Co je to Deep Learning? Začínáme s hlubokým učením

Co je to Deep Learning?

V tomto blogu budu hovořit o tom, co je Hluboké učení což je v dnešní době horká hláška a pevně zapustilo kořeny v obrovském množství průmyslových odvětví, která investují do oblastí jako umělá inteligence, velká data a analytika. Google například používá hluboké učení ve svých algoritmech rozpoznávání hlasu a obrazu, zatímco Netflix a Amazon ho využívají k pochopení chování svých zákazníků. Ve skutečnosti tomu nebudete věřit, ale vědci z MIT se snaží pomocí hlubokého učení předpovídat budoucnost.Nyní si představte, jaký potenciál má hluboké učení v revoluci ve světě a jak budou společnosti hledat .Než budeme hovořit o hlubokém učení, musíme pochopit jeho vztah se strojovým učením a umělou inteligencí. Nejjednodušší způsob, jak pochopit tento vztah, je projít následujícím diagramem:

obr: Co je Deep Learning - časová osa technologií AI

Tady na obrázku vidíte, že strojové učení je podmnožinou AI. To znamená, že můžeme stavět inteligentní stroje, které se mohou učit na základě poskytnuté datové sady samostatně. Dále si všimnete, že Deep Learning je podmnožinou strojového učení, kde se podobné algoritmy strojového učení používají k trénování hlubokých neuronových sítí, aby se dosáhlo lepší přesnosti v těch případech, kdy dřívější nedosahoval úrovně. FoNíže jsou témata, kterým se budu věnovat v tomto výukovém programu hlubokého učení:

• Umělá inteligence
• Strojové učení
• Nevýhody ML
• Co je to Deep Learning?
• Aplikace pro hluboké učení

Získejte certifikaci na úrovni průmyslových projektů a zrychlete svou kariéru

Umělá inteligence

obr: Co je hluboké učení - umělá inteligence

Termín AI vytvořil v roce 1956 John McCarthy, který je také označován jako otec umělé inteligence. Myšlenka AI je poměrně jednoduchá, ale fascinující, a to dělat inteligentní stroje, které mohou samy rozhodovat. Možná si to myslíte jako vědeckou fantazii, ale s ohledem na nedávný vývoj v oblasti technologií a výpočetní síly se zdá, že samotná myšlenka se každodenně přibližuje realitě.

Strojové učení: krok k umělé inteligenci

Nyní, když jste obeznámeni s umělou inteligencí, pojďme si krátce promluvit o Machine Learning a pochopte, co to znamená, když říkáme, že programujeme stroje, které se mají učit. Začněme velmi slavnou definicí strojového učení:

'Počítačový program se říká, že se učí ze zkušenosti E, pokud jde o nějaký úkol T a nějaké měřítko výkonu P, pokud se jeho výkon na T, měřený P, zlepšuje se zkušeností E.' - Tom Mitchell, Carnegie Mellon University

Takže pokud chcete, aby váš program předpovídal dopravní vzorce na rušné křižovatce (úkol T), můžete jej spustit pomocí algoritmu strojového učení s daty o minulých provozních vzorcích (zkušenost E). Nyní bude přesnost predikce (měření výkonu P) záviset na skutečnosti, zda se program úspěšně naučil ze sady dat nebo ne (zkušenost E).

java util příklad protokolování záznamníku

V podstatě se Machine Learning označuje jako typ umělé inteligence (AI), která poskytuje počítačům schopnost učit se, aniž by byla explicitně naprogramována tím, že je vystavuje velkému množství dat. Základním principem Machine Learning je učit se ze souborů dat a pokusit se minimalizovat chyby nebo maximalizovat pravděpodobnost, že jejich předpovědi budou pravdivé.

Nevýhody strojového učení

• Tradiční algoritmy ML nejsou užitečné při práci s vysoce dimenzionálními daty, to je místo, kde máme velké množství vstupů a výstupů. Například v případě rozpoznávání rukopisu máme velké množství vstupů, kde budeme mít jiný typ vstupů spojených s jiným typem rukopisu.

• Druhým velkým úkolem je sdělit počítači, jaké funkce by měl hledat, které budou hrát důležitou roli při předpovídání výsledku i při dosahování lepší přesnosti. Tento proces je označován jako extrakce funkcí .

