Въведение в задълбоченото обучение
Дълбокото обучение е една от техниките за машинно обучение, чрез която учим / обучаваме компютри да правят това, което правят хората. Например шофирането на автомобил - дълбокото обучение играе ключова роля в автомобилната технология без шофьор, като им дава възможност да идентифицират различни пътни знаци, пътни знаци, пешеходни знаци и др. Други ключови области на дълбокото обучение са гласовият контрол в домашните системи, мобилните телефони, безжичните високоговорители, Alexa, интелигентни телевизори и др. Дълбокото обучение за начинаещи е най-вече за множество нива на абстракция и представяне, чрез които компютърният модел се научава да извършва класификация на изображения, звуци и текст и т.н. Моделите за дълбоко обучение постигат по-голяма точност и ефективност от хората в някои модели, По принцип тези компютърни модели се обучават от голям набор от данни, които са етикетирани и без етикети, за да идентифицират обекти и невронни мрежи, които имат множество слоеве във всяка мрежа.
Какво е задълбочено обучение?
Ще обясня какво е дълбокото учене в лаинския термин, както е посочено по-долу: Като цяло ние ще правим две задачи през цялото време съзнателно или подсъзнателно, т.е. ще категоризираме това, което усещахме чрез сетивата си (като усещане за горене, студена халба и т.н.) И прогнозирането например, прогнозира бъдещата температура въз основа на предишните данни за температурата. Ние правим задачи за категоризация и прогнозиране на няколко събития или задачи в ежедневието си, като по-долу:
- Държи чаша чай / вода / кафе и т.н., които могат да бъдат горещи или студени.
- Категоризация по имейл като спам / не спам.
- Дневна светлинна категоризация като ден или нощ.
- Дългосрочното планиране на бъдещето въз основа на настоящата ни позиция и нещата, които имаме - се нарича прогнозиране.
- Всяко същество в света ще изпълнява тези задачи в живота си, например, помислете, че животни като врана ще категоризират място за изграждане на гнездото си или не, пчела ще реши някои фактори кога и къде да вземе мед, прилеп ще идва през нощта и спи през сутринта въз основа на дневна и нощна категоризация.
Нека визуализираме тези задачи категоризация и прогнозиране и те ще изглеждат еднакво, както на изображението по-долу, За категоризация ние правим категоризация между котки и кучета, като изчертаваме линия през точки от данни, а в случай на прогнозиране начертаваме линия чрез точки от данни до предвидете кога ще се увеличава и намалява.
1) Категоризиране
- Като цяло, за да се категоризираме между котки и кучета, или мъже и жени, ние не очертаваме линия в мозъка си, а позицията на кучета и котки е произволна само за илюстрация и е излишно да казваме начина, по който категоризираме котките и котките. кучетата в мозъка ни е много по-сложно от начертаването на червена линия, както по-горе.
- Ние ще категоризираме между две неща въз основа на форми, размер, височина, външен вид и т.н. и понякога ще бъде трудно да се категоризира с тези характеристики, като малко куче с ярост и новородена котка, така че не е ясно категоризирана категоризация в котки и кучета.
- След като успеем да категоризираме котките и кучетата, когато сме деца, след това нататък ние можем да категоризираме всяко куче или котка, дори не сме го виждали преди.
2) Прогнози
- За прогнозиране въз основа на линията, ние изготвяме точки от данни, ако сме в състояние да предвидим къде е най-вероятно да отидем нагоре или надолу.
- Кривата е също предсказание за поставяне на нови точки от данни в обхвата на съществуващите точки от данни, т.е. колко близо е новата точка на данни с кривата.
- Точките от данни, които са в червен цвят на горното изображение (дясна страна) са примери както в рамките на, така и извън обхвата на съществуващите точки на данни и кривата се опитва да прогнозира и двете.
И накрая, и двете задачи категоризация и прогнозиране приключват в подобна точка, т.е. изчертаване на крива линия от точките от данни. Ако сме в състояние да обучим компютърния модел да изчертава кривата линия въз основа на точките от данни, които сме готови, тогава можем да разширим това, за да приложим в различни модели като рисуване на крива линия в триизмерни равнини и така нататък. Горното може да се постигне чрез обучение на модел с голямо количество етикетирани и неозначени данни, което се нарича задълбочено обучение.
Примери за задълбочено обучение:
Както знаем, дълбокото обучение и машинното обучение са подмножества на изкуствения интелект, но технологията за дълбоко обучение представлява следващата еволюция на машинното обучение. Тъй като машинното обучение ще работи въз основа на алгоритми и програми, разработени от хората, докато дълбокото обучение се учи чрез модел на невронната мрежа, който действа подобно на хората и позволява на машината или компютъра да анализира данните по подобен начин, както хората. Това става възможно, когато обучаваме моделите на невронната мрежа с огромно количество данни, тъй като данните са горивото или храната за моделите на невронната мрежа. По-долу са някои от примерите за задълбочено обучение в реалния свят.
-
Компютърно зрение:
Компютърното зрение се занимава с алгоритми за компютрите да разбират света, използвайки изображения и видео данни и задачи като разпознаване на изображение, класификация на изображения, откриване на обекти, сегментиране на изображения, възстановяване на изображение и др.
-
Обработка на реч и естествен език:
Обработката на естествен език се занимава с алгоритми за компютрите да разбират, интерпретират и манипулират на човешки език. NLP алгоритмите работят с текстови и аудио данни и ги трансформират в аудио или текстови изход. С помощта на NLP можем да правим задачи като анализ на настроенията, разпознаване на реч, езиков преход и генериране на естествен език и т.н.
-
Автономни превозни средства:
Моделите за дълбоко обучение се обучават с огромно количество данни за идентифициране на улични знаци; някои модели са специализирани за идентифициране на пешеходци, идентифициране на хора и др. за автомобили без шофьор по време на движение.
-
Генериране на текст:
Чрез използване на модели за задълбочено обучение, които се обучават по език, граматика и видове текстове и т.н., могат да бъдат използвани за създаване на нов текст с правилен правопис и граматика от Уикипедия до Шекспир.
-
Филтриране на изображения:
Използването на модели за дълбоко обучение като добавяне на цвят към черно-бели изображения може да бъде направено чрез модели на дълбоко обучение, което ще отнеме повече време, ако правим ръчно.
заключение
И накрая, това е преглед на технологията за дълбоко обучение, нейните приложения в реалния свят. Надявам се, че след като прочетете тази статия, ще разберете добре какво е дълбокото учене. Както знаем днес разпознаването на изображения от машини, обучени чрез задълбочено обучение, в някои случаи е по-добро от хората, т.е. при идентифициране на рак в кръвта и тумори при ЯМР сканиране, а алфаГогът на Google научи играта и се обучава за мача си 'Go' чрез обучение на нейронната мрежа като играем срещу нея отново и отново.
Препоръчителни статии
Това е ръководство за Какво е задълбочено обучение. Тук сме обсъдили основните понятия и примери за задълбочено обучение. Можете също да разгледате следните статии:
- Кариери в задълбочени познания
- 13 полезни въпроса за интервю за задълбочено обучение
- Контролирано обучение срещу задълбочено обучение
- Невронни мрежи срещу дълбоко обучение
- Топ сравнение на дълбокото обучение с машинното обучение