Sissejuhatus sügavasse õppimisse

Süvaõpe on üks masinõppe tehnikaid, mille abil õpetame / koolitame arvuteid tegema seda, mida inimesed teevad. Näiteks auto juhtimine - sügav õppimine mängib juhita autotehnoloogias võtmerolli, võimaldades neil tuvastada erinevaid liiklusmärke, liiklusmärke, jalakäijate liiklusmärke jne. Muud sügava õppimise võtmevaldkonnad on hääljuhtimine kodusüsteemides, mobiilides, juhtmevabad kõlarid, Alexa, nutitelerid jne. Algajatele mõeldud süvaõpe hõlmab enamasti abstraktsiooni ja esindatuse mitut taset, mille abil arvutimudel õpib piltide, helide ja teksti klassifitseerima jne. Süvaõppe mudelid tagavad mõne mudeli puhul suurema täpsuse ja jõudluse kui inimesed. . Üldiselt treenib neid arvutimudeleid suur hulk andmeid, mis on märgistatud ja sildistamata, et tuvastada objekte ja närvivõrke, millel on igas võrgus mitu kihti.

Mis on süvaõpe?

Selgitan alljärgnevalt seda, mis on võhikute ajal sügav õppimine: üldiselt teeme teadlikult või alateadlikult kogu aeg kahte ülesannet, st kategoriseerime seda, mida me oma meelte kaudu tundsime (näiteks kuuma tunne, külm kruus jne) ja näiteks ennustusi., ennustab eelnevate temperatuuriandmete põhjal tulevast temperatuuri. Me kategoriseerime ja ennustame ülesandeid mitmeks sündmuseks või ülesandeks igapäevaelus, näiteks allpool:

  • Tassi teed / vett / kohvi jne hoidmine, mis võib olla kuum või külm.
  • E-posti aadressi kategooriad, näiteks rämpspost / rämpspost puudub.
  • Päevavalguse kategooriad nagu päev või öö.
  • Pikaajalist tuleviku planeerimist, mis põhineb meie praegusel positsioonil ja asjadel, mis meil on - nimetatakse ennustamiseks.
  • Iga maailma olend teeb neid ülesandeid oma elus, näiteks leiavad, et loomad, näiteks vares, kategoriseerivad koha oma pesa ehitamiseks või mitte, mesilane otsustab teatud tegurite üle, millal ja kust mett saada, öösel tuleb nahkhiir ja magab hommikuti vastavalt päevasele ja öisele kategooriale.

Visualiseerigem nende ülesannete kategoriseerimine ja ennustamine ning need näevad välja sarnased nagu alloleval pildil. Liigitamiseks kategoriseerime kassid ja koerad, tõmmates andmepunkti kaudu joone ja ennustamise korral tõmbame andmepunktide kaudu joone ennustada, millal see suureneb ja väheneb.

1) kategoriseerimine

  • Üldiselt kasside ja koerte või meeste ja naiste kategooriatesse jaotamiseks ei tõmba me oma ajus piiri ja koerte ja kasside asend on meelevaldne ainult illustreerimise eesmärgil ja on ütlematagi selge, kuidas me kasse ja koeri kategooriatesse liigitame. koerad meie ajus on palju keerulisemad kui punase joone tõmbamine, nagu ülalpool.
  • Me liigitame kuju, suuruse, pikkuse, väljanägemise jms põhjal kahte asja ja mõnikord on raske neid omadusi kategoriseerida, nagu näiteks väike koer raevuga ja vastsündinud kass, nii et see pole selge kategooria kassidesse ja koertesse.
  • Kui oleme võimelised kategooriatesse liigitama kassid ja koerad, kui oleme lapsed, siis alates sellest, kui me oleme võimelised kategoriseerima iga koera või kassi, isegi siis, kui me seda varem ei näinud.

2) ennustamine

  • Joonel põhineva ennustamise jaoks tõmbame läbi andmepunktid, kui suudame ennustada, kuhu see kõige tõenäolisemalt üles või alla suundub.
  • Kõver on ka ennustus uute andmepunktide sobitamiseks olemasolevate andmepunktide vahemikku, st kui lähedal on uus andmepunkt kõverale.
  • Andmepunktid, mis on ülaltoodud pildil punase värviga (paremal), on näited olemasolevate andmepunktide vahemikust ja sellest väljaspool ning kõver üritab mõlemat ennustada.

