číslici. Index 0 obsahuje pravděpodobnost, že 0 bude číslice přítomná na vstupním obrazu.
  • Podobně index 2, který má hodnotu 0,1, ve skutečnosti představuje pravděpodobnost, že 2 bude číslice přítomná na vstupním obrázku. Takže pokud vidíme nejvyšší pravděpodobnost v tomto poli je 0,8, která je přítomna v indexu 7 pole. Proto je na obrázku číslo 7.

Závěr

Takže, tohle všechno bylo v kostce o hlubokém učení. V tomto výukovém programu hlubokého učení jsme viděli různé aplikace hlubokého učení a porozuměli jeho vztahu s AI a strojovým učením. Poté jsme pochopili, jak můžeme použít perceptron nebo základní stavební bloky umělého neuronu pro vytvoření hluboké neurální sítě, která může provádět složité úkoly. Nakonec jsme prošli jedním z případů použití hlubokého učení, kde jsme prováděli rozpoznávání obrazu pomocí hlubokých neuronových sítí a porozuměli všem krokům, které se dějí za scénou. Nyní se v dalším blogu této série Deep Learning Tutorial naučíme, jak implementovat perceptron pomocí TensorFlow, což je knihovna založená na Pythonu pro Deep Learning.

Nyní, když víte o Deep Learning, podívejte se na Edureka, důvěryhodná online vzdělávací společnost se sítí více než 250 000 spokojených studentů rozložených po celém světě. Kurz Edureka Deep Learning with TensorFlow Certification Training pomáhá studentům stát se odborníky na školení a optimalizaci základních a konvolučních neuronových sítí pomocí projektů a úkolů v reálném čase spolu s koncepty, jako je funkce SoftMax, automatické kodéry neuronových sítí, omezený Boltzmann Machine (RBM).

Máte na nás dotaz? Uveďte to prosím v sekci komentáře a my se vám ozveme.