Introduksjon til dyp læring

Deep Learning er en av maskinlæringsteknikkene som vi lærer / trener datamaskiner til å gjøre det mennesker gjør. For eksempel kjører en bil - dyp læring spiller en nøkkelrolle i førerløs bilteknologi ved å gjøre dem i stand til å identifisere forskjellige trafikkskilt, veiskilt, fotgjengerfelt osv. Andre sentrale områder for dyp læring er stemmekontroll i hjemmesystemer, mobiler, trådløse høyttalere, Alexa, smarte TVer osv. Dyp læring for nybegynnere handler mest om flere nivåer av abstraksjon og representasjon som datamodellen lærer å utføre klassifisering av bilder, lyder og tekst osv. Dype læringsmodeller oppnår bedre nøyaktighet og ytelse enn mennesker i noen modeller. . Generelt trenes disse datamodellene av et stort sett med data som er merket og umerket for å identifisere objekter og nevrale nettverk som har flere lag i hvert nettverk.

Hva er dyp læring?

Jeg vil forklare hva som er dyp læring i lekmannsbetegnelsen som nedenfor: Generelt sett vil vi gjøre to oppgaver hele tiden bevisst eller underbevisst, dvs. kategorisere hva vi følte gjennom sansene våre (som å føle deg varm, kald krus osv.) Og prediksjon, for eksempel, spår den fremtidige temperaturen basert på de forrige temperaturdataene. Vi utfører kategoriserings- og prediksjonsoppgaver for flere hendelser eller oppgaver i vårt daglige liv, som nedenfor:

  • Hold kopp te / vann / kaffe osv. Som kan være varmt eller kaldt.
  • E-postkategorisering som spam / ikke spam.
  • Dag-lys tid kategorisering som dag eller natt.
  • Langsiktig planlegging av fremtiden basert på vår nåværende posisjon og ting vi har - kalles prediksjon.
  • Hver skapning i verden vil utføre disse oppgavene i livet, for eksempel vurdere dyr som kråke vil kategorisere et sted å bygge reiret sitt eller ikke, et bie vil bestemme noen faktorer når og hvor de skal få honning, flaggermus vil komme i løpet av natten og sover om morgenen basert på dag- og nattkategorisering.

La oss visualisere disse oppgavene kategorisering og prediksjon, og de vil se like ut som i bildet nedenfor. For kategorisering gjør vi kategorisering mellom katter og hunder ved å tegne en linje gjennom datapunkter og i tilfelle prediksjon trekker vi en linje gjennom datapunkter til forutsi når det vil øke og redusere.

1) kategorisering

  • Generelt for å kategorisere mellom katter og hunder, eller menn og kvinner, trekker vi ikke en linje i hjernen vår, og plasseringen av hunder og katter er vilkårlig kun for illustrasjonsformål, og det er unødvendig å si hvordan vi kategoriserer mellom katter og hunder i hjernen vår er mye komplisert enn å tegne en rød strek som ovenfor.
  • Vi vil kategorisere mellom to ting basert på former, størrelse, høyde, utseende osv. Og noen ganger vil det være vanskelig å kategorisere med disse funksjonene som en liten hund med raseri og nyfødt katt, så det er ikke en tydelig kategorisering til katter og hunder.
  • Når vi først er i stand til å kategorisere mellom katter og hunder når vi er barn, kan vi kategorisere hunder eller katter til og med vi ikke så den før.

2) Prediksjon

  • For prediksjon basert på linjen trekker vi gjennom datapunkter, hvis vi er i stand til å forutsi hvor det er mest sannsynlig å gå oppover eller nedover.
  • Kurven er også en prediksjon for å tilpasse nye datapunkter innenfor området til eksisterende datapunkter, dvs. hvor nær det nye datapunktet er til kurven.
  • Datapunktene som er i rød farge i bildet over (høyre side) er eksempler på både innenfor og utenfor rekkevidden til eksisterende datapunkter og kurven forsøker å forutsi begge.

Til slutt avsluttes begge oppgavens kategorisering og prediksjon på lignende punkt, dvs. tegning av en kurvet linje fra datapunkter. Hvis vi er i stand til å trene datamaskinmodellen til å tegne den svingete linjen basert på datapunkter vi er ferdige, kan vi utvide denne til å gjelde i forskjellige modeller, for eksempel å tegne en kurvet linje i tredimensjonale plan og så videre. Ovennevnte ting kan oppnås ved å trene en modell med en stor mengde merkede og umerkede data som kalles dyp læring.

Eksempler på dyp læring:

Som vi vet dyp læring og maskinlæring er undergrupper av kunstig intelligens, men dyp læringsteknologi representerer den neste utviklingen av maskinlæring. Ettersom maskinlæring vil fungere basert på algoritmer og programmer utviklet av mennesker, mens dyp læring lærer gjennom en nevrale nettverksmodell som fungerer som lik mennesker og lar maskin eller datamaskin analysere dataene på en lignende måte som mennesker gjør. Dette blir mulig når vi trener nevrale nettverksmodeller med en enorm mengde data, da data er drivstoff eller mat for nevrale nettverksmodeller. Nedenfor er noen av eksemplene på dyp læring i den virkelige verden.

  • Datamaskin syn:

Datasyn omhandler algoritmer for datamaskiner for å forstå verden ved bruk av bilde- og videodata og oppgaver som bildegjenkjenning, bildeklassifisering, objektdeteksjon, bildesegmentering, bildegjenoppretting etc.

  • Tale og naturlig språkbehandling:

Naturlig språkbehandling omhandler algoritmer for datamaskiner å forstå, tolke og manipulere på menneskers språk. NLP-algoritmer fungerer med tekst- og lyddata og transformerer dem til lyd eller tekstutgang. Ved hjelp av NLP kan vi gjøre oppgaver som følelsesanalyse, talegjenkjenning, språkovergang, og naturlig språkgenerering etc.

  • Autonome kjøretøy:

Dype læringsmodeller er trent med en enorm mengde data for å identifisere gateskilt; noen modeller er spesialister på å identifisere fotgjengere, identifisere mennesker osv. for førerløse biler under kjøring.

  • Tekstgenerering:

Ved å bruke dype læringsmodeller som er opplært etter språk, grammatikk, og typer tekster etc. kan brukes til å lage en ny tekst med riktig stavemåte og grammatikk fra Wikipedia til Shakespeare.

  • Bildefiltrering:

Ved å bruke dype læringsmodeller som å legge til farger til svart-hvitt bilder kan du gjøre med dyp læringsmodeller som vil ta mer tid hvis vi gjør det manuelt.

Konklusjon

Til slutt er det en oversikt over dyp læringsteknologi, dens anvendelser i den virkelige verden. Jeg håper du vil ha god forståelse av hva som er dyp læring etter å ha lest denne artikkelen. Som vi vet i dag, er bildegjenkjenning av maskiner som er trent av dyp læring i noen tilfeller bedre enn mennesker, det vil si å identifisere kreft i blod og svulster i MR-skanninger, og Googles alphaGo lærte spillet og trente for sin "Go" -kamp ved å trene det nevrale nettverket. ved å spille mot det om og om igjen.

Anbefalte artikler

Dette har vært en guide til Hva er dyp læring. Her har vi diskutert de grunnleggende begrepene og eksemplene på dyp læring. Du kan også se på følgende artikler:

  1. Karrierer i dype læringer
  2. 13 nyttige spørsmål om dyp læring
  3. Veiledet læring vs dyp læring
  4. Neural Networks vs Deep Learning
  5. Topp sammenligning av dyp læring vs maskinlæring

Kategori:

Stor Data