Ano ang Deep Learning?
Sa blog na ito, magsasalita ako sa Ano ang Malalim na Pag-aaral na kung saan ay isang mainit na buzz sa kasalukuyan at matatag na inilagay ang mga ugat nito sa maraming mga industriya na namumuhunan sa mga patlang tulad ng Artipisyal na Intelihensiya, Malaking Data at Analytics. Halimbawa, gumagamit ang Google ng malalim na pag-aaral sa mga algorithm ng pagkilala sa boses at imahe nito samantalang ginagamit ito ng Netflix at Amazon upang maunawaan ang pag-uugali ng kanilang customer. Sa katunayan, hindi ka maniniwala, ngunit sinusubukan ng mga mananaliksik sa MIT na hulaan ang hinaharap gamit ang malalim na pag-aaral.Ngayon, isipin kung gaano ang potensyal na malalim na pag-aaral sa pagbabago ng mundo at kung paano hahanapin ng mga kumpanya ang .Bago pag-usapan ang tungkol sa malalim na pag-aaral, dapat na maunawaan ng isang tao ang ugnayan nito sa Machine Learning at Artipisyal na Katalinuhan. Ang pinakamadaling paraan upang maunawaan ang ugnayan na ito ay sa pamamagitan ng pagdaan sa diagram sa ibaba:
igos: Ano ang Deep Learning - Timeline ng Mga Teknolohiya ng AI
Dito, sa imahe makikita mo na ang Pag-aaral ng Machine ay isang subset ng AI. Ipinapahiwatig nito para sa katotohanan na makakagawa kami ng mga matalinong makina na maaaring matuto batay sa naibigay na data na itinakda sa sarili nitong. Dagdag nito, mapapansin mo na ang Deep Learning ay isang subset ng Pag-aaral ng Machine kung saan ginagamit ang mga katulad na Machine Algorithm ng Pag-aaral upang sanayin ang Deep Neural Networks upang makamit ang mas mahusay na kawastuhan sa mga kasong iyon kung saan ang dating ay hindi gumaganap hanggang sa marka. FoAng pagpapaalam ay ang mga paksang tatalakayin ko sa malalim na tutorial sa pag-aaral na ito:
- Artipisyal na Katalinuhan
- Pag-aaral ng Makina
- Mga drawbacks ng ML
- Ano ang Deep Learning?
- Application ng Malalim na Pag-aaral
Maging Certified Sa Mga Proyekto sa Antas ng industriya at Mabilis na Subaybayan ang Iyong Karera
Artipisyal na Katalinuhan
igos: Ano ang Deep Learning - Artipisyal na Katalinuhan
Ang katagang AI ay nilikha noong 1956 ni John McCarthy, na tinukoy din bilang Ama ng Artipisyal na Katalinuhan. Ang ideya sa likod ng AI ay medyo simple ngunit kamangha-manghang, na kung saan ay upang gumawa ng mga intelihente machine na maaaring magpasyang mag-isa. Maaari mong isipin ito bilang isang pantasya sa agham, ngunit tungkol sa mga kamakailang pag-unlad sa teknolohiya at kapangyarihan sa computing, ang mismong ideya ay tila lumalapit sa katotohanan araw-araw.
Pag-aaral ng Makina: Isang Hakbang patungo sa Artipisyal na Katalinuhan
Ngayon, na pamilyar ka sa AI, pag-usapan muna namin ang tungkol sa Pag-aaral ng Makina at maunawaan kung ano ang ibig sabihin nito kapag sinabi naming natututo kami ng mga machine sa machine. Magsimula tayo sa isang tanyag na kahulugan ng Pag-aaral ng Machine:
'Ang isang computer program ay sinasabing matuto mula sa karanasan E tungkol sa ilang gawain T at ilang hakbang sa pagganap ng P, kung ang pagganap nito sa T, na sinusukat ng P, ay nagpapabuti sa karanasan E.' - Tom Mitchell, Carnegie Mellon University
Kaya, kung nais mong hulaan ang iyong programa, ang mga pattern ng trapiko sa isang abalang intersection (gawain T), maaari mo itong patakbuhin sa pamamagitan ng isang machine learning algorithm na may data tungkol sa nakaraang mga pattern ng trapiko (karanasan sa E). Ngayon, ang kawastuhan ng hula (sukat sa pagganap P) ay depende sa katotohanan na kung ang programa ay matagumpay na natutunan mula sa hanay ng data o hindi (karanasan sa E).
