Bevezetés a mély tanulásba

A mély tanulás az egyik gépi tanulási módszer, amellyel megtanítjuk / kiképezzük a számítógépeket arra, hogy az emberek csinálják. Például autóvezetés - a mély tanulás kulcsszerepet játszik a járművezetés nélküli járműtechnológiában, lehetővé téve számukra a különböző közlekedési táblák, útjelző táblák, gyalogos táblák stb. Azonosítását. A mélyreható tanulás további kulcsterületei az otthoni rendszerek hangvezérlése, mobiltelefonok, vezeték nélküli hangszórók., Alexa, intelligens tévék stb. A kezdő tanulás többnyire az absztrakció és reprezentáció több szintjét érinti, amellyel a számítógépes modell megtanulja a képek, hangok és szöveg osztályozását stb. A mély tanulási modellek jobb pontosságot és teljesítményt érnek el, mint egyes emberekben . Ezeket a számítógépes modelleket általában egy nagy adatkészlet képezi, amelyet fel van címkézve és felcímkézve, hogy azonosítsák az objektumokat és az ideghálózatokat, amelyek minden hálózatban több réteggel rendelkeznek.

Mi az a mély tanulás?

Az alábbiakban magyarázatot adok arra, hogy mi az a laikus kifejezésben a mély tanulás: Általában két dolgot végzünk tudatosan vagy tudatosan, azaz kategorizáljuk azt, amit érzékeinken át éreztünk (például forró érzés, hideg bögre stb.) És például az előrejelzést., előrejelzi a jövőbeli hőmérsékletet az előző hőmérsékleti adatok alapján. Mindennapi életünk számos eseményéhez vagy feladatához kategorizálási és előrejelzési feladatokat végezünk, például az alábbiak szerint:

  • Tartó csésze tea / víz / kávé stb., Ami meleg vagy hideg lehet.
  • E-mail kategóriák, például spam / nem spam.
  • Nappali fény idő szerinti osztályozás, például nappali vagy éjszakai.
  • A jövő hosszú távú tervezését jelenlegi helyzetünk és meglévőnk alapján - előrejelzésnek nevezzük.
  • A világ minden lénye elvégzi ezeket a feladatokat az életében, például fontolja meg, hogy az állatok, mint például a varjú, osztályoznak egy helyet, ahol megépítik a fészkét, vagy sem, a méh eldönti néhány tényezőt, mikor és hol lehet mézet szerezni, denevér jön éjszaka és reggel folyamán alszik, nappali és éjszakai osztályozás alapján.

Vizsgáljuk meg ezeket a feladatok kategorizálását és előrejelzését, és azok hasonlóak lesznek, mint az alábbi képen. A kategorizáláshoz kategorizálunk macskák és kutyák között egy vonal húzásával az adatpontokon keresztül, és előrejelzés esetén az adatpontokon keresztül húzunk egy sort megjósolni, mikor fog növekedni és csökkenni.

1) Kategorizálás

  • Általánosságban a macskák és kutyák, vagy a férfiak és nők közötti kategorizáláshoz nem vonunk vonalat az agyunkba, és a kutyák és macskák helyzete önkényesen csak szemléltetési célokat szolgál, és felesleges mondani a macskák és a macskák kategorizálásának módját. az agyunkban a kutyák sokkal összetettebbek, mint egy vörös vonal húzása, mint fent.
  • Két dolgot kategorizálunk alak, méret, magasság, megjelenés stb. Alapján, és néha nehéz lesz ezeket a jellemzőket kategóriába sorolni, például egy kis dühös kutya és újszülött macska, tehát ez nem egyértelmű kategorizálás macskákba és kutyákba.
  • Ha képesek vagyunk kategorizálni macskák és kutyák között, amikor gyermekek vagyunk, akkor ezt követően bármilyen kutyát vagy macskát kategorizálhatunk, még akkor is, amikor korábban nem láttuk.

2) Prediction

  • A vonal alapján történő előrejelzéshez az adatpontokat áthúzzuk, ha képesek vagyunk megjósolni, hogy hova megy a legvalószínűbben felfelé vagy lefelé.
  • A görbe azt is megjósolja, hogy új adatpontok illeszkedjenek a meglévő adatpontok tartományába, azaz milyen közel álljon az új adatpont a görbehöz.
  • A fenti képen (jobb oldalon) piros színű adatpontok példák mind a létező adatpontok tartományán belül, mind azon kívül, és a görbe mindkettőt megjósolni próbálja.

