Что такое глубокое обучение?
В этом блоге я буду говорить о том, что есть Глубокое обучение который в настоящее время пользуется большой популярностью и прочно пустил корни в огромном множестве отраслей, инвестирующих в такие области, как искусственный интеллект, большие данные и аналитика. Например, Google использует глубокое обучение в своих алгоритмах распознавания голоса и изображений, тогда как Netflix и Amazon используют его для понимания поведения своих клиентов. На самом деле, вы не поверите, но исследователи из Массачусетского технологического института пытаются предсказать будущее с помощью глубокого обучения.А теперь представьте, какой потенциал глубокого обучения может революционизировать мир и как компании будут искать .Прежде чем говорить о глубоком обучении, необходимо понять его связь с машинным обучением и искусственным интеллектом. Самый простой способ понять эту взаимосвязь - просмотреть приведенную ниже диаграмму:
Инжир: Что такое глубокое обучение - хронология технологий искусственного интеллекта
Здесь, на изображении, вы можете видеть, что машинное обучение - это подмножество ИИ. Это означает, что мы можем создавать интеллектуальные машины, которые могут учиться самостоятельно на основе предоставленных данных. Кроме того, вы заметите, что глубокое обучение - это подмножество машинного обучения, в котором аналогичные алгоритмы машинного обучения используются для обучения глубоких нейронных сетей, чтобы достичь большей точности в тех случаях, когда первый не работал на должном уровне. FoНиже перечислены темы, которые я собираюсь обсудить в этом руководстве по глубокому обучению:
- Искусственный интеллект
- Машинное обучение
- Недостатки ML
- Что такое глубокое обучение?
- Приложение для глубокого обучения
Получите сертификат по отраслевым проектам и ускорьте свою карьеру
Искусственный интеллект
mysql_fetch_array php
Инжир: Что такое глубокое обучение - искусственный интеллект
Термин AI был придуман в 1956 году Джоном Маккарти, которого также называют отцом искусственного интеллекта. Идея искусственного интеллекта довольно проста, но увлекательна: создание интеллектуальных машин, способных принимать решения самостоятельно. Вы можете подумать, что это научная фантастика, но что касается последних достижений в области технологий и вычислительной мощности, кажется, что сама идея с каждым днем становится все ближе к реальности.
Машинное обучение: шаг к искусственному интеллекту
Теперь, когда вы знакомы с искусственным интеллектом, давайте кратко поговорим о машинном обучении и поймем, что это значит, когда мы говорим, что программируем машины для обучения. Начнем с очень известного определения машинного обучения:
«Считается, что компьютерная программа учится на опыте E в отношении некоторой задачи T и некоторого показателя производительности P, если ее производительность на T, измеренная с помощью P, улучшается с опытом E.» - Том Митчелл, Университет Карнеги-Меллона
Итак, если вы хотите, чтобы ваша программа предсказывала модели трафика на оживленном перекрестке (задача T), вы можете запустить ее через алгоритм машинного обучения с данными о прошлых моделях трафика (опыт E). Теперь точность прогноза (показатель эффективности P) будет зависеть от того, успешно ли программа извлекла данные из набора данных (опыт E).
По сути, машинное обучение называется типом искусственного интеллекта (ИИ), который дает компьютерам возможность обучаться без явного программирования, подвергая их огромному количеству данных. Основной принцип машинного обучения - учиться на наборах данных и пытаться минимизировать ошибки или максимизировать вероятность того, что их прогнозы верны.
Недостатки машинного обучения
- Традиционные алгоритмы машинного обучения бесполезны при работе с многомерными данными, поэтому у нас есть большое количество входов и выходов. Например, в случае распознавания рукописного ввода у нас есть большой объем входных данных, где у нас будут разные типы входных данных, связанные с разным типом почерка.
- Вторая важная задача - сообщить компьютеру, какие функции он должен искать, которые будут играть важную роль в прогнозировании результата, а также для достижения большей точности при этом. Сам этот процесс называется извлечение признаков .
