Ang pagiging isang mahalagang subset ng Pag-aaral ng Makina, ang pangangailangan para sa ay nakakita ng isang napakalawak na pagtaas, lalo na sa mga interesado sa pag-unlock ng walang limitasyong mga posibilidad ng AI.May inspirasyon ng lumalaking katanyagan ng Deep Learning, naisip kong magkaroon ng isang serye ng mga blog na magtuturo sa iyo tungkol sa bagong kalakaran sa larangan ng Artipisyal na Intelihensiya at tutulungan kang maunawaan kung ano ang tungkol dito. Ito ang una sa maraming mga blog sa serye na tinawag bilang - Deep Tutorial sa Pag-aaral .
Ang Deep Deep Tutorial
Sa blog ng Deep Learning Tutorial na ito, dadalhin kita sa mga sumusunod na bagay, na magsisilbing batayan para sa paparating na mga blog:
- Ano ang hinayaan na magkaroon ng Deep Learning
- Ano ang Deep Learning at kung paano ito gumagana?
Maaari kang dumaan sa pag-record na ito ng Deep Learning Tutorial kung saan ipinaliwanag ng aming magturo ang mga paksa sa isang detalyadong pamamaraan na may mga halimbawa na makakatulong sa iyo na mas maunawaan ang konsepto na ito.
Deep Tutorial sa Pag-aaral | Deep Learning Neural Networks | Edureka
Mga aplikasyon ng Artipisyal na Katalinuhan at Malalim na Pag-aaral
Ngayon isipin mo ito, sa halip na gawin mo ang lahat ng iyong trabaho, mayroon kang isang makina upang tapusin ito para sa iyo o maaari itong gumawa ng isang bagay na sa palagay mo ay hindi posible. Halimbawa:
 | Paghula sa Hinaharap: Makatutulong ito sa atin sa paghula ng mga Lindol, Tsunami, at iba pa bago pa man upang ang mga hakbang sa pag-iingat ay maaaring gawin upang mai-save ang maraming buhay mula sa mahulog sa mga mahawak ng natural na kalamidad. |
| Mga chat-bot: Naririnig mo sana ang lahat tungkol sa Siri, na virtual na katulong na kinokontrol ng boses ng Apple. Maniwala ka sa akin, sa tulong ng Malalim na Pag-aaral ang mga virtual na tulong na ito ay nagiging mas matalinong araw-araw. Sa katunayan, maaaring iakma ni Siri ang sarili nito ayon sa gumagamit at magbigay ng mas mahusay na isinapersonal na tulong. |
| Mga Kotse na nagmamaneho sa sarili: Isipin, kung gaano kapani-paniwala ang magiging pisikal na may kapansanan at mga matatandang taong nahihirapang magmaneho nang mag-isa. Maliban dito, makakatipid ito ng milyon-milyong mga inosenteng buhay na nakakasalubong sa aksidente sa kalsada bawat taon dahil sa pagkakamali ng tao. |
Google AI Eye Doctor: Ito ay isang kamakailang pagkukusa na kinuha ng Google kung saan nakikipagtulungan sila sa isang Indian Eye Care Chain upang bumuo ng isang AI software na maaaring suriin ang mga retina scan at makilala ang isang kundisyon na tinatawag na diabetic retinopathy, na maaaring maging sanhi ng pagkabulag. |
| Ai Music Composer: Sa gayon, sino ang nag-akala na maaari kaming magkaroon ng isang kompositor ng musika ng AI gamit ang Deep Learning. Samakatuwid, hindi ako magulat na marinig na ang susunod na pinakamahusay na musika ay ibinibigay ng isang makina. |
| Isang Dream Machine sa Pagbasa: Ito ang isa sa aking mga paborito, isang makina na maaaring makuha ang iyong mga pangarap sa anyo ng video o kung ano man. Sa napakaraming mga hindi makatotohanang aplikasyon ng AI & Deep Learning na nakita natin sa ngayon, hindi ako nagulat na malaman na ito ay sinubukan sa Japan ilang taon pabalik sa tatlong mga paksa ng pagsubok at nakamit nila ang malapit sa 60% kawastuhan. Iyon ay isang bagay na lubos na hindi kapani-paniwala, totoo. |
Medyo sigurado ako na ang ilan sa mga tunay na application ng buhay ng AI at Deep Learning na sana ay bibigyan ka ng mga goosebumps. Kung gayon, itinakda nito ang batayan para sa iyo at ngayon, handa na kaming magpatuloy nang higit pa sa Deep Learning Tutorial na ito at maunawaan kung ano ang Artipisyal na katalinuhan.
Ano ang Artipisyal na Katalinuhan?
