Введение в применение глубокого обучения
Глубокое обучение - это подмножество машинного обучения, шаг к искусственному интеллекту. Методы глубокого обучения работают как человеческий разум, как искусственная нейронная сеть. Приложения глубокого обучения также должны воспроизводить то, на что способен человеческий разум. Когда человеческий разум принимает решение по зрению, звуку или тексту, таким же образом глубокое обучение также помогает в принятии решения. Например, если посмотреть на картинку и сказать, является ли она собакой или кошкой, или определить различные объекты на картинке, распознать звучание инструмента / исполнителя и сказать об этом, анализ текста и обработка на естественном языке - это некоторые из приложений глубокого учусь.
Применение глубокого обучения
Приложения глубокого обучения обширны, но мы постараемся охватить наиболее часто используемые методы глубокого обучения. Вот некоторые из приложений глубокого обучения, которые сейчас очень быстро меняют мир вокруг нас.
1. Обнаружение токсичности для различных химических структур
В этом случае метод глубокого обучения очень эффективен, когда экспертам требовались десятилетия для определения токсичности конкретной структуры, но с моделью глубокого обучения можно определить токсичность за очень меньшее количество времени (в зависимости от сложности могут быть часы или дней). Модели глубокого обучения способны представлять абстрактные понятия входных данных в многоуровневой распределенной иерархии. Это позволяет многозадачному обучению для всех токсических эффектов только в одной компактной нейронной сети, что делает его очень информативным. Эта модель нормализует все химические структуры соединений, объединяя их, чтобы предсказать токсичность возможных новых соединений от нормализованных структур. Насколько глубокое обучение намного лучше, чем другие методы машинного обучения? Пожалуйста, ознакомьтесь с этой статьей (DeepTox: прогноз токсичности с использованием глубокого обучения Андреаса Майра 1, 2 †, Гюнтера Кламбауэра 1 †, Томаса Унтертинера 1, 2 † и Сеппа Хохрейтера 1 * )
2. Обнаружение митоза / Радиология
Определение модели глубокого обучения для выявления рака имеет 6000 факторов, которые могут помочь в прогнозировании выживаемости пациента. Для диагностики рака молочной железы модель глубокого обучения оказалась эффективной и действенной. Модель глубокого обучения CNN теперь способна выявлять, а также классифицировать митоз в стационаре. Глубокие нейронные сети помогают в исследовании жизненного цикла клетки (Источник: Обнаружение клеточного митоза с использованием глубоких нейронных сетей Яо Чжоу, Хуа Мао, Чжан И).
3. Галлюцинация или генерация последовательности
Создавая новые кадры, наблюдая за различными видеоиграми, узнавая, как они работают, и копируйте их, используя методы глубокого обучения, такие как повторяющиеся нейронные сети. Галлюцинации глубокого обучения могут генерировать изображения с высоким разрешением с использованием изображений с низким разрешением. Эта модель также используется для восстановления исторических данных из изображений с низким разрешением качества путем преобразования их в изображения с высоким разрешением.
4. Классификация изображений / Машинное зрение
мы видим, что Facebook, предлагающий автоматическую пометку разных людей на картинке, является прекрасным примером машинного зрения. Он использует глубокие сети и делает снимки под разными углами, а затем помечает имя для этого изображения. Эти модели глубокого обучения в настоящее время настолько развиты, что мы можем распознавать различные объекты на изображении и предсказывать, что может быть причиной на этой картинке. Например, фотография, сделанная в ресторане, имеет разные особенности, такие как столы, стулья, различные продукты, нож, вилка, бокал, пиво (марка пива), настроение людей на фотографии и т. Д. просмотр изображений, опубликованных человеком, может обнаружить симпатии этого человека и порекомендовать похожие вещи для покупки или места для посещения и т. д.
5. Распознавание речи
Речь - самый распространенный способ общения в человеческом обществе. Когда человек распознает речь, понимает ее и реагирует соответствующим образом, модель глубокого обучения расширяет возможности компьютеров, чтобы они могли понять, как люди реагируют на разные речи. В повседневной жизни у нас есть живые примеры, такие как Siri из Apple, Alexa из Amazon, google home mini и т. Д. В речи есть много факторов, которые необходимо учитывать, такие как язык / акцент / возраст / пол / качество звука. и т. д. Цель состоит в том, чтобы распознать и отреагировать на неизвестного говорящего путем ввода его / ее звуковых сигналов.
6. Извлечение текста и распознавание текста
Само извлечение текста имеет множество применений в реальном мире. Например, автоматический перевод с одного языка на другой, сентиментальный анализ разных обзоров. Это широко известно как обработка естественного языка. При написании электронной почты мы видим автоматическое предложение для завершения предложения также является приложением глубокого обучения.
7. Прогноз рынка
Модели глубокого обучения могут предсказывать трейдерам вызовы на покупку и продажу, в зависимости от набора данных о том, как модель была обучена, это полезно как для краткосрочной торговой игры, так и для долгосрочных инвестиций на основе доступных функций.
8. Цифровая реклама
Модели глубокого обучения классифицируют пользователей на основе их предыдущих покупок и истории просмотров и рекомендуют релевантные и персонализированные рекламные объявления в режиме реального времени. Мы можем испытать то же самое, продукт, который вы только что искали в вашем приложении Amazon, реклама того же будет отображаться в других приложениях, таких как IRCTC.
9. Обнаружение мошенничества
Модель глубокого обучения использует несколько источников данных, чтобы пометить решение как мошенничество в режиме реального времени. С помощью моделей глубокого обучения также можно выяснить, какой продукт и какие рынки наиболее подвержены мошенничеству, и предоставлять или предоставлять дополнительную помощь в таких случаях.
10. Прогноз землетрясения
Сейсмолог пытается предсказать землетрясение, но его слишком сложно предвидеть. Одно неверное предсказание дорого обходится как людям, так и правительству. При землетрясении есть два типа волн: p-волна (быстро распространяется, но урон меньше), s-волна (медленно, но урон высокий). Трудно принимать решения за несколько дней до этого, но с помощью методов глубокого обучения мы можем предсказать исход каждой волны из предыдущего опыта за несколько часов до этого, но это быстро, поэтому мы можем внести коррективы.
Заключение - применение глубокого обучения
Глубокое обучение облегчает нам множество сложных задач. Приложения глубокого обучения охватывают различные отрасли промышленности и являются революционными в некоторых областях, таких как здравоохранение (обнаружение наркотиков / обнаружение рака и т. Д.), Автоиндустрия (автономная система вождения), сектор рекламы (персонализированная реклама меняет рыночные тенденции). Мы обсудили основные приложения глубокого обучения, но, тем не менее, существует множество других приложений, над которыми мы работаем, а некоторые появятся в будущем.
Рекомендуемые статьи
Это было руководство по применению глубокого обучения. Здесь мы также обсуждаем введение и топ-10 приложений глубокого обучения. Вы также можете взглянуть на следующие статьи, чтобы узнать больше -
- Механизм машинного обучения
- Что такое глубокое обучение
- Алгоритмы глубокого обучения
- Техника глубокого обучения
- Примеры запросов по созданию представлений в Oracle
- Иерархия в Таблице | Как создать?
- Руководство по технике машинного обучения