Krmení surových dat do algoritmu zřídka někdy funguje, a to je důvod, proč je extrakce funkcí kritickou součástí tradičního pracovního postupu strojového učení. Bez extrakce funkcí se proto výzva pro programátora zvyšuje, protože účinnost algoritmu velmi závisí na tom, jak je programátor vhledný. Proto je velmi obtížné použít tyto modely nebo algoritmy strojového učení na složité problémy, jako je rozpoznávání objektů, rozpoznávání rukopisu, NLP (zpracování přirozeného jazyka) atd.

Hluboké učení

Hluboké učení je jednou z mála metod, kterými můžeme překonat výzvy spojené s extrakcí funkcí. Důvodem je, že modely hlubokého učení jsou schopné se samy naučit soustředit se na správné funkce, což vyžaduje malé vedení programátora. Hluboké učení v podstatě napodobuje způsob, jakým funguje náš mozek, tj. Učí se ze zkušeností. Jak víte, náš mozek je tvořen miliardami neuronů, které nám umožňují dělat úžasné věci. I mozek ročního dítěte dokáže vyřešit složité problémy, které je velmi obtížné vyřešit i pomocí superpočítačů. Například:

• Rozpoznávejte také tvář svých rodičů a různé předměty.
• Rozlišujte různé hlasy a na základě jeho hlasu dokonce rozeznáte konkrétní osobu.
• Vyvodit závěr z gest obličeje jiných osob a mnoha dalších.

Náš mozek se vlastně v průběhu let podvědomě trénoval, aby takové věci dělal. Nyní přichází otázka, jak hluboké učení napodobuje funkčnost mozku? Hluboké učení využívá koncept umělých neuronů, které fungují podobným způsobem jako biologické neurony přítomné v našem mozku. Proto můžeme říci, že Deep Learning je podpole stroj učení se zabývající se algoritmy inspirovanými strukturou a funkcí mozku zvané umělé neuronové sítě.

Vezměme si nyní příklad, abychom tomu porozuměli. Předpokládejme, že chceme vytvořit systém, který dokáže rozpoznat tváře různých lidí v obraze.Pokud to vyřešíme jako typický problém se strojovým učením, definujeme rysy obličeje, jako jsou oči, nos, uši atd., A poté systém určí, které rysy jsou pro danou osobu samy o sobě důležitější.

Hluboké učení jde nyní o jeden krok vpřed. Hluboké učení automaticky zjistí funkce, které jsou důležité pro klasifikaci kvůli hlubokým neuronovým sítím, zatímco v případě strojového učení jsme museli tyto funkce definovat ručně.

obr: Rozpoznávání tváře pomocí Deep Networks

Jak je znázorněno na obrázku výše, Deep Learning funguje následovně:

• Na nejnižší úrovni se síť fixuje na vzorce místního kontrastu jako důležité.
• Následující vrstva je poté schopna použít tyto vzorce místního kontrastu k fixaci věcí, které se podobají očím, nosům a ústům
• Konečně je horní vrstva schopna aplikovat tyto rysy obličeje na šablony obličejů.
• Hluboká neuronová síť je schopna skládat stále složitější funkce v každé ze svých následných vrstev.

Přemýšleli jste někdy nad tím, jak Facebook automaticky označuje nebo označuje všechny osoby přítomné na obrázku, který jste nahráli? Facebook používá Deep Learning podobným způsobem, jak je uvedeno ve výše uvedeném příkladu. Nyní byste si uvědomili schopnost Deep Learning a jak může překonat strojové učení v těch případech, kdy máme velmi malou představu o všech funkcích, které mohou ovlivnit výsledek. Hluboká síť proto může překonat nevýhodu strojového učení nakreslením závěrů ze sady dat sestávající ze vstupních dat bez řádného označení.

Co je hluboké učení | Zjednodušené hluboké učení | Edureka

Aplikace hlubokého učení

Pokračujeme v tomto blogu o hlubokém učení, pojďme se podívat na některé z reálných aplikací Deep Learning, abychom pochopili jeho skutečné síly.

co je keyerror v pythonu

• Rozpoznávání řeči

Všichni byste slyšeli o Siri, což je inteligentní asistent Apple ovládaný hlasem. Stejně jako ostatní velcí giganti, Apple také začal investovat do Deep Learning, aby jeho služby byly lepší než kdy jindy.