Ang Artipisyal na Katalinuhan ay walang iba kundi ang kakayahan ng isang makina na gayahin ang matalinong pag-uugali ng tao. Nakamit ang AI sa pamamagitan ng paggaya sa utak ng tao, sa pamamagitan ng pag-unawa sa kung paano ito naiisip, kung paano ito natututo, nagpapasya, at gumagana habang sinusubukan na lutasin ang isang problema.
Halimbawa: Ang isang makina na naglalaro ng chess, o isang software na pinapagana ng boses na makakatulong sa iyo sa iba't ibang mga bagay sa iyong iPhone o isang sistema ng Pagkilala sa plate ng Numero na kumukuha ng plate ng numero ng sobrang bilis ng kotse at pinoproseso ito upang makuha ang numero ng pagpaparehistro at kilalanin ang may-ari ng kotse . Ang lahat ng ito ay hindi gaanong madaling ipatupad dati Malalim na Pag-aaral . Ngayon, unawain natin ang iba't ibang mga subset ng Artipisyal na Katalinuhan.
kung paano i-reverse ang numero sa java
Mga Subset ng Artipisyal na Katalinuhan
Hanggang ngayon, maririnig mo sana ang tungkol sa Artipisyal na Katalinuhan, Pag-aaral ng Makina at Malalim na Pag-aaral. Gayunpaman, alam mo ba ang ugnayan sa kanilang tatlo? Talaga, ang Malalim na pag-aaral ay isang sub-larangan ng Pag-aaral ng Makina at Ang Pag-aaral ng Makina ay isang sub-larangan ng Artipisyal na Katalinuhan tulad ng ipinakita sa imahe sa ibaba:
Kapag tiningnan natin ang isang bagay tulad ng AlphaGo , madalas itong inilalarawan bilang isang malaking tagumpay para sa malalim na pag-aaral, ngunit ito ay talagang isang kumbinasyon ng mga ideya mula sa maraming magkakaibang larangan ng AI at pag-aaral ng makina. Sa katunayan, magulat ka nang marinig na ang ideya sa likod ng malalim na mga neural network ay hindi bago ngunit nagsimula pa noong 1950's. Gayunpaman, naging posible upang maisagawa ito nang praktikal dahil sa mataas na kakayahan na may kakayahang mapagkukunan na magagamit sa kasalukuyan.
Kaya, upang magpatuloy sa malalim na blog ng tutorial sa pag-aaral na ito, tuklasin natin ang Pag-aaral ng Machine na sinusundan ng mga limitasyon nito.
Ano ang Learning ng Machine?
Ang Machine Learning ay isang subset ng Artipisyal na Katalinuhan na nagbibigay ng mga computer ng kakayahang matuto nang hindi malinaw na nai-program. Sa pag-aaral ng makina, hindi namin kailangang tukuyin nang malinaw ang lahat ng mga hakbang o kundisyon tulad ng anumang iba pang aplikasyon sa programa. Sa kabaligtaran, sinanay ang makina sa isang dataset ng pagsasanay, sapat na malaki upang lumikha ng isang modelo, na tumutulong sa makina na kumuha ng mga desisyon batay sa pag-aaral nito.
Halimbawa: Nais naming matukoy ang mga species ng isang bulaklak batay sa talulot at haba ng sepal nito (mga dahon ng isang bulaklak) gamit ang pagkatuto ng makina. Kung gayon, paano natin ito gagawin?
| Pakanin namin ang hanay ng data ng bulaklak na naglalaman ng iba't ibang mga katangian ng iba't ibang mga bulaklak kasama ang kani-kanilang mga species sa aming makina tulad ng nakikita mo sa imahe sa itaas. Gamit ang hanay ng data ng input na ito, lilikha ang machine at sanayin ang isang modelo na maaaring magamit upang mauri ang mga bulaklak sa iba't ibang mga kategorya. |
| Kapag ang aming modelo ay sinanay, magpapasa kami ng isang hanay ng mga katangian bilang input sa modelo. |
| Sa wakas, ang aming modelo ay maglalabas ng mga species ng bulaklak na naroroon sa bagong hanay ng data ng input. Ang prosesong ito ng pagsasanay sa isang makina upang lumikha ng isang modelo at gamitin ito para sa pagpapasya ay tinatawag Pag-aaral ng Makina . Gayunpaman ang prosesong ito ay may ilang mga limitasyon. |
Mga Limitasyon ng Pag-aaral ng Makina
Ang Machine Learning ay hindi kaya ng paghawak ng mataas na dimensional na data na kung saan ang input at output ay medyo malaki. Ang paghawak at pagproseso ng naturang uri ng data ay naging napaka-kumplikado at lubusang mapagkukunan. Ito ay tinatawag na bilang Sumpa ng dimensionalidad . Upang maunawaan ito sa mas simpleng mga termino, isaalang-alang natin ang sumusunod na imahe:
