Bevezetés a mély tanulás alkalmazásába
A mély tanulás a gépi tanulás részhalmaza, egy lépés a bezáráshoz a mesterséges intelligencia számára. A mély tanulási módszerek úgy működnek, mint az emberi elme, olyan, mint egy mesterséges idegháló. A mély tanulás célja az is, hogy megismételje azokat a dolgokat, amelyekre az emberi elme képes. Amint az emberi elme látás, hang vagy szövegminták alapján hoz döntést, ugyanúgy a mély tanulás is segít a döntés meghozatalában. Például, ha megnéz egy képet, és elmondja, hogy ez egy kutya vagy macska, vagy meghatározza a kép különböző tárgyait, felismeri egy eszköz / művész hangját és mond róla, a szövegbányászat és a természetes nyelvfeldolgozás a mély alkalmazások egyike tanulás.
A mély tanulás alkalmazása
A mély tanulás alkalmazásai hatalmasak, de megpróbálnánk lefedni a mély tanulási technikák leggyakrabban alkalmazott alkalmazását. Íme néhány mélyreható tanulási alkalmazás, amelyek mostantól nagyon gyorsan megváltoztatják a körülöttünk lévő világot.
1. Toxikológiai kimutatás különböző kémiai szerkezeteknél
Itt a mélytanulás módszere nagyon hatékony, amikor a szakértők évtizedekig tartottak ahhoz, hogy meghatározzák egy adott szerkezet toxicitását, de a mély tanulási modell segítségével a toxicitást nagyon kevesebb idő alatt lehet meghatározni (attól függ, hogy a komplexitás órát vagy órát jelenthet) napok). A mély tanulási modellek képesek ábrázolni az input elvont fogalmait a többszintű elosztott hierarchiában. Ez lehetővé teszi a többfeladatos tanulást minden toxikus hatásról egyetlen kompakt ideghálózatban, ami rendkívül informatívvá teszi. Ez a modell normalizálja a vegyületek összes kémiai szerkezetét. Összeállítja őket, hogy megjósolja a normalizált szerkezetekből származó lehetséges új vegyületek toxicitását. Milyen mély tanulás sokkal jobb, mint más gépi tanulási technikák? Kérjük, nézd meg ezt a tanulmányt (DeepTox: Toxicitás-előrejelzés mély tanulással: Andreas Mayr 1, 2 †, Günter Klambauer 1 †, Thomas Unterthiner 1, 2 † és Sepp Hochreiter 1 * )
2. Mitózis detektálása / radiológia
A rák felderítésének mély tanulási modelljének meghatározása 6000 tényezővel rendelkezik, amelyek elősegíthetik a beteg túlélésének előrejelzését. A mellrák diagnosztizálása szempontjából a mélyreható tanulási modell hatékonynak és eredményesnek bizonyult. A mély tanulás CNN modellje képes a mitózis felismerésére és osztályozására a betegekben. A mély idegi hálózatok segítenek a sejtek életciklusának vizsgálatában (Forrás: A sejt mitózis kimutatása mély ideghálózatok felhasználásával (Yao Zhou, Hua Mao, Zhang Yi).
3. Halucináció vagy szekvencia generálás
Új felvételeket készíthet különféle videojátékok megfigyelésével, megtanulhatja működésüket és megismételhetik azokat mély tanulási technikákkal, például ismétlődő idegi hálózatokkal. A mély tanulási hallucinációk alacsony felbontású képek felhasználásával nagy felbontású képeket hozhatnak létre. Ezt a modellt arra használják, hogy visszaállítsák az alacsony felbontású képek előzményadatait nagy felbontású képekké konvertálással.
4. Kép osztályozás / gépi látás
látjuk, hogy a Facebook javaslatot nyújt a képen szereplő különböző személyek automatikus címkézésére, ez a gépi látás tökéletes példája. Mélyhálókat használ, különböző szögekből készít képeket, majd címkézi a képet a képnek. Ezek a mélyreható tanulási modellek már olyan fejlettek, hogy felismerjük a kép különböző tárgyait és megjósolhatjuk, hogy mi lehet az a lehetőség. Például az étteremben készített kép különböző tulajdonságokkal rendelkezik benne, például asztalok, székek, különféle ételek, kés, Villa, üveg, sör (a sör márkája), a képen szereplő emberek hangulata stb. ha egy személy által feltöltött képeket néz fel, felismerheti annak személyiségét és javasolhatja hasonló dolgok vásárlását vagy látogatási helyeit stb.
