Sissejuhatus süvaõppe rakendamisse

Sügav õppimine on masinõppe alamhulk, samm tehisintellekti jaoks. Süvaõppe meetodid toimivad nagu inimese mõistus, see on nagu tehisnärvivõrk. Süvaõppe rakendused on ka selleks, et korrata asju, milleks inimmõistus on võimeline. Kui inimese mõistus teeb otsuse visiooni, heli või tekstimustri järgi, aitab samamoodi sügavat õppimist ka otsuse tegemisel. Näiteks vaadates pilti ja öeldes, kas see on koer või kass, või määrates pildil erinevaid objekte, tuvastades instrumendi / artisti heli ja öeldes selle kohta, on teksti kaevandamine ja loomulik keele töötlemine mõned sügava rakenduse rakendused õppimine.

Süvaõppe rakendamine

Süvaõppe rakendusi on palju, kuid prooviksime katta enim kasutatud süvaõppe tehnikad. Siin on mõned süvaõpperakendused, mis muudavad nüüd meie ümbritsevat maailma väga kiiresti.

1. Erinevate keemiliste struktuuride toksilisuse tuvastamine

Siin on väga tõhus sügavõppe meetod, kus eksperdid kulutasid konkreetse struktuuri toksilisuse kindlakstegemiseks aastakümneid aega, kuid sügava õppimismudeli abil on toksilisus võimalik kindlaks teha väga vähese ajaga (sõltuvalt keerukusest võib tunde või päeva). Süvaõppe mudelid on võimelised esindama sisendi abstraktseid kontseptsioone mitmetasandilises hierarhias. See võimaldab kõigi toksiliste mõjude õppimist mitme ülesandega ainult ühes kompaktses närvivõrgus, mis muudab selle väga informatiivseks. See mudel normaliseerib ühendite kõiki keemilisi struktuure. Pange need kokku, et ennustada normaliseeritud struktuuride võimalike uute ühendite toksilisust. Kui sügav õppimine on palju parem kui muud masinõppe tehnikad? Tutvuge selle paberiga (DeepTox: toksilisuse prognoosimine süvaõppe abil, autorid Andreas Mayr 1, 2 †, Günter Klambauer 1 †, Thomas Unterthiner 1, 2 † ja Sepp Hochreiter 1 * )

2. Mitoosi tuvastamine / radioloogia

Vähi avastamise süvaõppe mudeli määramisel on 6000 tegurit, mis võivad aidata ennustada patsiendi ellujäämist. Rinnavähi diagnoosimisel on osutunud tõhusaks ja tulemuslikuks sügava õppimise mudel. CNN süvaõppe mudel on nüüd võimeline nii mitoosi statsionaarselt tuvastama kui ka klassifitseerima. Sügavad närvivõrgud aitavad uurida rakkude elutsüklit (Allikas: Rakumitoosi tuvastamine sügavate närvivõrkude abil Yao Zhou, Hua Mao, Zhang Yi).

3. Hallutsinatsioon või jada genereerimine

Uute videomaterjalide loomine, jälgides erinevaid videomänge, õppides nende toimimist ja kopeerides neid sügavate õppetehnikate abil, nagu korduvad närvivõrgud. Sügavad õppivad hallutsinatsioonid võivad madala eraldusvõimega piltide abil luua kõrge eraldusvõimega pilte. Seda mudelit kasutatakse ka madala eraldusvõimega piltide ajalooliste andmete taastamiseks, muutes need kõrge eraldusvõimega piltideks.

4. Kujutise klassifikatsioon / masina nägemine

näeme, et Facebook pakub pilti erinevate inimeste automaatseks märgistamiseks soovitust, mis on masinnägemise suurepärane näide. See kasutab sügavaid võrke ja teeb pilte erinevate nurkade alt ning seejärel sildistab selle pildi nime. Need sügava õppimise mudelid on nüüd nii arenenud, et suudame pildil olevad erinevad objektid ära tunda ja ennustada, mis võiks sellel pildil esineda. Näiteks restoranis tehtud pildil on erinevad omadused, näiteks lauad, toolid, erinevad toiduelemendid, nuga, kahvel, klaas, õlu (õlle margitooted), pildil olevate inimeste meeleolu jne. Inimese postitatud pilte vaadates saab tuvastada selle inimese meeldimisi ja soovitada sarnaseid asju osta või külastada kohti jne.

