Johdanto syvälle oppimiseen
Syväoppiminen on yksi koneoppimistekniikoista, joilla opetamme / koulutamme tietokoneita tekemään mitä ihmiset tekevät. Esimerkiksi auton ajaminen - syvällä oppimisella on avainasemassa ohjaamattomassa autotekniikassa, koska se mahdollistaa erilaisten liikennemerkkien, liikennemerkkien, jalankulkijoiden kyltien tunnistamisen. Muut syvän oppimisen avainalueet ovat ääniohjaus kotijärjestelmissä, matkapuhelimet, langattomat kaiuttimet, Alexa, älytelevisiot jne. Aloittelijoille tarkoitettu syväoppiminen on useimmiten abstraktin ja esityksen monitasoista, joiden avulla tietokonemalli oppii suorittamaan kuvien, äänien ja tekstin luokituksen jne. Syvän oppimisen mallit saavuttavat paremman tarkkuuden ja suorituskyvyn kuin ihmiset joissakin malleissa . Yleensä nämä tietokonemallit kouluttavat suuren tietosarjan, joka on merkitty ja merkitsemätön tunnistamaan kohteita ja hermoverkkoja, joilla on useita kerroksia kussakin verkossa.
Mikä on syväoppiminen?
Selitän, mikä on maallikkokauden syvää oppimista, seuraavasti: Yleensä teemme kaksi tehtävää koko ajan tietoisesti tai alitajuisesti eli luokittelemme sen, mitä tunsimme aistiemme kautta (kuten kuuma, kylmä muki jne.) Ja esimerkiksi ennustamisen, ennustaa tulevan lämpötilan aiempien lämpötilatietojen perusteella. Teemme luokittelu- ja ennustetehtäviä useille arkipäivän tapahtumille tai tehtäville, kuten alla:
- Pidä kupillinen teetä / vettä / kahvia jne., Joka voi olla kuuma tai kylmä.
- Sähköpostiluokitukset, kuten roskapostit / ei roskapostit.
- Päivänvaloajan luokittelu, kuten päivä tai yö.
- Pitkän aikavälin tulevaisuudensuunnittelua nykyisen asemamme ja olemassa olevien asioiden perusteella kutsutaan ennusteeksi.
- Jokainen maailman olento tekee nämä tehtävät elämässään, esimerkiksi pitävät eläimiä, kuten varis luokittelee paikan pesän rakentamiseksi tai ei, mehiläinen päättää joistakin tekijöistä, milloin ja mistä saada hunajaa, lepakko tulee yöllä ja nukkuu aamuisin päivä- ja yöluokittelun perusteella.
Kuvailkaamme näiden tehtävien luokittelu ja ennustaminen, ja ne näyttävät samanlaisilta kuin alla olevassa kuvassa. Luokittelussa kategorisoimme kissojen ja koirien välillä vetämällä viivan tietopisteiden läpi ja ennustamisen tapauksessa piirrämme viivan tietopisteiden kautta ennustaa milloin se kasvaa ja vähenee.
1) Luokittelu
- Yleensä luokittelemiseksi kissojen ja koirien tai miesten ja naisten välillä, emme vedä viivaa aivoihimme ja koirien ja kissojen sijainti on mielivaltainen vain havainnollistamista varten, ja on tarpeetonta sanoa, miten luokittelemme kissat ja koirat koirat aivoissamme ovat paljon monimutkaisempia kuin punaisen viivan vetäminen, kuten yllä.
- Luokittelemme kaksi asiaa muodon, koon, korkeuden, ulkonäön jne. Perusteella. Joskus on vaikea luokitella näihin ominaisuuksiin, kuten pieni koira raivolla ja vastasyntynyt kissa, joten se ei ole selkeä luokittelu kissoihin ja koiriin.
- Kun pystymme luokittelemaan kissojen ja koirien välillä, kun olemme lapsia, niin edelleen pystymme luokittelemaan minkä tahansa koiran tai kissan, vaikka emme nähneet sitä aikaisemmin.
2) Prediction
- Viivaan perustuvaan ennustamiseen vedämme datapisteiden kautta, jos pystymme ennustamaan, missä se todennäköisimmin nousee ylös tai alas.
- Käyrä on myös ennuste uusien datapisteiden sovittamisesta olemassa olevien datapisteiden alueelle, ts. Kuinka lähellä uutta datapistettä käyrään.
- Datapisteet, jotka ovat punaisina yllä olevassa kuvassa (oikea puoli), ovat esimerkkejä sekä olemassa olevien datapisteiden alueella että sen ulkopuolella ja käyrä yrittää ennustaa molempia.