5. Beszédfelismerés
A beszéd a leggyakoribb kommunikációs módszer az emberi társadalomban. Amint az ember felismeri a beszédet, megérti és ennek megfelelően reagál, a mély tanulási modell ugyanúgy növeli a számítógépek képességeit, hogy megértsék, hogyan reagálnak az emberek a különböző beszédekre. A napi életben élő példák vannak, például az Siri of Apple, az Alexa az Amazon-tól, a google home mini stb. A beszédben számos olyan tényezőt figyelembe kell venni, mint a nyelv / ékezet / kor / nem / hangminőség stb. A cél az ismeretlen hangszóró felismerése és az ahhoz való válaszadás hangjeleinek bevitele útján.
6. Szövegkivonás és szövegfelismerés
Maga a szövegkivonásnak nagyon sok alkalmazása van a való világban. Például az automatikus fordítás egyik nyelvről a másikra, a különféle vélemények szentimentális elemzése. Ezt széles körben természetes nyelvfeldolgozásnak nevezik. Amikor e-mailt írunk, a mondat kiegészítéséhez automatikus javaslatot látunk, amely szintén a mély tanulás alkalmazása.
7. Piaci előrejelzés
A mélyreható tanulási modellek előre jelezhetik a kereskedők vásárlását és eladását, attól függően, hogy a modell miként lett képzve, és hasznos mind rövid távú kereskedési játékhoz, mind hosszú távú befektetéshez, a rendelkezésre álló szolgáltatások alapján.
8. Digitális reklám
A mély tanulási modellek a felhasználókat korábbi vásárlási és böngészési előzményeik alapján kategorizálják, és valós időben releváns és személyre szabott hirdetéseket ajánlanak. Megtapasztalhatjuk ugyanazt, egy olyan terméket, amelyet éppen keresett az amazon alkalmazásában, ugyanaz a hirdetés megjelenik más alkalmazásokban is, például az IRCTC.
9. Csalás észlelése
A mélyreható tanulási modell több adatforrást használ, hogy a döntést valós időben csalásként jelölje meg. A mélyreható tanulási modellek segítségével megtudhatjuk, hogy mely termékek és mely piacok hajlamosak a csalásokra, és ilyen esetekben nyújtanak kiegészítő ellátást.
10. Földrengés előrejelzése
A szeizmológus megpróbálja megjósolni a földrengést, de túl bonyolult ahhoz, hogy előre lehessen számolni. Egy rossz előrejelzés sokat fizet az embereknek és a kormánynak. Egy földrengés esetén kétféle típusú hullám létezik: p-hullám (gyorsan halad, de a károsodás kevesebb), s-hullám (lassan halad, de a károk nagyok). Néhány nappal korábban nehéz döntéseket hozni, de mélyreható tanulási technikákkal órákkal előrejelezhetjük az egyes hullámok eredményét a korábbi tapasztalatok alapján, ám ennek megfelelően gyors módosítani tudunk.
Következtetés - a mély tanulás alkalmazása
A mély tanulás sok nehéz feladatot megkönnyít számunkra. A mélyreható tanulási lehetőségek széles skálája a különböző ipari ágazatokban, és forradalmian új olyan területeken, mint például az egészségügy (drogfedezés / rákdetektálás stb.), Autóipar (autonóm vezetési rendszer), hirdetési ágazat (a személyre szabott hirdetések megváltoztatják a piaci trendeket). Megbeszéltük a mélyreható tanulás főbb alkalmazási lehetőségeit, de még mindig sok más alkalmazás van, amelyekkel dolgozunk, és néhányuk a jövőben is megjelenik.
Ajánlott cikkek
Ez egy útmutató a mély tanulás alkalmazásához. Itt is megvitatjuk a mély tanulás bevezetését és a tíz legjobb alkalmazását. Lehet, hogy megnézi a következő cikkeket is, ha többet szeretne megtudni -
- Gépi tanulási keretek
- Mi az a mély tanulás?
- Mély tanulási algoritmusok
- Mély tanulási technika
- Lekérdezési példák az Oracle nézetek létrehozására
- Hierarchia a Tableau-ban | Hogyan lehet létrehozni?
- Útmutató a gépi tanulási technikákhoz