Introduktion til Deep Learning

Deep Learning er en af ​​maskinlæringsteknikkerne, som vi lærer / træner computere til at gøre, hvad mennesker gør. For eksempel kører en bil - dyb læring spiller en nøglerolle i førerløs bilteknologi ved at sætte dem i stand til at identificere forskellige trafikskilte, vejskilte, fodgængerskilte osv. Andre centrale områder inden for dyb læring er stemmestyring i hjemmesystemer, mobiler, trådløse højttalere, Alexa, smarte tv osv. Dyb læring for begyndere handler mest om flere niveauer af abstraktion og repræsentation, ved hjælp af hvilken computermodel lærer at udføre klassificering af billeder, lyde og tekst osv. Dyb indlæringsmodeller opnår bedre nøjagtighed og ydeevne end mennesker i nogle modeller . Generelt trænes disse computermodeller af et stort datasæt, der er mærket og umærket til at identificere objekter og neurale netværk, der har flere lag i hvert netværk.

Hvad er dyb læring?

Jeg vil forklare, hvad der er dyb læring i lægmand som nedenfor: Generelt vil vi udføre to opgaver hele tiden bevidst eller ubevidst, dvs. kategorisere, hvad vi følte gennem vores sanser (som at føle os varmt, koldt krus osv.) Og forudsigelse, f.eks., forudsiger den fremtidige temperatur baseret på de forrige temperaturdata. Vi udfører kategoriserings- og forudsigelsesopgaver til flere begivenheder eller opgaver i vores daglige liv, som nedenfor:

  • Hold kop te / vand / kaffe osv., Som kan være varmt eller koldt.
  • E-mail-kategorisering såsom spam / ikke spam.
  • Dagslys tidskategorisering såsom dag eller nat.
  • Langsigtet planlægning af fremtiden baseret på vores nuværende position og ting, vi har - kaldes forudsigelse.
  • Enhver væsen i verden vil udføre disse opgaver i deres liv, f.eks. Overveje at dyr som krage vil kategorisere et sted at bygge sit rede eller ej, et bi vil beslutte nogle faktorer, hvornår og hvor man kan få honning, flagermus vil komme om natten og sover om morgenen baseret på dag- og natkategorisering.

Lad os visualisere disse opgaver kategorisering og forudsigelse, og de vil se ens ud som i nedenstående billede. For kategorisering foretager vi kategorisering mellem katte og hunde ved at tegne en linje gennem datapunkter og i tilfælde af forudsigelse tegner vi en linje gennem datapunkter til forudsige, hvornår det vil stige og falde.

1) Kategorisering

  • Generelt for at kategorisere mellem katte og hunde, eller mænd og kvinder, trækker vi ikke en linje i vores hjerner, og placeringen af ​​hunde og katte er kun vilkårlig til illustration, og det er unødvendigt at sige, hvordan vi kategoriserer mellem katte og hunde i vores hjerner er meget kompliceret end at tegne en rød streg som ovenfor.
  • Vi vil kategorisere mellem to ting baseret på former, størrelse, højde, udseende osv., Og nogle gange vil det være vanskeligt at kategorisere med disse funktioner såsom en lille hund med raseri og nyfødt kat, så det er ikke en klar kategorisering til katte og hunde.
  • Når vi først er i stand til at kategorisere mellem katte og hunde, når vi er børn, kan vi fremover kategorisere enhver hund eller kat, selvom vi ikke så den før.

2) Forudsigelse

  • For forudsigelse baseret på linjen trækker vi gennem datapunkter, hvis vi er i stand til at forudsige, hvor det mest sandsynligt er at gå opad eller nedad.
  • Kurven er også en forudsigelse af montering af nye datapunkter inden for rækkevidden af ​​eksisterende datapunkter, dvs. hvor tæt det nye datapunkt er på kurven.
  • Datapunkterne, der er i rød farve i ovenstående billede (højre side), er eksempler på både inden for og uden for rækkevidden af ​​eksisterende datapunkter og kurven forsøger at forudsige begge.