Подача необработанных данных в алгоритм редко когда-либо работает, и именно по этой причине извлечение функций является важной частью традиционного рабочего процесса машинного обучения. Следовательно, без извлечения функций проблема для программиста возрастает, поскольку эффективность алгоритма во многом зависит от того, насколько проницателен программист. Следовательно, очень сложно применить эти модели или алгоритмы машинного обучения к сложным задачам, таким как распознавание объектов, распознавание рукописного ввода, NLP (обработка естественного языка) и т. Д.
Глубокое обучение
Глубокое обучение - один из немногих методов, с помощью которого мы можем преодолеть проблемы извлечения признаков. Это связано с тем, что модели глубокого обучения способны научиться фокусироваться на нужных функциях сами по себе, не требуя от программиста особых указаний. По сути, глубокое обучение имитирует работу нашего мозга, то есть учится на собственном опыте. Как вы знаете, наш мозг состоит из миллиардов нейронов, которые позволяют нам делать удивительные вещи. Даже мозг годовалого ребенка может решать сложные задачи, которые очень сложно решить даже с помощью суперкомпьютеров. Например:
- Узнавайте лица своих родителей и различные предметы.
- Различать разные голоса и даже узнавать конкретного человека по голосу.
- Делайте выводы из мимических жестов других людей и многого другого.
На самом деле наш мозг подсознательно тренировался делать такие вещи за долгие годы. Теперь возникает вопрос, насколько глубокое обучение имитирует функциональность мозга? Что ж, глубокое обучение использует концепцию искусственных нейронов, которые функционируют так же, как биологические нейроны, присутствующие в нашем мозгу. Таким образом, можно сказать, что глубокое обучение - это подполе машина обучение занимается алгоритмами, основанными на структуре и функциях мозга, называемыми искусственными нейронными сетями.
Теперь давайте рассмотрим пример, чтобы понять это. Предположим, мы хотим создать систему, которая может распознавать лица разных людей на изображении.Если мы решим это как типичную проблему машинного обучения, мы определим черты лица, такие как глаза, нос, уши и т. Д., А затем система сама определит, какие функции более важны для какого человека.
Теперь глубокое обучение делает это на шаг впереди. Глубокое обучение автоматически обнаруживает функции, которые важны для классификации из-за глубоких нейронных сетей, тогда как в случае машинного обучения нам приходилось вручную определять эти функции.
Инжир: Распознавание лиц с использованием Deep Networks
Как показано на изображении выше, глубокое обучение работает следующим образом:
- На самом низком уровне сеть зацикливается на паттернах локального контраста как на важном.
- Затем следующий слой может использовать эти узоры местного контраста, чтобы сосредоточиться на вещах, которые напоминают глаза, носы и рты.
- Наконец, верхний слой может применять эти черты лица к шаблонам лиц.
- Глубокая нейронная сеть способна составлять все более и более сложные функции на каждом из своих последовательных слоев.
Вы когда-нибудь задумывались, как Facebook автоматически маркирует или помечает всех людей, присутствующих на загруженном вами изображении? Что ж, Facebook использует Deep Learning аналогично тому, как указано в приведенном выше примере. Теперь вы бы осознали возможности глубокого обучения и то, как оно может превзойти машинное обучение в тех случаях, когда мы очень мало знаем обо всех функциях, которые могут повлиять на результат. Следовательно, глубокая сеть может преодолеть недостаток машинного обучения, делая выводы из набора данных, состоящего из входных данных, без надлежащей маркировки.
Что такое глубокое обучение | Упрощенное глубокое обучение | Эдурека
Приложения глубокого обучения
Продвигаясь вперед в этом блоге о глубоком обучении, давайте рассмотрим некоторые из реальных приложений глубокого обучения, чтобы понять его истинные возможности.
