Introduktion till Deep Learning
Deep Learning är en av maskininlärningsteknikerna som vi lär / utbildar datorer för att göra vad människor gör. Till exempel, att köra en bil - djup inlärning spelar en nyckelroll i förarlös bilteknik genom att göra det möjligt för dem att identifiera olika trafikskyltar, vägskyltar, fotgängare skyltar etc. Andra viktiga områden för djup inlärning är röstkontroll i hemmasystem, mobiler, trådlösa högtalare, Alexa, smarta TV-apparater osv. Djupt inlärning för nybörjare handlar mest om flera nivåer av abstraktion och representation genom vilken datormodell lär sig att utföra klassificering av bilder, ljud och text etc. Djupa inlärningsmodeller uppnår bättre noggrannhet och prestanda än människor i vissa modeller. . I allmänhet tränas dessa datormodeller av en stor uppsättning data som är märkta och omärkta för att identifiera objekt och neurala nätverk som har flera lager i varje nätverk.
Vad är Deep learning?
Jag kommer att förklara vad som är djup inlärning i lekmän som nedan: I allmänhet kommer vi att göra två uppgifter hela tiden medvetet eller undermedvetet, dvs kategorisera vad vi kände genom våra sinnen (som att känna het, kallt mugg etc.) och förutsägelse, till exempel, förutspår den framtida temperaturen baserat på de tidigare temperaturdata. Vi gör kategoriserings- och förutsägningsuppgifter för flera händelser eller uppgifter i vårt dagliga liv, som nedan:
- Håll en kopp te / vatten / kaffe etc. vilket kan vara varmt eller kallt.
- E-postkategorisering som skräppost / inte skräppost.
- Dagsljuskategorisering som dag eller natt.
- Långsiktig planering av framtiden baserat på vår nuvarande position och saker vi har - kallas förutsägelse.
- Varje varelse i världen kommer att utföra dessa uppgifter i sitt liv, till exempel överväga att djur som kråka kommer att kategorisera en plats att bygga sitt bo eller inte, ett bi kommer att bestämma några faktorer när och var man ska få honung, bat kommer att komma under natten och sover under morgonen baserat på dag- och nattkategorisering.
Låt oss visualisera dessa uppgifter kategorisering och förutsägelse och de kommer att se lika ut som i bilden nedan. För kategorisering gör vi kategorisering mellan katter och hundar genom att rita en linje genom datapunkter och vid förutsägelse drar vi en linje genom datapunkter till förutsäga när det kommer att öka och minska.
1) Beskrivning
- I allmänhet för att kategorisera mellan katter och hundar, eller män och kvinnor, drar vi inte en linje i hjärnan och hundarnas och kattarnas position är godtycklig endast för illustrationssyfte och det är onödigt att säga hur vi kategoriserar mellan katter och hundar i hjärnan är mycket komplexa än att rita en röd linje som ovan.
- Vi kommer att kategorisera mellan två saker baserat på former, storlek, höjd, utseende etc. och ibland kommer det att vara svårt att kategorisera med dessa funktioner som en liten hund med raseri och nyfödda katter, så det är inte en tydlig kategorisering till katter och hundar.
- När vi väl har kunnat kategorisera mellan katter och hundar när vi är barn så kan vi kategorisera någon hund eller katt till och med såg vi inte förut.
2) Förutsägelse
- För förutsägelse baserat på linjen drar vi genom datapunkter om vi kan förutsäga var det är mest troligt att gå uppåt eller nedåt.
- Kurvan är också en förutsägelse för att anpassa nya datapunkter inom området för befintliga datapunkter, dvs hur nära den nya datapunkten ligger på kurvan.
- Datapunkterna som är i röd färg i ovanstående bild (höger sida) är exempel på både inom och utanför området för befintliga datapunkter och kurvan försöker förutsäga båda.
Slutligen avslutas båda uppgifternas kategorisering och förutsägelse vid liknande punkt, dvs att dra en kurvig linje från datapunkter. Om vi kan utbilda datormodellen för att rita den kurviga linjen baserad på datapunkter som vi har gjort kan vi utvidga detta till att tillämpas i olika modeller, såsom att rita en kurvig linje i tredimensionella plan och så vidare. Ovanstående kan uppnås genom att träna en modell med en stor mängd märkta och omärkta data som kallas djup inlärning.
Exempel på djup inlärning:
Som vi vet djup inlärning och maskininlärning är undergrupper av konstgjord intelligens men djup inlärningsteknologi representerar nästa utveckling av maskininlärning. Eftersom maskininlärning kommer att fungera baserat på algoritmer och program som utvecklats av människor medan djup inlärning lär sig genom en neural nätverksmodell som fungerar som liknar människor och gör det möjligt för maskin eller dator att analysera data på ett liknande sätt som människor gör. Detta blir möjligt när vi tränar de neurala nätverksmodellerna med en enorm mängd data eftersom data är bränslet eller maten för neurala nätverksmodeller. Nedan följer några exempel på djup inlärning i den verkliga världen.
-
Datorsyn:
Datorvision handlar om algoritmer för datorer för att förstå världen med hjälp av bild- och videodata och uppgifter som bildigenkänning, bildklassificering, objektdetektion, bildsegmentering, bildåterställning etc.
-
Tal- och naturligt språkbearbetning:
Naturligt språkbearbetning handlar om algoritmer för datorer att förstå, tolka och manipulera på mänskligt språk. NLP-algoritmer arbetar med text- och ljuddata och omvandlar dem till ljud eller textutdata. Med hjälp av NLP kan vi göra uppgifter som sentimentanalys, taligenkänning, språkövergång och naturligt språkgenerering etc.
-
Autonoma fordon:
Djupt inlärningsmodeller tränas med en enorm mängd data för att identifiera gatuskyltar; vissa modeller är specialiserade på att identifiera fotgängare, identifiera människor etc. för förarlösa bilar under körning.
-
Textgenerering:
Genom att använda djupa inlärningsmodeller som tränas efter språk, grammatik och typer av texter etc. kan man använda för att skapa en ny text med rätt stavning och grammatik från Wikipedia till Shakespeare.
-
Bildfiltrering:
Genom att använda djupa inlärningsmodeller som att lägga till färg till svartvita bilder kan man göra med djupinlärningsmodeller som tar mer tid om vi gör manuellt.
Slutsats
Slutligen är det en översikt över djup inlärningsteknologi, dess tillämpningar i den verkliga världen. Jag hoppas att du kommer att ha en god förståelse för vad som är djup inlärning efter att ha läst den här artikeln. Som vi vet idag är bildigenkänning av maskiner som tränats av djup inlärning i vissa fall bättre än människor, dvs att identifiera cancer i blod och tumörer i MR-skanningar och Googles alphaGo lärde sig spelet och tränade för sin "Go" -match genom att träna sitt neurala nätverk genom att spela mot det om och om igen.
Rekommenderade artiklar
Detta har varit en guide till What is deep learning. Här har vi diskuterat de grundläggande begreppen och exemplen på djup inlärning. Du kan också titta på följande artiklar:
- Karriärer i djupa inlärningar
- 13 användbara intervjufrågor för Deep Learning
- Övervakad inlärning kontra djup inlärning
- Neurala nätverk vs djup inlärning
- Toppjämförelse av Deep Learning vs Machine learning