Talaga, ang Pag-aaral ng Machine ay tinukoy bilang isang uri ng artipisyal na intelihensiya (AI) na nagbibigay ng mga computer ng kakayahang matuto nang hindi malinaw na nai-program sa pamamagitan ng paglantad sa kanila sa malawak na dami ng data. Ang pangunahing prinsipyo sa likod ng Pag-aaral ng Machine ay upang matuto mula sa mga hanay ng data at subukang i-minimize ang error o i-maximize ang posibilidad na maging totoo ang kanilang mga hula.
Mga drawbacks ng Learning ng Machine
- Ang tradisyonal na mga algorithm ng ML ay hindi kapaki-pakinabang habang nagtatrabaho kasama ang mataas na dimensional na data, doon kami mayroong maraming bilang ng mga input at output. Halimbawa, sa kaso ng pagkilala sa sulat-kamay mayroon kaming malaking halaga ng input kung saan magkakaroon kami ng iba't ibang uri ng mga input na nauugnay sa iba't ibang uri ng sulat-kamay.
- Pangalawang pangunahing hamon ay sabihin sa computer kung ano ang mga tampok na dapat itong hanapin na maglalaro ng isang mahalagang papel sa paghula ng kinalabasan pati na rin upang makamit ang mas mahusay na kawastuhan habang ginagawa ito. Ang prosesong ito ay tinukoy bilang tampok na pagkuha .
Ang pagpapakain ng hilaw na data sa algorithm ay bihirang gumagana at ito ang dahilan kung bakit ang pagkuha ng tampok ay isang kritikal na bahagi ng tradisyonal na workflow ng pag-aaral ng makina. Samakatuwid, nang walang pagkuha ng tampok, ang hamon para sa programmer ay nagdaragdag habang ang pagiging epektibo ng algorithm ay higit na nakasalalay sa kung gaano nakakaintindi ang programmer. Samakatuwid, napakahirap ilapat ang mga modelong ito o Pag-aaral ng Machine sa mga kumplikadong problema tulad ng pagkilala sa bagay, pagkilala sa sulat-kamay, NLP (Pagproseso ng Likas na Wika), atbp.
Malalim na Pag-aaral
Ang malalim na pag-aaral ay isa sa mga paraan lamang kung saan malalampasan natin ang mga hamon ng pagkuha ng tampok. Ito ay sapagkat ang mga malalim na modelo ng pag-aaral ay may kakayahang matuto na tumuon sa mga tamang tampok sa kanilang sarili, na nangangailangan ng kaunting patnubay mula sa programmer. Talaga, tinutularan ng malalim na pag-aaral ang paraan ng paggana ng ating utak hal. Natututo ito mula sa karanasan. Tulad ng alam mo, ang aming utak ay binubuo ng bilyun-bilyong mga neuron na nagpapahintulot sa amin na gumawa ng mga kamangha-manghang bagay. Kahit na ang utak ng isang taong gulang na bata ay maaaring malutas ang mga kumplikadong problema na napakahirap malutas kahit na gumagamit ng mga super-computer. Halimbawa:
- Kilalanin ang mukha ng kanilang mga magulang at iba't ibang mga bagay pati na rin.
- Pagkilala ng iba`t ibang mga boses at makikilala pa ang isang partikular na tao batay sa kanyang boses.
- Gumuhit ng hinuha mula sa kilos ng mukha ng ibang mga tao at marami pa.
Sa totoo lang, ang ating utak ay sub-sinasadyang sinanay ang sarili upang gawin ang mga ganoong bagay sa mga nakaraang taon. Ngayon, ang tanong ay dumating, gaano kalalim ang pag-aaral na gumagaya sa pagpapaandar ng isang utak? Sa gayon, ang malalim na pag-aaral ay gumagamit ng konsepto ng mga artipisyal na neuron na gumana sa isang katulad na paraan tulad ng mga biological neuron na naroroon sa ating utak. Samakatuwid, maaari nating sabihin na ang Deep Learning ay isang subfield ng makina pag-aaral nababahala sa mga algorithm na inspirasyon ng istraktura at pag-andar ng utak na tinatawag na mga artipisyal na neural network.
algorithm ng algorithm c ++
Ngayon, gumawa tayo ng isang halimbawa upang maunawaan ito. Ipagpalagay na nais nating gumawa ng isang system na maaaring makilala ang mga mukha ng iba't ibang tao sa isang imahe.Kung malulutas natin ito bilang isang pangkaraniwang problema sa pag-aaral ng makina, tutukuyin namin ang mga tampok sa mukha tulad ng mata, ilong, tainga atbp at pagkatapos, makikilala ng system kung aling mga tampok ang mas mahalaga para sa kung aling tao sa sarili nito.