Распознавание речи
Все вы слышали о Siri, интеллектуальном помощнике Apple с голосовым управлением. Как и другие крупные гиганты, Apple начала инвестировать в глубокое обучение, чтобы сделать свои услуги лучше, чем когда-либо.
Глубокая и мелкая копия Java
В области распознавания речи и интеллектуального помощника с голосовым управлением, такого как Siri, можно разработать более точную акустическую модель, используя глубокую нейронную сеть, и в настоящее время это одна из самых активных областей для реализации глубокого обучения. Проще говоря, вы можете создать такую систему, которая может изучать новые функции или адаптироваться под вас и, следовательно, оказывать лучшую помощь, заранее прогнозируя все возможности.
Автоматический машинный перевод
Все мы знаем, что Google может мгновенно переводить со 100 различных человеческих языков, причем слишком быстро, как по волшебству. Технологии, лежащие в основе Гугл переводчик называется Машинный перевод и был спасением для людей, которые не могут общаться друг с другом из-за разницы в разговорном языке. Вы могли бы подумать, что эта функция существует уже давно, так что же в ней нового? Позвольте мне сказать вам, что за последние два года с помощью глубокого обучения Google полностью изменила подход к машинному переводу в своем Google Translate. Фактически, исследователи глубокого обучения, которые почти ничего не знают о языковом переводе, предлагают относительно простые решения машинного обучения, которые превосходят лучшие в мире системы языкового перевода, созданные экспертами. Перевод текста может выполняться без какой-либо предварительной обработки последовательности, что позволяет алгоритму изучать зависимости между словами и их сопоставление с новым языком. Для выполнения этого перевода используются составные сети больших рекуррентных нейронных сетей.
- Мгновенный визуальный перевод
Как вы знаете, глубокое обучение используется для определения изображений, на которых есть буквы и где буквы находятся на сцене. После идентификации их можно преобразовать в текст, перевести и воссоздать изображение с помощью переведенного текста. Это часто называют мгновенный визуальный перевод .
А теперь представьте себе ситуацию, когда вы посетили любую другую страну, родной язык которой вам не известен. Что ж, не о чем беспокоиться, используя различные приложения, такие как Google Translate, вы можете выполнять мгновенные визуальные переводы, чтобы читать вывески или доски объявлений, написанные на другом языке. Это стало возможным только благодаря глубокому обучению.
Заметка: Вы можете скачать приложение Google Translate и оценить потрясающий мгновенный визуальный перевод, используя изображение выше.
Поведение: автоматизированные самоуправляемые автомобили
Google пытается вывести свою инициативу по созданию беспилотных автомобилей, известную как WAYMO, на совершенно новый уровень совершенства с помощью глубокого обучения. Таким образом, вместо использования старых алгоритмов, написанных вручную, они теперь могут программировать систему, которая может обучаться самостоятельно, используя данные, предоставляемые различными датчиками. Глубокое обучение теперь является лучшим подходом к большинству задач восприятия, а также ко многим задачам управления низкого уровня. Следовательно, теперь даже люди, которые не умеют водить машину или инвалиды, могут идти вперед и ездить, не полагаясь ни на кого.
Здесь я упомянул лишь несколько известных реальных случаев использования, когда глубокое обучение широко используется и показывает многообещающие результаты. Есть много других приложений глубокого обучения, а также многие области, которые еще предстоит изучить.
Итак, это все вкратце о глубоком обучении. Я уверен, что к настоящему времени вы бы уже осознали разницу между машинным обучением и глубоким обучением, а также то, как глубокое обучение может быть очень полезно для различных реальных приложений. Теперь, в моем следующем блоге этой серии руководств по глубокому обучению, мы подробно рассмотрим различные концепции и алгоритмы глубокого обучения, а также их применение.
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, используя проекты и задания в реальном времени, а также такие концепции, как функция SoftMax, нейронные сети с автокодированием, ограниченная машина Больцмана (RBM).
Есть вопрос к нам? Пожалуйста, укажите это в комментариях, и мы свяжемся с вами.