Введение в глубокое обучение

Глубокое обучение - это одна из техник машинного обучения, с помощью которых мы учим / обучаем компьютеры тому, что делают люди. Например, вождение автомобиля - глубокое обучение играет ключевую роль в автомобильной технологии без водителя, позволяя им идентифицировать различные дорожные знаки, дорожные знаки, знаки пешеходов и т. Д. Другими ключевыми областями глубокого обучения являются голосовое управление в домашних системах, мобильных телефонах, беспроводных колонках. Alexa, умные телевизоры и т. Д. Глубокое обучение для начинающих в основном состоит из нескольких уровней абстракции и представления, с помощью которых компьютерная модель учится выполнять классификацию изображений, звуков, текста и т. Д. Модели глубокого обучения достигают большей точности и производительности, чем люди в некоторых моделях., Как правило, эти компьютерные модели обучаются с помощью большого набора данных, которые помечены и немаркированы для идентификации объектов и нейронных сетей, которые имеют несколько уровней в каждой сети.

Что такое глубокое обучение?

Я объясню, что такое глубокое обучение в терминах непрофессионала, как показано ниже: В общем, мы будем сознательно или подсознательно выполнять две задачи, то есть классифицировать то, что мы чувствовали с помощью наших чувств (например, ощущать жар, холодную кружку и т. Д.) И прогнозирование, например, прогнозирует будущую температуру на основе предыдущих температурных данных. Мы выполняем задачи категоризации и прогнозирования для нескольких событий или задач в нашей повседневной жизни, такие как ниже:

  • Держа чашку чая / воды / кофе и т. Д., Которые могут быть горячими или холодными.
  • Классификация электронной почты, такая как спам / не спам.
  • Классификация дневного времени, например, день или ночь.
  • Долгосрочное планирование будущего, основанное на нашей текущей позиции и вещах, которые у нас есть - называется прогнозированием.
  • Каждое существо в мире выполнит эти задачи в своей жизни, например, если учесть, что животные, такие как ворона, классифицируют место для строительства своего гнезда или нет, пчела определит некоторые факторы, когда и где добывать мед, летучая мышь появится ночью и спит по утрам на основе дневной и ночной классификации.

Давайте представим эти задачи по категоризации и прогнозированию, и они будут выглядеть так, как показано на рисунке ниже. Для категоризации мы проводим категоризацию между кошками и собаками, рисуя линию через точки данных, а в случае прогнозирования мы рисуем линию через точки данных, чтобы предсказывать, когда оно будет увеличиваться и уменьшаться.

1) категоризации

  • В целом, чтобы классифицировать между кошками и собаками, или мужчинами и женщинами, мы не проводим черту в нашем мозге, и положение собак и кошек произвольно только для иллюстрации, и нет необходимости говорить, как мы классифицируем кошек и кошек. Собаки в нашем мозгу гораздо сложнее, чем рисовать красную линию, как указано выше.
  • Мы будем классифицировать две вещи, основываясь на форме, размере, росте, внешности и т. Д., И иногда будет трудно классифицировать их с помощью таких функций, как маленькая собака с яростью и новорожденная кошка, поэтому это не является четкой категоризацией. в кошек и собак.
  • Как только мы можем классифицировать кошек и собак в детстве, мы можем классифицировать любую собаку или кошку, даже если раньше ее не видели.

2) Прогнозирование

  • Для прогноза, основанного на линии, мы рисуем точки данных, если мы можем предсказать, куда они, скорее всего, пойдут вверх или вниз.
  • Кривая также является прогнозом подгонки новых точек данных в пределах диапазона существующих точек данных, т. Е. Как близко новые точки данных к кривой.
  • Точки данных, которые выделены красным цветом на изображении выше (справа), являются примерами как внутри, так и за пределами диапазона существующих точек данных, и кривая пытается предсказать оба.

Наконец, категоризация и прогнозирование обеих задач заканчиваются в одной и той же точке, т. Е. Рисуются изогнутые линии из точек данных. Если мы можем научить компьютерную модель рисовать кривую линию на основе точек данных, которые мы сделали, мы можем расширить ее для применения в различных моделях, таких как рисование кривой линии в трехмерных плоскостях и так далее. Вышеуказанного можно достичь, обучив модель с большим количеством помеченных и немаркированных данных, которая называется глубоким обучением.

Примеры глубокого обучения:

Как мы знаем, глубокое обучение и машинное обучение являются подмножествами искусственного интеллекта, но технология глубокого обучения представляет собой следующую эволюцию машинного обучения. Как машинное обучение будет работать на основе алгоритмов и программ, разработанных людьми, так как глубокое обучение учится через модель нейронной сети, которая действует подобно человеку и позволяет машине или компьютеру анализировать данные таким же образом, как люди. Это становится возможным, когда мы обучаем модели нейронных сетей огромному количеству данных, поскольку данные являются топливом или пищей для моделей нейронных сетей. Ниже приведены некоторые примеры глубокого обучения в реальном мире.

  • Компьютерное зрение:

Компьютерное зрение имеет дело с алгоритмами для компьютеров, чтобы понять мир, используя изображения и видео данные и задачи, такие как распознавание изображений, классификация изображений, обнаружение объектов, сегментация изображений, восстановление изображений и т. Д.

  • Обработка речи и естественного языка:

Обработка естественного языка имеет дело с алгоритмами для компьютеров, чтобы понимать, интерпретировать и манипулировать на человеческом языке. Алгоритмы НЛП работают с текстовыми и аудиоданными и преобразуют их в аудио- или текстовые данные. Используя НЛП, мы можем выполнять такие задачи, как анализ настроений, распознавание речи, языковой переход, генерация естественного языка и т. Д.

  • Автономные транспортные средства:

Модели глубокого обучения обучаются с огромным количеством данных для определения уличных знаков; некоторые модели специализируются на идентификации пешеходов, идентификации людей и т. д. для автомобилей без водителя во время вождения.

  • Генерация текста:

Используя модели глубокого обучения, которые обучаются по языку, грамматике, типам текстов и т. Д., Можно использовать для создания нового текста с правильной орфографией и грамматикой от Википедии до Шекспира.

  • Фильтрация изображений:

Использование моделей глубокого обучения, таких как добавление цвета к черно-белым изображениям, может быть выполнено с помощью моделей глубокого обучения, что займет больше времени, если мы сделаем это вручную.

Вывод

Наконец, это обзор технологии глубокого обучения, ее применения в реальном мире. Я надеюсь, что после прочтения этой статьи вы хорошо поймете, что такое глубокое изучение. Как мы знаем сегодня, распознавание изображений на машинах, обученных глубокому обучению, в некоторых случаях лучше, чем у людей, то есть при выявлении рака в крови и опухолей при МРТ-сканировании, и Google Alpha изучил игру и обучился ее соответствию «Го», обучая ее нейронную сеть. играя против него снова и снова.

Рекомендуемые статьи

Это было руководство к тому, что такое глубокое обучение. Здесь мы обсудили основные понятия и примеры глубокого обучения. Вы также можете посмотреть на следующие статьи:

  1. Карьера в глубоких знаниях
  2. 13 полезных вопросов для глубокого обучения
  3. Контролируемое обучение против глубокого обучения
  4. Нейронные сети против глубокого обучения
  5. Лучшее сравнение глубокого обучения с машинным обучением

Категория:

Большое количество данных