Поскольку машинное обучение является важной составляющей, спрос на наблюдается огромный рост, особенно среди тех, кто заинтересован в открытии безграничных возможностей ИИ.Вдохновленный растущей популярностью глубокого обучения, я подумал о создании серии блогов, которые расскажут вам об этой новой тенденции в области искусственного интеллекта и помогут понять, о чем идет речь. Это первый из многих блогов в серии под названием - Учебник по глубокому обучению .
Учебник по глубокому обучению
В этом блоге с учебным пособием по глубокому обучению я расскажу вам о следующих вещах, которые послужат основой для будущих блогов:
- Что позволило глубинному обучению появиться
- Что такое глубокое обучение и как оно работает?
Вы можете просмотреть эту запись Учебного пособия по глубокому обучению, где наш инструктор подробно объяснил темы с примерами, которые помогут вам лучше понять эту концепцию.
Учебник по глубокому обучению | Нейронные сети с глубоким обучением | Эдурека
Применение искусственного интеллекта и глубокого обучения
А теперь подумайте об этом: вместо того, чтобы делать всю свою работу, у вас есть машина, которая может ее закончить за вас, или она может делать то, что, по вашему мнению, было вообще невозможно. Например:
 | Предсказание будущего: Он может помочь нам заранее прогнозировать землетрясения, цунами и т. Д., Чтобы можно было принять превентивные меры, чтобы спасти множество жизней от попадания в лапы стихийных бедствий. |
| Чат-боты: Все вы слышали о Siri, виртуальном помощнике Apple с голосовым управлением. Поверьте, с помощью Deep Learning эти виртуальные помощники становятся умнее день ото дня. Фактически, Siri может подстраиваться под пользователя и предоставлять более персонализированную помощь. |
| Беспилотные автомобили: Представьте, как это было бы невероятно для людей с ограниченными физическими возможностями и пожилых людей, которым трудно самостоятельно управлять автомобилем. Кроме того, он спасет миллионы невинных жизней, которые ежегодно попадают в дорожно-транспортное происшествие из-за человеческой ошибки. |
Офтальмолог Google AI: Это недавняя инициатива Google, в рамках которой они работают с индийской сетью по уходу за глазами над разработкой программного обеспечения ИИ, которое может проверять сканирование сетчатки и определять состояние, называемое диабетической ретинопатией, которое может вызвать слепоту. |
| Музыкальный композитор AI: Ну, кто думал, что у нас может быть композитор музыки с искусственным интеллектом, использующий глубокое обучение. Следовательно, я не удивлюсь, если узнаю, что следующая лучшая музыка дается машиной. |
| Машина для чтения мечты: Это одна из моих любимых машин, которая может запечатлеть ваши мечты в виде видео или чего-то подобного. С таким количеством нереалистичных приложений ИИ и глубокого обучения, которые мы видели до сих пор, я не удивился, узнав, что это было опробовано в Японии несколько лет назад на трех испытуемых, и они смогли достичь точности, близкой к 60%. Это нечто невероятное, но это правда. |
Я почти уверен, что некоторые из этих реальных приложений искусственного интеллекта и глубокого обучения вызовут у вас мурашки по коже. Хорошо, тогда это создает основу для вас, и теперь мы готовы продолжить это руководство по глубокому обучению и понять, что такое искусственный интеллект.
Что такое искусственный интеллект?
Искусственный интеллект - это не что иное, как способность машины имитировать разумное поведение человека. ИИ достигается путем имитации человеческого мозга, понимания того, как он думает, как он учится, принимает решения и работает, пытаясь решить проблему.
Например: Машина, играющая в шахматы, или программное обеспечение, активируемое голосом, которое помогает вам с различными функциями в вашем iPhone, или система распознавания номерных знаков, которая фиксирует номерной знак превышающей скорости автомобиля и обрабатывает его, чтобы извлечь регистрационный номер и идентифицировать владельца автомобиля . Раньше реализовать все это было непросто. Глубокое обучение . Теперь давайте разберемся с различными подмножествами искусственного интеллекта.
def __init__ питон
Подмножества искусственного интеллекта
До сих пор вы много слышали об искусственном интеллекте, машинном обучении и глубоком обучении. Однако знаете ли вы отношения между всеми тремя из них? По сути, глубокое обучение - это подполе машинного обучения, а машинное обучение - это подполе искусственного интеллекта, как показано на изображении ниже:
Когда мы смотрим на что-то вроде AlphaGo , его часто называют большим успехом для глубокого обучения, но на самом деле это комбинация идей из нескольких различных областей искусственного интеллекта и машинного обучения. На самом деле, вы были бы удивлены, узнав, что идея глубоких нейронных сетей не нова, а восходит к 1950-м годам. Однако реализовать его на практике стало возможным благодаря доступным в настоящее время ресурсам высокого класса.
