Introducere în învățarea profundă

Învățarea profundă este una dintre tehnicile de învățare automată prin care învățăm / antrenăm calculatoarele să facă ceea ce fac oamenii. De exemplu, conducerea unei mașini - învățarea profundă joacă un rol esențial în tehnologia auto fără șofer, permițându-le să identifice diferite semne de circulație, semne rutiere, semne pietonale etc. Alte domenii cheie ale învățării profunde sunt controlul vocal în sistemele de acasă, mobilele, boxele wireless, Alexa, televizoare inteligente etc. Învățarea profundă pentru începători este în mare parte despre niveluri multiple de abstractizare și reprezentare prin care modelul computerului învață să efectueze clasificarea imaginilor, sunetelor și textului etc. Modelele de învățare profundă obțin o precizie și o performanță mai bune decât oamenii în unele modele. . În general, aceste modele de computer sunt instruite de un set mare de date care sunt etichetate și fără etichetare pentru a identifica obiectele și rețelele neuronale care au mai multe straturi în fiecare rețea.

Ce este învățarea profundă?

Voi explica ce este învățarea profundă în termeni laici, după cum urmează: În general vom face două sarcini tot timpul în mod conștient sau inconștient, adică vom categoriza ceea ce am simțit prin simțurile noastre (cum ar fi să ne simțim fierbinți, cana rece etc.) și predicție, de exemplu, prezice temperatura viitoare pe baza datelor de temperatură anterioare. Realizăm sarcini de clasificare și predicție pentru mai multe evenimente sau sarcini din viața noastră de zi cu zi, cum ar fi mai jos:

  • Ținând ceașcă de apă / apă / cafea etc., care poate fi fierbinte sau rece.
  • Clasificare prin e-mail, cum ar fi spam / nu spam.
  • Categorizarea timpului luminos de zi, cum ar fi ziua sau noaptea.
  • Planificarea pe termen lung a viitorului bazată pe poziția noastră actuală și pe lucrurile pe care le avem - se numește predicție.
  • Fiecare creatură din lume va face aceste sarcini în viața lor, de exemplu, consideră că animalele precum cioara va clasifica un loc în care să își construiască cuibul sau nu, o albină va decide cu privire la unii factori când și unde să obțină miere, bâta va veni în timpul nopții și doarme în timpul dimineții pe baza clasificării pe timp de zi și de noapte.

Să vizualizăm clasificarea și predicția acestor sarcini și ele vor arăta la fel ca în imaginea de mai jos. Pentru categorizare, facem categorizare între pisici și câini, desenând o linie prin punctele de date, iar în caz de predicție tragem o linie prin punctele de date către prezice când va crește și va scădea.

1) Categorizare

  • În general, pentru a clasifica între pisici și câini, sau bărbați și femei, nu tragem o linie în creierul nostru, iar poziția câinilor și pisicilor este arbitrară doar în scop ilustrativ și este inutil să spunem modul în care categorizăm între pisici și câinii din creierul nostru este mult mai complex decât desenarea unei linii roșii ca mai sus.
  • Vom clasifica între două lucruri pe baza formelor, dimensiunea, înălțimea, aspectul etc., iar uneori va fi dificil să categorizăm aceste caracteristici, cum ar fi un câine mic cu furie și pisica nou-născută, deci nu este o categorizare clară în pisici și câini.
  • Odată ce suntem capabili să clasificăm între pisici și câini atunci când suntem copii, atunci mai departe putem să categorizăm orice câine sau pisică, chiar și nu am mai văzut.

2) Predicție

  • Pentru predicții bazate pe linie, atragem puncte de date, dacă suntem capabili să prezicem unde este cel mai probabil să urcăm în sus sau în jos.
  • Curba este, de asemenea, o prezicere a încadrării de noi puncte de date în intervalul de puncte de date existente, adică cât de aproape de noua punctare a datelor curbei.
  • Punctele de date care sunt în culoare roșie în imaginea de mai sus (partea dreaptă) sunt exemple atât din interiorul cât și dincolo de intervalul de puncte de date existente și curba încearcă să prezică ambele.