5. Kõnetuvastus

Kõne on inimühiskonnas kõige tavalisem suhtlusviis. Kui inimene tunnistab kõnet, saab sellest aru ja reageerib sellele vastavalt, suurendab sügava õppimise mudel samamoodi arvutite võimalusi, et nad saaksid aru, kuidas inimesed reageerivad erinevatele kõnedele. Igapäevases elus on meil elavaid näiteid, nagu Apple Siri, Alexa Amazonist, google home mini jne. Kõnes on palju tegureid, mida tuleb arvestada, näiteks keel / aktsent / vanus / sugu / helikvaliteet jne. Eesmärk on tundmatu kõneleja äratundmine ja sellele reageerimine tema helisignaalide abil.

6. Teksti eraldamine ja teksti äratundmine

Teksti eraldamisel on reaalses maailmas palju rakendusi. Näiteks automaatne tõlge ühest keelest teise, erinevate arvustuste sentimentaalne analüüs. Laialdaselt tuntakse seda loodusliku keele töötlemisena. E-kirja kirjutamisel näeme lause täiendamiseks automaatset soovitust, mis on ka süvaõppe rakendus.

7. Turu ennustamine

Süvaõppemudelid võivad ennustada kauplejatele ostu- ja müügikõnesid, sõltuvalt mudeli väljaõppe andmestikust, on see kasulik nii lühiajaliste kauplemismängude kui ka saadaolevate funktsioonide põhjal pikaajaliste investeeringute jaoks.

8. Digitaalne reklaam

Süvaõppe mudelid kategoriseerivad kasutajad vastavalt nende varasemale ostu- ja sirvimisajaloole ning soovitavad asjakohaseid ja isikupärastatud reklaame reaalajas. Saame kogeda sedasama, toodet, mida just otsisite oma amazoni rakenduses, sama reklaami kuvatakse teistes rakendustes, näiteks IRCTC.

9. Pettuste tuvastamine

Süvaõppe mudel kasutab mitut andmeallikat, et otsust petta reaalajas pettuseks. Süvaõppemudelite abil on samuti võimalik välja selgitada, millised tooted ja millised turud on pettustele kõige vastuvõtlikumad, ning pakkuda sellistel juhtudel täiendavat hoolt.

10. Maavärina ennustamine

Seismoloog üritab maavärinat ennustada, kuid selle ennetamiseks on liiga keeruline. Üks vale ennustus maksab inimestele nii palju kui ka valitsusele. Maavärinas on kahte tüüpi laineid p-laine (liigub kiiresti, kuid kahju on vähem), s-laine (kulgeb aeglaselt, kuid kahju on suur). Päevi on raske otsuseid vastu võtta, kuid sügavate õppimistehnikate abil võime ennustada iga laine tulemusi varasema kogemuse põhjal tunde varem, kuid vastavalt sellele on kiire kohandamine.

Järeldus - süvaõppe rakendamine

Sügav õppimine teeb meie jaoks palju raskeid ülesandeid lihtsamaks. Süvaõppe rakendused erinevates tööstussektorites ja see on revolutsiooniline sellistes valdkondades nagu tervishoid (narkootikumide avastamine / vähktõve avastamine jne), autotööstus (autonoomne sõidussüsteem), reklaamisektor (isikupärastatud reklaamid muudavad turusuundi). Oleme arutanud süvaõppe peamiste rakenduste üle, kuid siiski on palju muid rakendusi, mille kallal töötatakse ja mõni tuleb tulevikus.

Soovitatavad artiklid

See on olnud juhend süvaõppe rakendamiseks. Siin käsitleme ka süvaõppe tutvustamist ja 10 parimat rakendust. Võite lisateabe saamiseks vaadata ka järgmisi artikleid -

  1. Masinõppe raamistikud
  2. Mis on sügav õppimine
  3. Süvaõppe algoritmid
  4. Süvaõppe tehnika
  5. Päringunäited vaadete loomise kohta Oracle'is
  6. Hierarhia tabelis | Kuidas luua?
  7. Masinõppe tehnikate juhend

Kategooria:

Suured andmed