| Isaalang-alang ang isang linya ng 100 yarda at nahulog mo ang isang barya sa isang lugar sa linya. Ngayon, medyo maginhawa para sa iyo na hanapin ang barya sa pamamagitan lamang ng paglalakad sa linya. Ang mismong linya na ito ay isang solong dimensional na entity. |
| Susunod, isaalang-alang mayroon kang isang parisukat na gilid ng 100 yarda bawat isa tulad ng ipinakita sa imahe sa itaas at muli, naghulog ka ng isang barya sa kung saan sa pagitan. Ngayon, maliwanag na maglalagay ka ng mas maraming oras upang mahanap ang barya sa loob ng parisukat na iyon kumpara sa nakaraang senaryo. Ang parisukat na ito ay isang 2 dimensional na entity. |
| Hinahayaan nating gawin itong isang hakbang sa unahan sa pamamagitan ng pagsasaalang-alang sa isang kubo ng gilid na 100 yarda bawat isa at nahulog mo ang isang barya sa kung saan sa pagitan. Ngayon, mas mahirap na makahanap ng barya sa oras na ito. Ang kubo na ito ay isang 3 dimensional na entity. |
Samakatuwid, maaari mong obserbahan ang pagiging kumplikado ay dumarami habang ang mga sukat ay dumarami.At sa totoong buhay, ang mataas na dimensional na data na pinag-uusapan natin ay may libu-libong mga sukat na ginagawang mas kumplikado upang hawakan at iproseso. Ang mataas na dimensional na data ay madaling mahahanap sa mga case na ginagamit tulad ng pagproseso ng Imahe, NLP, Pagsasalin ng Imahe atbp.
ano pojo class sa java
Ang pag-aaral ng makina ay hindi kayang lutasin ang mga use-case na ito at dahil dito, nakamit ang malalim na pag-aaral. Ang malalim na pag-aaral ay may kakayahang hawakan ang mataas na dimensional na data at mahusay din sa pagtuon sa mga tamang tampok sa sarili nitong. Ang prosesong ito ay tinatawag na tampok na pagkuha. Ngayon, magpatuloy tayo sa Deep Learning Tutorial na ito at unawain kung paano gumagana ang malalim na pag-aaral.
Gaano kahusay ang Pag-aaral?
Sa pagtatangka na muling gawing engineer ang utak ng tao, pinag-aaralan ng Deep Learning ang pangunahing yunit ng utak na tinatawag na utak cell o isang neuron. May inspirasyon mula sa isang neuron isang artipisyal na neuron o isang perceptron ay binuo. Ngayon, ipaalam sa amin na maunawaan ang pag-andar ng mga biological neuron at kung paano namin ginaya ang pagpapaandar na ito sa perceptron o isang artipisyal na neuron:
Kung nakatuon kami sa istraktura ng isang biological neuron, mayroon itong mga dendrite na ginagamit upang makatanggap ng mga input. Ang mga input na ito ay summed sa cell body at ginagamit ang Axon na ipinapasa sa susunod na biological neuron tulad ng ipinakita sa larawang nasa itaas.
Katulad nito, ang isang perceptron ay tumatanggap ng maraming mga input, naglalapat ng iba't ibang mga pagbabago at pag-andar at nagbibigay ng isang output.
Tulad ng nalalaman natin na ang ating utak ay binubuo ng maraming konektadong mga neuron na tinatawag na neural network, maaari din tayong magkaroon ng isang network ng mga artipisyal na neuron na tinatawag na perceptrons upang bumuo ng isang Deep neural network. Kaya, magpatuloy tayo sa Deep Learning Tutorial na ito upang maunawaan kung paano ang hitsura ng isang Deep neural network.
Deep Learning Tutorial: Ano ang Deep Learning?
- Anumang Deep neural network ay binubuo ng tatlong uri ng mga layer:
- Ang Input Layer
- Ang Nakatagong Layer
- Ang Output Layer
| Sa diagram sa itaas, ang unang layer ay ang input layer na tumatanggap ng lahat ng mga input at ang huling layer ay ang output layer na nagbibigay ng nais na output. |
| Ang lahat ng mga layer sa pagitan ng mga layer na ito ay tinatawag na mga nakatagong layer. Maaaring may bilang ng mga nakatagong mga layer salamat sa mga magagamit na mga high end na magagamit sa mga araw na ito. |
| Ang bilang ng mga nakatagong mga layer at ang bilang ng mga perceptron sa bawat layer ay ganap na nakasalalay sa use-case na sinusubukan mong lutasin. |
Ngayon na mayroon kang isang larawan ng isang Deep Neural Networks, magpatuloy tayo sa Deep Learning Tutorial na ito upang makakuha ng isang mataas na antas ng pagtingin sa kung paano malulutas ng Deep Neural Networks ang isang problema ng Pagkilala sa Imahe.