Ngayon, gagawin ng malalim na pag-aaral ang isang hakbang na ito nang maaga. Ang malalim na pag-aaral ay awtomatikong nalaman ang mga tampok na kung saan ay mahalaga para sa pag-uuri dahil sa malalim na mga neural network, samantalang sa kaso ng Pag-aaral ng Machine kailangan naming manu-manong tukuyin ang mga tampok na ito.
igos: Pagkilala sa Mukha gamit ang Deep Network
Tulad ng ipinakita sa imahe sa itaas ay gumagana ang Deep Learning tulad ng sumusunod:
- Sa pinakamababang antas, ang network ay tumutukoy sa mga pattern ng lokal na kaibahan bilang mahalaga.
- Ang sumusunod na layer ay magagawang gamitin ang mga pattern ng lokal na kaibahan upang mag-ayos sa mga bagay na kahawig ng mga mata, ilong, at bibig
- Sa wakas, ang tuktok na layer ay maaaring mailapat ang mga tampok sa mukha sa mga template ng mukha.
- Ang isang malalim na neural network ay may kakayahang gumawa ng higit pa at mas kumplikadong mga tampok sa bawat sunud-sunod na mga layer nito.
Naisip mo ba kung paano awtomatikong label o nai-tag ng Facebook ang lahat ng taong naroroon sa isang imaheng na-upload mo? Sa gayon, gumagamit ang Facebook ng Deep Learning sa isang katulad na paraan tulad ng nakasaad sa halimbawa sa itaas. Ngayon, nalaman mo sana ang kakayahan ng Deep Learning at kung paano nito malalampasan ang Pag-aaral ng Machine sa mga kasong iyon kung saan wala kaming masyadong ideya tungkol sa lahat ng mga tampok na maaaring makaapekto sa kinalabasan. Samakatuwid, malalampasan ng Deep network ang sagabal ng Pag-aaral ng Machine sa pamamagitan ng pagguhit ng mga hinuha mula sa hanay ng data na binubuo ng input data nang walang wastong pag-label.
Ano ang Deep Learning | Pinasimple na Pag-aaral | Edureka
Mga Aplikasyon ng Malalim na Pag-aaral
Sumusulong dito kung ano ang malalim na pag-aaral ng blog, tingnan natin ang ilan sa mga tunay na buhay na aplikasyon ng Deep Learning upang maunawaan ang totoong mga kapangyarihan nito.
Pagkilala sa pagsasalita
Narinig ninyong lahat ang tungkol sa Siri, na siyang tinutukoy ng boses ng Apple na may katalinuhan na katulong. Tulad ng iba pang malalaking higante, sinimulan din ng Apple ang pamumuhunan sa Deep Learning upang gawing mas mahusay ang mga serbisyo nito kaysa dati.
Sa lugar ng pagkilala sa pagsasalita at kinokontrol na boses na matalinong katulong tulad ng Siri, maaaring makabuo ng mas tumpak na modelo ng acoustic gamit ang isang malalim na neural network at kasalukuyang isa sa mga pinaka-aktibong larangan para sa pagpapatupad ng malalim na pag-aaral. Sa mga simpleng salita, maaari kang bumuo ng ganoong sistema na maaaring matuto ng mga bagong tampok o iakma ang sarili nito ayon sa iyo at samakatuwid, magbigay ng mas mahusay na tulong sa pamamagitan ng paghula muna sa lahat ng mga posibilidad.