V oblasti rozpoznávání řeči a hlasem řízeného inteligentního asistenta, jako je Siri, je možné vyvinout přesnější akustický model pomocí hluboké neurální sítě a v současné době je jedním z nejaktivnějších polí pro implementaci hlubokého učení. Jednoduše řečeno, můžete vytvořit takový systém, který se může naučit nové funkce nebo se přizpůsobit podle vás, a proto vám poskytne lepší pomoc tím, že předem předpovídá všechny možnosti.

c ++ sort ()

• Automatický strojový překlad

Všichni víme, že Google dokáže okamžitě přeložit mezi 100 různými lidskými jazyky, a to příliš rychle, jako by to bylo kouzlem. Technologie v pozadí Google Překladač je nazýván Strojový překlad a byl spasitelem pro lidi, kteří spolu nemohou komunikovat kvůli rozdílu v mluvícím jazyce. Nyní byste si mysleli, že tato funkce je tu již dlouhou dobu, takže, co je v tom nového? Dovolte mi, abych vám řekl, že za poslední dva roky Google pomocí hlubokého učení zcela reformoval přístup k strojovému překladu ve svém Google Translate. Výzkumní pracovníci zabývající se hlubokým učením, kteří o překladech jazyků téměř nic nevědí, ve skutečnosti navrhují relativně jednoduchá řešení strojového učení, která překonávají nejlepší systémy jazykových překladů vytvořené odborníky na světě. Překlad textu lze provést bez jakéhokoli předběžného zpracování sekvence, což umožňuje algoritmu naučit se závislosti mezi slovy a jejich mapování do nového jazyka. K provedení tohoto překladu se používají skládané sítě velkých rekurentních neuronových sítí.

• Okamžitý vizuální překlad

Jak víte, hluboké učení se používá k identifikaci obrázků, které mají písmena a kde jsou písmena na scéně. Po identifikaci je lze převést na text, přeložit a obrázek znovu vytvořit s přeloženým textem. Tomu se často říká okamžitý vizuální překlad .

Nyní si představte situaci, kdy jste navštívili jinou zemi, jejíž mateřský jazyk neznáte. Není třeba se obávat, pomocí různých aplikací, jako je Google Translate, můžete pokračovat a provádět okamžité vizuální překlady, abyste si mohli přečíst nápisy nebo vývěsky v obchodech napsané v jiném jazyce. To bylo možné jen díky hlubokému učení.

Poznámka: Můžete si stáhnout aplikaci Google Translate a vyzkoušet úžasný okamžitý vizuální překlad pomocí výše uvedeného obrázku.

• Chování: Automated Self Driven Cars

Google se snaží pomocí iniciativy Deep Learning pozvednout jejich iniciativu s vlastním pohonem, známou jako WAYMO, na zcela novou úroveň dokonalosti. Namísto toho, aby používali staré ručně kódované algoritmy, mohou nyní programovat systém, který se může učit sám pomocí dat poskytovaných různými senzory. Hluboké učení je nyní nejlepším přístupem k většině úkolů vnímání, stejně jako k mnoha úkolům kontroly na nízké úrovni. Proto nyní mohou i lidé, kteří nevědí, že mají řídit nebo jsou zdravotně postiženi, vyrazit na cestu bez ohledu na někoho jiného.

Zde jsem zmínil jen několik slavných případů použití v reálném životě, kdy je Deep Learning hojně využíván a vykazuje slibné výsledky. Existuje mnoho dalších aplikací hlubokého učení spolu s mnoha oblastmi, které je ještě třeba prozkoumat.

Stručně řečeno, jde o hluboké učení. Jsem si jist, že byste si teď uvědomili rozdíl mezi strojovým učením a hlubokým učením a také to, jak může být hluboké učení velmi užitečné pro různé aplikace v reálném životě. Nyní se v mém dalším blogu v této sérii výukových programů hlubokého učení podrobně ponoříme do různých konceptů a algoritmů Deep Learning spolu s jejich aplikací.

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

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