Endelig afsluttes begge opgaver kategorisering og forudsigelse på lignende tidspunkt, dvs. tegning af en kurvet linje fra datapunkter. Hvis vi er i stand til at træne computermodellen til at tegne den krumme linje baseret på datapunkter, vi er færdig med, kan vi udvide dette til at gælde i forskellige modeller, såsom at tegne en kurvet linje i tredimensionelle plan og så videre. Ovenstående ting kan opnås ved at træne en model med en stor mængde mærkede og umærkede data, der kaldes dyb læring.

Eksempler på dyb læring:

Som vi ved, er dyb læring og maskinlæring delmængder af kunstig intelligens, men dyb læringsteknologi repræsenterer den næste udvikling af maskinlæring. Da maskinlæring vil fungere baseret på algoritmer og programmer udviklet af mennesker, hvorimod dyb læring lærer gennem en neuralt netværksmodel, der fungerer som ligner mennesker og giver maskine eller computer mulighed for at analysere dataene på en lignende måde som mennesker gør. Dette bliver muligt, når vi træner de neurale netværksmodeller med en enorm mængde data, da data er brændstof eller mad til neurale netværksmodeller. Nedenfor er nogle af eksemplerne på dyb læring i den virkelige verden.

  • Computer Vision:

Computer vision beskæftiger sig med algoritmer til computere til at forstå verden ved hjælp af billed- og videodata og opgaver såsom billedgenkendelse, billedklassificering, objektdetektion, billedsegmentering, billedgendannelse osv.

  • Tale- og naturligt sprogbehandling:

Naturlig sprogbehandling omhandler algoritmer til computere til at forstå, fortolke og manipulere på menneskeligt sprog. NLP-algoritmer fungerer med tekst- og lyddata og omdanner dem til lyd eller tekstudgang. Ved hjælp af NLP kan vi udføre opgaver såsom følelsesanalyse, talegenkendelse, sprogovergang og naturlig sproggenerering osv.

  • Autonome køretøjer:

Deep learning-modeller trænes med en enorm mængde data til identificering af gadeskilte; nogle modeller er specialiserede i at identificere fodgængere, identificere mennesker osv. til førerløse biler under kørsel.

  • Tekstgenerering:

Ved at bruge dybe indlæringsmodeller, der trænes efter sprog, grammatik og typer tekster osv. Kan bruges til at skabe en ny tekst med korrekt stavemåde og grammatik fra Wikipedia til Shakespeare.

  • Billedfiltrering:

Ved at bruge dybe indlæringsmodeller, såsom tilføjelse af farve til sort / hvid-billeder, kan der udføres med dyb indlæringsmodeller, hvilket vil tage mere tid, hvis vi gør manuelt.

Konklusion

Endelig er det en oversigt over dyb læringsteknologi, dens anvendelser i den virkelige verden. Jeg håber, at du får en god forståelse af, hvad der er dybtgående læring efter at have læst denne artikel. Som vi ved i dag, er billedgenkendelse af maskiner, der er trænet af dyb læring i nogle tilfælde bedre end mennesker, dvs. til at identificere kræft i blod og tumorer i MR-scanninger, og Googles alphaGo lærte spillet og trænede til sin 'Go' -kamp ved at træne det neurale netværk ved at spille imod det igen og igen.

Anbefalede artikler

Dette har været en guide til Hvad er dyb læring. Her har vi drøftet de grundlæggende koncepter og eksempler på dyb læring. Du kan også se på følgende artikler:

  1. Karrierer i dybe læringer
  2. 13 Nyttige spørgsmål om dyb læring
  3. Overvåget læring vs dyb læring
  4. Neurale netværk vs dyb læring
  5. Top sammenligning af dyb læring vs maskinlæring

Kategori:

Big Data