Introduktion til anvendelse af dyb læring
Deep learning er en delmængde af maskinlæring, et trin lukning af kunstig intelligens. Dybe læringsmetoder fungerer som det menneskelige sind, det er som et kunstigt neuralt net. Anvendelserne af dyb læring er også at gentage de ting, som et menneskeligt sind er i stand til. Når et menneskeligt sind træffer en beslutning ved hjælp af vision eller lyd eller tekstmønstre, hjælper den samme måde dyb læring med at tage en beslutning. For eksempel at se på et billede og sige om det er en hund eller kat eller bestemme forskellige genstande på billedet, genkende lyden af et instrument / kunstner og sige om det, tekstudvikling og naturligt sprogbehandling er nogle af anvendelserne af dybe læring.
Anvendelse af Deep Learning
Anvendelser af dyb læring er store, men vi vil forsøge at dække den mest anvendte anvendelse af teknikker til dyb læring. Her er nogle af de dybe læringsapplikationer, der nu ændrer verden omkring os meget hurtigt.
1. Detektion af toksicitet for forskellige kemiske strukturer
Her er deep learning-metoden meget effektiv, hvor eksperter plejede at tage årtier med at bestemme toksiciteten af en bestemt struktur, men med deep learning-modellen er det muligt at bestemme toksicitet på meget mindre tid (afhænger af kompleksitet kan være timer eller dage). Dyb indlæringsmodeller er i stand til at repræsentere abstrakte begreber af input i det flerniveauddelte hierarki. Det muliggør multitask-læring for alle toksiske effekter bare i et kompakt neuralt netværk, hvilket gør det meget informativt. Denne model normaliserer alle de kemiske strukturer af forbindelserne, sæt dem sammen for at forudsige toksiciteten af mulige nye forbindelser fra normaliserede strukturer. Hvor dyb læring er langt bedre end andre maskinlæringsteknikker? Se dette papir (DeepTox: Toxicity Prediction ved hjælp af Deep Learning af Andreas Mayr 1, 2 †, Günter Klambauer 1 †, Thomas Unterthiner 1, 2 † og Sepp Hochreiter 1 * )
2. Mitosedetektion / radiologi
Bestemmelse af kræftdetektion dyb læringsmodel har 6000 faktorer, som kan hjælpe med at forudsige en patients overlevelse. For diagnosticering af brystkræft er dyb indlæringsmodel vist sig at være effektiv og effektiv. CNN-model for dyb læring er nu i stand til at registrere såvel som klassificere mitose-indpatient. Dybe neurale netværk hjælper med at undersøge cellens livscyklus (kilde: Cellemitosedetektion ved hjælp af dybe neurale netværk Yao Zhou, Hua Mao, Zhang Yi).
3. Hallucination eller sekvensgenerering
Oprettelse af nye optagelser ved at observere forskellige videospil, lære hvordan de fungerer og gentage dem ved hjælp af dyb læringsteknikker som tilbagevendende neurale netværk. Dybe lærings hallucinationer kan generere billeder i høj opløsning ved hjælp af lavopløsningsbilleder. Denne model bruges yderligere til at gendanne de historiske data fra billeder i lav opløsningskvalitet ved at konvertere dem til billeder i høj opløsning.
4. Billedklassificering / Maskinsyn
vi ser, at Facebook giver et forslag til automatisk tagging af forskellige personer på et billede er et perfekt eksempel på maskinsyn. Den bruger dybe net og tager billeder i forskellige vinkler og mærker derefter navnet på det billede. Disse dybe læringsmodeller er nu så avancerede, at vi kan genkende forskellige objekter i et billede og kan forudsige, hvad der kan være anledningen i det billede. For eksempel har et billede taget i restauranten forskellige funktioner i sig, som borde, stole, forskellige madvarer, kniv, gaffel, glas, øl (ølens brand), stemningen hos de mennesker på billedet osv. Af ser på billederne udgivet af en person kan detektere personens smag og anbefale lignende ting at købe eller steder at besøge osv.