Malalim na Paggamit ng Pag-aaral - Kaso
Nais naming maisagawa ang pagkilala sa Imahe gamit ang Deep Networks:
| Dito, ipinapasa namin ang mataas na dimensional na data sa input layer. Upang maitugma ang dimensionalidad ng data ng pag-input, ang input layer ay maglalaman ng maraming mga sub-layer ng perceptrons upang maubos nito ang buong input. |
| Ang output na natanggap mula sa input layer ay maglalaman ng mga pattern at makikilala lamang ang mga gilid ng mga imahe batay sa mga antas ng kaibahan. |
| Ang output na ito ay ipakain sa Nakatagong layer 1 kung saan makikilala nito ang iba't ibang mga tampok sa mukha tulad ng mga mata, ilong, tainga atbp. |
| Ngayon, mapakain ito sa nakatagong layer 2 kung saan makakabuo ng buong mukha. Pagkatapos, ang output ng layer 2 ay ipinadala sa layer ng output. |
| Sa wakas, ang output layer ay nagsasagawa ng pag-uuri batay sa resulta na nakuha mula sa nauna at hinuhulaan ang pangalan. |
Hayaan akong magtanong sa iyo ng isang katanungan, ano ang mangyayari kung ang alinman sa mga layer na ito ay nawawala o ang neural network ay hindi sapat na malalim? Simple, hindi namin magagawang tumpak na makilala ang mga imahe. Ito ang napaka dahilan kung bakit ang mga use-case na ito ay walang solusyon sa lahat ng mga taon bago ang Deep Learning. Upang maipatuloy lamang ito, susubukan naming mag-apply ng Malalim na mga network sa isang MNIST-set na data.
Ang set ng data ng Mnist ay binubuo ng 60,000 mga sample ng pagsasanay at 10,000 na sample ng pagsubok ng mga imaheng nakasulat sa kamay na digit. Ang gawain dito ay upang sanayin ang isang modelo na maaaring tumpak na makilala ang kasalukuyang digit sa imahe.
tahasang uri ng paghahagis sa java
- Upang malutas ang use-case na ito, malilikha ang isang Deep network na may maraming mga nakatagong layer upang maproseso ang lahat ng 60,000 mga imahe pixel ng pixel at sa wakas makakatanggap kami ng isang layer ng output.
- Ang layer ng output ay magiging isang hanay ng index 0 hanggang 9, kung saan ang bawat index ay tumutugma sa kani-kanilang digit. Naglalaman ang index 0 ng posibilidad para sa 0 na may digit na naroroon sa input na imahe.
Katulad nito, ang index 2 na may halagang 0.1, ay talagang kumakatawan sa posibilidad ng 2 na maging ang digit na nasa input na imahe. Kaya, kung nakikita natin ang pinakamataas na posibilidad sa array na ito ay 0.8 na naroroon sa index 7 ng array. Samakatuwid ang bilang na naroroon sa imahe ay 7.
Konklusyon
Kaya mga guys, ito ay tungkol sa malalim na pag-aaral nang maikling salita. Sa malalim na tutorial na ito sa pag-aaral, nakita namin ang iba't ibang mga application ng malalim na pag-aaral at naunawaan ang kaugnayan nito sa AI at Pag-aaral ng Machine. Pagkatapos, naintindihan namin kung paano namin magagamit ang perceptron o isang artipisyal na pangunahing mga bloke ng gusali ng neuron para sa paglikha ng malalim na neural network na maaaring gumanap ng mga kumplikadong gawain. Sa wakas, dumaan kami sa isa sa mga use-case ng malalim na pag-aaral kung saan nagsagawa kami ng pagkilala sa imahe gamit ang malalim na mga neural network at naunawaan ang lahat ng mga hakbang na nangyayari sa likod ng eksena. Ngayon, sa susunod na blog ng seryeng Deep Learning Tutorial na ito, matututunan namin kung paano ipatupad ang isang perceptron gamit ang TensorFlow, na isang Python based library para sa Deep Learning.
Ngayon na alam mo ang tungkol sa Deep Learning, tingnan ang ni Edureka, isang pinagkakatiwalaang kumpanya sa pag-aaral sa online na may isang network na higit sa 250,000 nasiyahan na mga nag-aaral na kumalat sa buong mundo. Ang kurso sa Edureka Deep Learning na may TensorFlow Certification Training na kurso ay tumutulong sa mga nag-aaral na maging dalubhasa sa pagsasanay at pag-optimize ng mga basic at convolutional neural network gamit ang mga proyekto sa real time at takdang-aralin kasama ang mga konsepto tulad ng pag-andar ng SoftMax, Auto-encoder Neural Networks, Pinagbawalan Boltzmann Machine (RBM).
May tanong ba sa amin? Mangyaring banggitin ito sa seksyon ng mga komento at babalikan ka namin.