Végül mind a feladatok kategorizálása, mind a predikció hasonló ponton végződik, azaz görbe vonal rajzolása az adatpontokból. Ha képesek vagyunk kiképezni a számítógépes modellt arra, hogy rajzoljuk a kanyargós vonalat az elvégzett adatpontok alapján, akkor kiterjeszthetjük ezt a különféle modellekre is, például egy kanyargós vonal rajzolására háromdimenziós síkokban és így tovább. A fenti dolog úgy érhető el, ha nagy mennyiségű, címkézett és címkézetlen adatot tartalmazó modellt képzünk, amelyet mély tanulásnak nevezünk.

Példák a mély tanulásra:

Mint tudjuk, a mély tanulás és a gépi tanulás a mesterséges intelligencia részhalmaza, de a mély tanulási technológia képviseli a gépi tanulás következő fejlődését. Mivel a gépi tanulás az emberek által kifejlesztett algoritmusokon és programokon alapul, míg a mélyreható tanulás egy ideghálózati modell segítségével történik, amely hasonló az emberekhez, és lehetővé teszi, hogy a gép vagy a számítógép az adatokat hasonlóan analizálja, mint az emberek. Ez akkor válik lehetővé, amikor az ideghálózati modelleket nagy mennyiségű adattal képzik, mivel az adatok tüzelőanyagot vagy táplálékot jelentenek az ideghálózati modellek számára. Az alábbiakban néhány példát mutatunk a mélyreható tanulásra a valós világban.

  • Számítógépes látás:

A számítógépes látás a számítógépes algoritmusokkal foglalkozik a világ megértésével egy kép- és videoadatok felhasználásával, valamint olyan feladatokkal, mint a képfelismerés, a kép osztályozása, az objektum érzékelése, a kép szegmentálása, a kép helyreállítása stb.

  • Beszéd és természetes nyelv feldolgozása:

A természetes nyelvfeldolgozás algoritmusokkal foglalkozik a számítógépekkel az emberi nyelv megértése, értelmezése és manipulálása céljából. Az NLP algoritmusok szöveges és audio adatokkal dolgoznak, és ezeket audio- vagy szöveges kimenetré konvertálják. Az NLP segítségével olyan feladatokat végezhetünk, mint a szentiment elemzés, a beszédfelismerés, a nyelv átmenete és a természetes nyelvgenerálás stb.

  • Autonóm járművek:

A mélyreható tanulási modelleket hatalmas mennyiségű adat képzi az utcai táblák azonosításához; Egyes modellek a gyalogosok azonosítására, az emberek azonosítására stb. vonatkoznak vezetés nélküli járműveknél vezetés közben.

  • Szöveg generálása:

A nyelv, a nyelvtan, a szövegetípusok stb. Alapján kiképzett mély tanulási modellek felhasználásával új szöveget lehet létrehozni a helyes helyesírás és nyelvtan segítségével a Wikipedia-tól Shakespeare-ig.

  • Képszűrés:

A mélyreható tanulási modellek használatával, például a fekete-fehér képekhez színes hozzáadásával, mély tanulási modellek is elérhetők, amelyek több időt vesznek igénybe, ha manuálisan tesszük.

Következtetés

Végül áttekintést nyújt a mély tanulási technológiáról, annak alkalmazásáról a valós világban. Remélem, hogy a cikk elolvasása után megérti a mély tanulást. Mint ma már tudjuk, a képfelismerés bizonyos esetekben a mélyrehatóan megtanult gépek által jobb, mint az embereknél, azaz az MRI vizsgálat során a vérrák és a daganatok felismerésénél a Google alfaGo-ját megtanulta a játékot, és idegi hálózatának kiképzésével edzett a „Go” mérkőzéshez. azáltal, hogy újra és újra ellen játszik.

Ajánlott cikkek

Ez egy útmutató a Mi az a mély tanulás témához. Itt megvitattuk a mély tanulás alapelveit és példáit. A következő cikkeket is megnézheti:

  1. Karrier a mély tanulásban
  2. 13 Hasznos, mélyreható interjú kérdése
  3. Felügyelt tanulás vs mély tanulás
  4. Neurális hálózatok vs mély tanulás
  5. A mély és a gépi tanulás összehasonlítása

Kategória:

Nagy adat