5. Talegenkendelse
Tale er den mest almindelige kommunikationsmetode i det menneskelige samfund. Når en menneskelig genkende tale forstår den og reagerer i overensstemmelse hermed, på samme måde som en dyb læringsmodel forbedrer computerens evner, så de kan forstå, hvordan mennesker reagerer på forskellige taler. I det daglige liv har vi levende eksempler som Siri fra Apple, Alexa fra Amazon, google home mini osv. I talen er der masser af faktorer, der skal overvejes som sprog / accent / Alder / Køn / lydkvalitet osv. Målet er at genkende og reagere på en ukendt højttaler ved input af hans / hendes lydsignaler.
6. Tekstekstraktion og tekstgenkendelse
Tekstekstraktion i sig selv har mange applikationer i den virkelige verden. F.eks. Automatisk oversættelse fra et sprog til et andet, sentimental analyse af forskellige anmeldelser. Dette er bredt kendt som naturlig sprogbehandling. Når vi skriver en e-mail, ser vi, at auto-forslag til at fuldføre sætningen også er anvendelsen af dyb læring.
7. Markedsforudsigelse
Deep learning-modeller kan forudsige køb og salg af opkald til handlende, afhængigt af datasættet, hvordan modellen er blevet trænet, det er nyttigt både til korttidshandelsspil såvel som langsigtet investering baseret på de tilgængelige funktioner.
8. Digital reklame
Deep learning-modeller kategoriserer brugere baseret på deres tidligere køb og gennemsigtighedshistorie og anbefaler relevante og personaliserede reklamer i realtid. Vi kan opleve det samme, et produkt, som du netop har søgt i din amazon-applikation, reklame for det samme vil blive vist i andre applikationer som IRCTC.
9. Bekæmpelse af svig
En dyb læringsmodel bruger flere datakilder til at markere en beslutning som svig i realtid. Med dybe indlæringsmodeller er det også muligt at finde ud af, hvilket produkt og hvilke markeder der er mest modtagelige for svig og yder eller yder ekstra pleje i sådanne tilfælde.
10. Jordskælvsforudsigelse
Seismolog forsøger at forudsige jordskælvet, men det er for kompliceret til at foregribe det. En forkert forudsigelse koster såvel mennesker som regeringsførere. I et jordskælv er der to typer bølger p-bølge (kører hurtigt, men skaden er mindre), s-bølge (kører langsomt, men skaden er stor). Det er svært at tage beslutninger dage før, men ved dyb indlæringsteknikker kan vi forudsige resultatet af hver bølge fra tidligere erfaring kan være timer før, men det er hurtigt i overensstemmelse hermed, at vi kan foretage justeringer.
Konklusion - anvendelse af dyb læring
Dyb læring gør en masse hårde opgaver lettere for os. Anvendelserne af dyb læring spænder i de forskellige industrisektorer, og det er revolutionerende inden for nogle områder som sundhedsvæsen (stofopdagelse / kræftsporing osv.), Bilindustrier (autonomt køresystem), annoncesektor (personaliserede annoncer ændrer markedstendenser). Vi har drøftet de vigtigste anvendelser af dyb læring, men stadig er der masser af andre applikationer, nogle arbejdes på og nogle vil komme i fremtiden.
Anbefalede artikler
Dette har været en guide til anvendelsen af Deep Learning. Her diskuterer vi også introduktion og top 10 anvendelse af Deep Learning. Du kan også se på de følgende artikler for at lære mere -
- Rammer for maskinlæring
- Hvad er dyb læring
- Deep Learning Algorithms
- Deep Learning Technique
- Forespørgseksempler på oprettelse af visninger i Oracle
- Hierarki i Tableau | Sådan oprettes?
- Vejledning til maskinlæringsteknikker