Lopuksi, sekä tehtävien luokittelu että ennustaminen päättyvät samaan kohtaan, ts. Piirtämällä kaareva viiva datapisteistä. Jos pystymme kouluttamaan tietokonemallin piirtämään kaarevan viivan tehtyjen datapisteiden perusteella, voimme laajentaa tätä soveltaakseen eri malleihin, kuten esimerkiksi kaarevan viivan piirtämiseen kolmiulotteisissa tasoissa ja niin edelleen. Yllä oleva asia voidaan saavuttaa kouluttamalla malli, jolla on suuri määrä merkittyä ja merkitsemätöntä tietoa, jota kutsutaan syväksi oppimiseksi.
Esimerkkejä syvällisestä oppimisesta:
Kuten tiedämme, syväoppiminen ja koneoppiminen ovat keinoälyn osajoukkoja, mutta syvän oppimisen tekniikka edustaa koneoppimisen seuraavaa kehitystä. Koska koneoppiminen toimii ihmisten kehittämien algoritmien ja ohjelmien perusteella, kun taas syväoppiminen tapahtuu hermoverkkomallin avulla, joka toimii samalla tavalla kuin ihminen ja antaa koneelle tai tietokoneelle mahdollisuuden analysoida tietoja samalla tavalla kuin ihmiset. Tämä tulee mahdolliseksi kun koulutamme hermoverkkomalleja valtavalla määrällä dataa, koska tiedot ovat polttoainetta tai ruokaa hermoverkkomalleille. Alla on esimerkkejä syvällisestä oppimisesta todellisessa maailmassa.
-
Konenäkö:
Tietokonenäkö käsittelee tietokoneiden algoritmeja maailman ymmärtämiseksi kuva- ja videotietojen avulla sekä tehtäviä, kuten kuvan tunnistus, kuvan luokittelu, esineiden havaitseminen, kuvan segmentointi, kuvan palauttaminen jne.
-
Puhe ja luonnollisen kielen käsittely:
Luonnollinen kielenkäsittely käsittelee tietokoneiden algoritmeja ymmärtämään, tulkitsemaan ja käsittelemään ihmisen kieltä. NLP-algoritmit toimivat teksti- ja äänidatan kanssa ja muuntavat ne ääni- tai tekstitulosteiksi. NLP: tä käyttämällä voimme tehdä tehtäviä, kuten tunteanalyysi, puheentunnistus, kielen siirtyminen ja luonnollisen kielen luominen jne.
-
Autonomiset ajoneuvot:
Syvän oppimisen mallit koulutetaan valtavalla määrällä tietä katumerkkien tunnistamiseen; Jotkut mallit ovat erikoistuneita jalankulkijoiden tunnistamiseen, ihmisten tunnistamiseen jne. kuljettamattomille autoille ajettaessa.
-
Tekstin luominen:
Käyttämällä syvällisiä oppimismalleja, joita voidaan käyttää kielen, kieliopin ja tekstityyppien jne. Perusteella, voidaan luoda uusi teksti, jolla on oikeinkirjoitus ja kielioppi Wikipediasta Shakespeareen.
-
Kuvan suodatus:
Syvän oppimisen malleilla, kuten värien lisääminen mustavalkoisiin kuviin, voidaan tehdä syvän oppimisen malleilla, mikä vie enemmän aikaa, jos teemme käsin.
johtopäätös
Lopuksi, se on yleiskatsaus syvän oppimisen tekniikkaan, sen sovelluksiin todellisessa maailmassa. Toivon, että ymmärrät syvän oppimisen tämän artikkelin lukemisen jälkeen. Kuten tiedämme tänään, syvällisellä oppimisella koulutettujen koneiden kuvan tunnistaminen on joissain tapauksissa parempi kuin ihmisillä, toisin sanoen veren syövän ja kasvaimien tunnistamisessa MRI-tutkimuksissa ja Googlen alphaGo oppinut pelin ja kouluttanut 'Go' -otteluaan kouluttamalla hermoverkkoaan pelaamalla sitä vastaan uudestaan ja uudestaan.
Suositellut artikkelit
Tämä on opas Mikä on syvä oppiminen. Tässä olemme keskustelleet syvän oppimisen peruskäsitteistä ja esimerkkeistä. Voit myös tarkastella seuraavia artikkeleita:
- Ura syvissä oppimisissa
- 13 hyödyllistä syvää oppimista koskevaa haastattelukysymystä
- Ohjattu oppiminen vs. syväoppiminen
- Neuraaliverkot vs. syvä oppiminen
- Ylävertailu syvän oppimisen ja koneoppimisesta