În cele din urmă, atât clasificarea și predicția sarcinilor se încheie într-un punct similar, adică tragerea unei linii curbe din punctele de date. Dacă suntem capabili să instruim modelul computerului pentru a desena linia curvy pe baza punctelor de date, am terminat acest lucru pentru a aplica în diferite modele, cum ar fi desenarea unei linii curvy în planuri tridimensionale și așa mai departe. Lucrul de mai sus poate fi obținut prin instruirea unui model cu o cantitate mare de date etichetate și fără etichetare, care se numește învățare profundă.

Exemple de învățare profundă:

După cum știm învățarea profundă și învățarea automată sunt subseturi de inteligență artificială, dar tehnologia de învățare profundă reprezintă următoarea evoluție a învățării automate. Deoarece învățarea automată va funcționa pe baza algoritmilor și programelor dezvoltate de oameni, în timp ce învățarea profundă învață printr-un model de rețea neuronală, care acționează similar cu oamenii și permite mașinii sau computerului să analizeze datele într-un mod similar ca oamenii. Acest lucru devine posibil pe măsură ce antrenăm modelele rețelei neuronale cu o cantitate foarte mare de date, deoarece datele sunt combustibilul sau alimentul pentru modelele de rețele neuronale. Mai jos sunt câteva dintre exemple de învățare profundă în lumea reală.

  • Viziunea computerului:

Viziunea computerizată se ocupă de algoritmi pentru ca computerele să înțeleagă lumea folosind date și imagini video și sarcini precum recunoașterea imaginii, clasificarea imaginii, detectarea obiectelor, segmentarea imaginii, restaurarea imaginilor etc.

  • Prelucrarea vorbirii și a limbajului natural:

Prelucrarea limbajului natural tratează algoritmi pentru calculatoare pentru a înțelege, interpreta și manipula în limbajul uman. Algoritmii NLP funcționează cu date audio și text și le transformă în ieșire audio sau text. Folosind NLP putem face sarcini precum analiza sentimentelor, recunoașterea vorbirii, tranziția limbii și generarea limbajului natural etc.

  • Vehicule autonome:

Modelele de învățare profundă sunt instruite cu o cantitate uriașă de date pentru identificarea indicatoarelor stradale; Unele modele sunt specializate în identificarea pietonilor, identificarea oamenilor etc. pentru mașinile fără șofer în timpul conducerii.

  • Generare de text:

Folosind modele de învățare profundă, antrenate de limbă, gramatică și tipuri de texte etc., puteți utiliza pentru a crea un nou text cu ortografie și gramatică corectă de la Wikipedia la Shakespeare.

  • Filtrare de imagini:

Folosind modele de învățare profundă, cum ar fi adăugarea de culoare la imagini alb-negru, se poate realiza prin modele de învățare profundă, care va dura mai mult timp dacă facem manual.

Concluzie

În cele din urmă, este o imagine de ansamblu asupra tehnologiei de învățare profundă, a aplicațiilor sale în lumea reală. Sper că veți înțelege bine ceea ce este învățarea profundă după ce ați citit acest articol. După cum știm astăzi recunoașterea imaginilor de către mașini instruite de învățare profundă în unele cazuri este mai bună decât oamenii, adică în identificarea cancerului în sânge și tumori în scanări RMN și alfaGo Google a învățat jocul și s-a antrenat pentru meciul „Go” prin antrenarea rețelei sale neuronale. jucând împotriva ei din nou.

Articole recomandate

Acesta a fost un ghid pentru Ce este învățarea profundă. Aici am discutat despre conceptele de bază și exemple de învățare profundă. De asemenea, puteți consulta următoarele articole:

  1. Cariere în învățături profunde
  2. 13 Întrebări utile pentru interviu de învățare profundă
  3. Învățare supravegheată vs. învățare profundă
  4. Rețele neuronale vs învățare profundă
  5. Comparație de top a învățării profunde și a învățării automate

Categorie:

Date mare