Итак, продвигаясь вперед в этом блоге с обучающими материалами по глубокому обучению, давайте рассмотрим машинное обучение с учетом его ограничений.
Что такое машинное обучение?
Машинное обучение - это подмножество искусственного интеллекта, которое дает компьютерам возможность учиться без явного программирования. В машинном обучении нам не нужно явно определять все шаги или условия, как в любом другом программном приложении. Напротив, машина обучается на обучающем наборе данных, достаточно большом для создания модели, которая помогает машине принимать решения на основе своего обучения.
Например: Мы хотим определить вид цветка на основе длины его лепестка и чашелистика (листья цветка) с помощью машинного обучения. Тогда как мы это сделаем?
| Мы загрузим набор данных о цветах, который содержит различные характеристики разных цветов вместе с их соответствующими видами, в нашу машину, как вы можете видеть на изображении выше. Используя этот набор входных данных, машина создаст и обучит модель, которую можно использовать для классификации цветов по различным категориям. |
| После обучения нашей модели мы передадим в нее набор характеристик. |
| Наконец, наша модель выведет вид цветка, присутствующий в новом наборе входных данных. Этот процесс обучения машины созданию модели и ее использованию для принятия решений называется Машинное обучение . Однако у этого процесса есть некоторые ограничения. |
Ограничения машинного обучения
Машинное обучение не способно обрабатывать многомерные данные, в которых ввод и вывод довольно большие. Обработка и обработка такого типа данных становится очень сложной и ресурсоемкой. Это называется Проклятие размерности . Чтобы понять это проще, давайте рассмотрим следующее изображение:
| Представьте линию в 100 ярдов, и вы уронили монету где-то на ней. Теперь вам довольно удобно находить монету, просто идя по леске. Сама эта линия представляет собой одномерное целое. |
| Затем представьте, что у вас есть квадрат со стороной 100 ярдов каждая, как показано на изображении выше, и снова вы уронили монету где-то посередине. Теперь совершенно очевидно, что вам понадобится больше времени, чтобы найти монету в этом квадрате, по сравнению с предыдущим сценарием. Этот квадрат - двумерный объект. |
| Давайте сделаем шаг вперед, рассмотрев куб со стороной 100 ярдов каждая, и вы уронили монету где-то посередине. Теперь найти монету на этот раз еще сложнее. Этот куб представляет собой трехмерную сущность. |
Следовательно, вы можете наблюдать, как сложность увеличивается по мере увеличения размеров.А в реальной жизни многомерные данные, о которых мы говорили, имеют тысячи измерений, что делает их очень сложными для обработки и обработки. Данные высокой размерности можно легко найти в таких случаях использования, как обработка изображений, NLP, перевод изображений и т. Д.
руководство по визуальной студии для начинающих
Машинное обучение не могло решить эти варианты использования, и, следовательно, на помощь пришло глубокое обучение. Глубокое обучение способно обрабатывать данные большого размера, а также эффективно фокусироваться на правильных функциях самостоятельно. Этот процесс называется извлечением признаков. Теперь давайте перейдем к этому руководству по глубокому обучению и поймем, как работает глубокое обучение.
Как работает глубокое обучение?
Пытаясь реконструировать человеческий мозг, Deep Learning изучает базовую единицу мозга, называемую клеткой мозга или нейроном. Вдохновленный нейроном, был разработан искусственный нейрон или перцептрон. Теперь давайте поймем функциональность биологических нейронов и то, как мы имитируем эту функциональность в перцептроне или искусственном нейроне:
Если мы сосредоточимся на структуре биологического нейрона, у него есть дендриты, которые используются для получения входных данных. Эти входные данные суммируются в теле клетки и с помощью аксона передаются следующему биологическому нейрону, как показано на изображении выше.
Точно так же перцептрон получает несколько входных данных, применяет различные преобразования и функции и предоставляет выходные данные.
что такое переменные экземпляра в Java
Поскольку мы знаем, что наш мозг состоит из нескольких связанных нейронов, называемых нейронной сетью, у нас также может быть сеть искусственных нейронов, называемых перцептронами, которые образуют глубокую нейронную сеть. Итак, давайте продолжим изучение этого руководства по глубокому обучению, чтобы понять, как выглядит глубокая нейронная сеть.