Awtomatikong Pagsasalin ng Makina
Alam nating lahat na agad na maisasalin ng Google ang pagitan ng 100 magkakaibang wika ng tao, na napakabilis na para bang sa pamamagitan ng mahika. Ang teknolohiya sa likod Google Translate ay tinatawag na Pagsasalin ng Makina at naging tagapagligtas para sa mga taong hindi maaaring makipag-usap sa bawat isa dahil sa pagkakaiba sa wikang nagsasalita. Ngayon, maiisip mo na ang tampok na ito ay naroon nang mahabang panahon, kaya, ano ang bago dito? Hayaan mong sabihin ko sa iyo na sa nakaraang dalawang taon, sa tulong ng malalim na pag-aaral, ganap na binago ng Google ang diskarte sa pag-translate ng machine sa Google Translate nito. Sa katunayan, ang mga mananaliksik ng malalim na pag-aaral na halos walang nalalaman tungkol sa pagsasalin ng wika ay naglalagay ng simpleng simpleng mga solusyon sa pag-aaral ng makina na tinatalo ang pinakamahusay na mga sistemang pagsasalin ng wika na binuo ng dalubhasa sa mundo. Maaaring maisagawa ang pagsasalin ng teksto nang walang paunang pagproseso ng pagkakasunud-sunod, pinapayagan ang algorithm na malaman ang mga dependency sa pagitan ng mga salita at ang kanilang pagmamapa sa isang bagong wika. Ang mga naka-stack na network ng malalaking paulit-ulit na mga neural network ay ginagamit upang maisagawa ang salin na ito.
- Instant na Pagsasalin ng Visual
Tulad ng alam mo, ang malalim na pag-aaral ay ginagamit upang makilala ang mga imahe na may mga titik at kung saan ang mga titik ay nasa eksena. Sa sandaling nakilala, maaari silang gawing teksto, isalin at muling likha ang imahe kasama ang isinaling teksto. Ito ay madalas na tinatawag instant na pagsasalin sa visual .
Ngayon, isipin ang isang sitwasyon kung saan bumisita ka sa anumang ibang bansa na ang katutubong wika ay hindi mo alam. Kaya, hindi kailangang magalala, gamit ang iba't ibang mga app tulad ng Google Translate maaari kang magpatuloy at magsagawa ng mga instant na visual na pagsasalin upang mabasa ang mga karatula o shop board na nakasulat sa ibang wika. Naging posible lamang ito dahil sa Deep Learning.
Tandaan: Maaari kang magpatuloy at mag-download ng Google Translate App at suriin ang kamangha-manghang instant na visual na pagsasalin gamit ang imahe sa itaas.
Pag-uugali: Mga Awtomatikong Kotse na Pinatakbo ng Sarili
Sinusubukan ng Google na kunin ang kanilang inisyatiba sa kotse na nagmamaneho sa sarili, na kilala bilang WAYMO, sa isang bagong bagong antas ng pagiging perpekto gamit ang Deep Learning. Samakatuwid, sa halip na gumamit ng mga lumang algorithm na naka-code sa kamay, maaari na silang mag-program ng system na maaaring matuto nang mag-isa gamit ang data na ibinigay ng iba't ibang mga sensor. Ang malalim na pag-aaral ay ngayon ang pinakamahusay na diskarte sa karamihan ng mga gawain sa pang-unawa, pati na rin sa maraming mga gawain sa control na mababang antas. Samakatuwid, ngayon kahit na ang mga taong hindi alam na magmaneho o hindi pinagana, ay maaaring magpatuloy at sumakay nang hindi umaasa sa iba.
Dito, nabanggit ko lamang ang ilang mga tanyag na mga kaso ng paggamit ng totoong buhay kung saan ang Malalim na Pag-aaral ay ginagamit ng malawakan at nagpapakita ng maaasahang mga resulta. Mayroong maraming iba pang mga application ng malalim na pag-aaral kasama ang maraming mga patlang na kung saan ay pa ginalugad.
Kaya, ito ay tungkol sa malalim na pag-aaral nang maikling salita. Sigurado ako na sa ngayon, malalaman mo ang pagkakaiba sa pagitan ng Pag-aaral ng Makina at Malalim na Pag-aaral pati na rin kung paano ang Napaka-malalim na Pag-aaral ay maaaring maging lubhang kapaki-pakinabang para sa iba't ibang application na totoong buhay. Ngayon, sa aking susunod na blog sa malalim na seryeng ito ng pag-aaral, lalalim kami sa iba't ibang mga konsepto at algorithm ng Malalim na Pag-aaral kasama ang kanilang aplikasyon nang detalyado.
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 na gumagamit ng mga real time na proyekto 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.
kung paano itakda ang classpath sa windows 10