Lõpuks lõpetatakse nii ülesannete kategoriseerimine kui ka ennustamine sarnases punktis, st andmepunktidest käänulise joone tõmbamisel. Kui suudame koolitada arvutimudeli käänulise joone joonistamiseks, tuginedes tehtud andmepunktidele, siis saame seda laiendada, et rakendada seda erinevates mudelites, nagu näiteks käänulise joone joonistamine kolmemõõtmelistel tasapindadel ja nii edasi. Ülalnimetatud asja saab saavutada, koolitades suure hulga märgistatud ja sildistamata andmetega mudelit, mida nimetatakse süvaõppeks.

Näited süvaõppe kohta:

Nagu me teame, on sügav õppimine ja masinõpe tehisintellekti alamrühmad, kuid süvaõppe tehnoloogia esindab masinõppe järgmist arengut. Kuna masinõpe põhineb inimese väljatöötatud algoritmidel ja programmidel, siis sügav õppimine toimub närvivõrgu mudeli kaudu, mis toimib sarnaselt inimesele ja võimaldab masinal või arvutil andmeid analüüsida sarnaselt inimestega. See muutub võimalikuks, kui koolitame närvivõrgu mudeleid tohutu hulga andmetega, kuna andmed on närvivõrgu mudelite kütus või toit. Allpool on toodud mõned näited süvaõppe kohta reaalses maailmas.

  • Arvuti nägemine:

Arvutinägemine hõlmab arvutite algoritme maailma mõistmiseks, kasutades pildi ja video andmeid ning selliseid ülesandeid nagu pildi tuvastamine, kujutise klassifitseerimine, objektide tuvastamine, pildi segmenteerimine, pildi taastamine jne.

  • Kõne ja looduskeele töötlemine:

Looduslik keele töötlemine tegeleb arvutite algoritmidega inimkeele mõistmiseks, tõlgendamiseks ja manipuleerimiseks. NLP algoritmid töötavad teksti ja heliandmetega ning muudavad need heli- või tekstiväljundiks. NLP abil saame teha selliseid ülesandeid nagu sentimentaalianalüüs, kõnetuvastus, keele üleminek ja loomuliku keele genereerimine jne.

  • Autonoomsed sõidukid:

Süvaõppemudeleid koolitatakse tohutu hulga andmetega tänavasiltide tuvastamiseks; mõned mudelid on spetsialiseerunud jalakäijate tuvastamisele, inimeste tuvastamisele jms juhita autode jaoks sõidu ajal.

  • Teksti genereerimine:

Uue, õigekirja ja grammatikaga teksti loomiseks Vikipeediast Shakespeare'ini saab kasutada sügava õppe mudeleid, mida saab õpetada keele, grammatika, tekstiliikide jms järgi.

  • Kujutiste filtreerimine:

Süvaõppe mudelite abil, näiteks mustvalgetele piltidele värvi lisamisega, saab seda teha süvaõppe mudelite abil, mis võtab rohkem aega, kui teeme käsitsi.

Järeldus

Lõpuks on see ülevaade süvaõppe tehnoloogiast, selle rakendustest reaalses maailmas. Loodan, et saate pärast selle artikli lugemist hästi aru, mis on sügav õppimine. Nagu me täna teame, on süvaõppe abil koolitatud masinate abil pildituvastus mõnel juhul parem kui inimestel, st vere vähki ja kasvajaid MRI-skaneeringute tuvastamisel ning Google'i alphaGo õppis mängu ja treenis oma "Go" mängu, treenides selle närvivõrku. mängides selle vastu ikka ja jälle.

Soovitatavad artiklid

See on olnud teemaks Mis on sügav õppimine. Siin oleme arutanud süvaõppe põhimõisteid ja näiteid. Võite vaadata ka järgmisi artikleid:

  1. Karjäär süvaõppes
  2. 13 kasuliku sügava õppe intervjuu küsimust
  3. Juhendatud õpe vs sügav õpe
  4. Neuraalsed võrgud vs süvaõpe
  5. Parim võrdlus süvaõppe ja masinõppe vahel

Kategooria:

Suured andmed