Учебник по глубокому обучению: что такое глубокое обучение?
- Любая глубокая нейронная сеть будет состоять из трех типов слоев:
- Входной слой
- Скрытый слой
- Выходной слой
| На приведенной выше диаграмме первый уровень - это входной уровень, который получает все входные данные, а последний слой - выходной слой, который обеспечивает желаемый выход. |
| Все слои между этими слоями называются скрытыми слоями. Благодаря высококлассным ресурсам, доступным в наши дни, может быть n скрытых слоев. |
| Количество скрытых слоев и количество перцептронов в каждом слое полностью зависит от варианта использования, который вы пытаетесь решить. |
Теперь, когда у вас есть представление о глубоких нейронных сетях, давайте перейдем к этому руководству по глубокому обучению, чтобы получить общее представление о том, как глубокие нейронные сети решают проблему распознавания изображений.
Использование глубокого обучения - кейс
Мы хотим выполнять распознавание изображений с помощью Deep Networks:
| Здесь мы передаем данные большого размера на входной уровень. Чтобы соответствовать размерности входных данных, входной слой будет содержать несколько подслоев перцептронов, чтобы он мог потреблять все входные данные. |
| Выходные данные, полученные от входного слоя, будут содержать шаблоны и смогут идентифицировать только края изображений на основе уровней контрастности. |
| Этот вывод будет отправлен на скрытый слой 1, где он сможет идентифицировать различные черты лица, такие как глаза, нос, уши и т. Д. |
| Теперь он будет отправлен на скрытый слой 2, где он сможет сформировать все грани. Затем выходные данные уровня 2 отправляются на выходной уровень. |
| Наконец, выходной слой выполняет классификацию на основе результата, полученного из предыдущего, и предсказывает имя. |
Позвольте мне задать вам вопрос, что произойдет, если какой-либо из этих слоев отсутствует или нейронная сеть недостаточно глубока? Просто мы не сможем точно идентифицировать изображения. Это та самая причина, по которой эти варианты использования не имели решения все эти годы до глубокого обучения. Чтобы пойти дальше, мы попытаемся применить глубокие сети к набору данных MNIST.
Набор данных Mnist состоит из 60 000 обучающих выборок и 10 000 тестовых образцов рукописных цифровых изображений. Задача здесь - обучить модель, которая сможет точно идентифицировать цифру, присутствующую на изображении.
- Для решения этого варианта использования будет создана глубокая сеть с несколькими скрытыми слоями для обработки всех 60000 изображений пиксель за пикселем, и, наконец, мы получим выходной слой.
- Выходной слой будет массивом с индексами от 0 до 9, где каждый индекс соответствует соответствующей цифре. Индекс 0 содержит вероятность того, что 0 - это цифра, присутствующая на входном изображении.
Точно так же индекс 2, который имеет значение 0,1, фактически представляет вероятность того, что 2 будет цифрой, присутствующей на входном изображении. Итак, если мы видим, что наибольшая вероятность в этом массиве равна 0,8, которая присутствует в индексе 7 массива. Следовательно, число на изображении - 7.
Заключение
Итак, ребята, это было вкратце о глубоком обучении. В этом руководстве по глубокому обучению мы увидели различные приложения глубокого обучения и поняли его связь с ИИ и машинным обучением. Затем мы поняли, как мы можем использовать базовые блоки персептрона или искусственного нейрона для создания глубокой нейронной сети, которая может выполнять такие сложные задачи. Наконец, мы рассмотрели один из вариантов использования глубокого обучения, когда выполняли распознавание изображений с использованием глубоких нейронных сетей и понимали все этапы, которые происходят за кулисами. Теперь, в следующем блоге этой серии учебников по глубокому обучению, мы узнаем, как реализовать перцептрон с помощью TensorFlow, библиотеки на основе Python для глубокого обучения.
Теперь, когда вы знаете о глубоком обучении, ознакомьтесь с от Edureka, надежной компании по онлайн-обучению с сетью из более чем 250 000 довольных учащихся по всему миру. Курс Edureka Deep Learning with TensorFlow Certification Training помогает учащимся стать экспертами в обучении и оптимизации базовых и сверточных нейронных сетей с использованием проектов и заданий в реальном времени, а также таких понятий, как функция SoftMax, нейронные сети с автокодированием, ограниченная машина Больцмана (RBM).
Есть вопрос к нам? Пожалуйста, отметьте это в разделе комментариев, и мы свяжемся с вами.