Όντας ένα σημαντικό υποσύνολο της μηχανικής μάθησης, η ζήτηση για έχει δει μια τεράστια άνοδο, ειδικά μεταξύ εκείνων που ενδιαφέρονται να ξεκλειδώσουν τις απεριόριστες δυνατότητες του AI.Εμπνευσμένος από την αυξανόμενη δημοτικότητα της Deep Learning, σκέφτηκα να βρω μια σειρά από ιστολόγια που θα σας εκπαιδεύσουν για αυτήν τη νέα τάση στον τομέα της Τεχνητής Νοημοσύνης και θα σας βοηθήσουν να καταλάβετε τι είναι αυτό. Αυτό είναι το πρώτο από τα πολλά blogs της σειράς που ονομάζεται - Εκπαιδευτικό σε βάθος .
Το σεμινάριο βαθιάς μάθησης
Σε αυτό το ιστολόγιο Deep Learning Tutorial, θα σας καθοδηγήσω στα ακόλουθα πράγματα, τα οποία θα χρησιμεύσουν ως βασικές αρχές για τα επερχόμενα blogs:
- Τι άφησε την Deep Learning να υπάρξει
- Τι είναι η βαθιά μάθηση και πώς λειτουργεί;
Μπορείτε να περάσετε από αυτήν την ηχογράφηση του Deep Learning Tutorial όπου ο εκπαιδευτής μας έχει εξηγήσει τα θέματα με λεπτομερή τρόπο με παραδείγματα που θα σας βοηθήσουν να κατανοήσετε καλύτερα αυτήν την ιδέα.
Εκπαιδευτικό μάθημα βαθιάς μάθησης | Νευρωνικά δίκτυα βαθιάς μάθησης | Έντρεκα
Εφαρμογές Τεχνητής Νοημοσύνης & Βαθής Μάθησης
Τώρα σκεφτείτε αυτό, αντί να κάνετε όλη τη δουλειά σας, έχετε ένα μηχάνημα για να το τελειώσετε για εσάς ή μπορεί να κάνει κάτι που νομίζετε ότι δεν ήταν καθόλου δυνατό. Για παράδειγμα:
 | Προβλέποντας το Μέλλον: Μπορεί να μας βοηθήσει στην πρόβλεψη σεισμών, τσουνάμι κ.λπ. εκ των προτέρων, ώστε να μπορούν να ληφθούν προληπτικά μέτρα για να σωθούν πολλές ζωές από το να πέσουν στα συμπτώματα φυσικών καταστροφών. |
| Συνομιλία-bots: Όλοι θα έχετε ακούσει για το Siri, το οποίο είναι ο εικονικός βοηθός της Apple με φωνητικό έλεγχο. Πιστέψτε με, με τη βοήθεια της Deep Learning, αυτή η εικονική βοήθεια γίνεται πιο έξυπνη μέρα με τη μέρα. Στην πραγματικότητα, το Siri μπορεί να προσαρμοστεί ανάλογα με τον χρήστη και να παρέχει καλύτερη εξατομικευμένη βοήθεια. |
| Αυτοκίνητα Αυτοκίνητα: Φανταστείτε, πόσο απίστευτο θα ήταν για άτομα με αναπηρία και ηλικιωμένους που δυσκολεύονται να οδηγήσουν μόνοι τους. Εκτός από αυτό, θα σώσει εκατομμύρια αθώες ζωές που αντιμετωπίζουν κάθε χρόνο τροχαίο ατύχημα λόγω ανθρώπινων λαθών. |
Google AI Eye Doctor: Πρόκειται για μια πρόσφατη πρωτοβουλία που ανέλαβε η Google όπου συνεργάζεται με μια Ινδική αλυσίδα φροντίδας ματιών για την ανάπτυξη λογισμικού AI που μπορεί να εξετάσει σαρώσεις αμφιβληστροειδούς και να εντοπίσει μια κατάσταση που ονομάζεται διαβητική αμφιβληστροειδοπάθεια, η οποία μπορεί να προκαλέσει τύφλωση. |
| Συνθέτης μουσικής AI: Λοιπόν, ποιος πίστευε ότι μπορούμε να έχουμε έναν συνθέτη μουσικής AI χρησιμοποιώντας Deep Learning. Ως εκ τούτου, δεν θα εκπλαγώ που ακούω ότι η επόμενη καλύτερη μουσική δίνεται από μια μηχανή. |
| Μια μηχανή ανάγνωσης ονείρου: Αυτό είναι ένα από τα αγαπημένα μου, μια μηχανή που μπορεί να συλλάβει τα όνειρά σας με τη μορφή βίντεο ή κάτι τέτοιο. Με τόσες πολλές μη ρεαλιστικές εφαρμογές AI & Deep Learning που έχουμε δει μέχρι στιγμής, δεν με εξέπληξε το γεγονός ότι αυτό δοκιμάστηκε στην Ιαπωνία λίγα χρόνια πίσω σε τρία θέματα δοκιμής και κατάφεραν να επιτύχουν σχεδόν 60% ακρίβεια. Αυτό είναι κάτι απίστευτο, αλλά αληθινό. |
Είμαι αρκετά σίγουρος ότι μερικές από αυτές τις πραγματικές εφαρμογές της AI & Deep Learning θα σας έδιναν φραγκοστάφυλα. Εντάξει λοιπόν, αυτό θέτει τη βάση για εσάς και τώρα, είμαστε έτοιμοι να προχωρήσουμε περαιτέρω σε αυτό το Εκπαιδευτικό Εκπαιδευτικό Μάθημα και να καταλάβουμε τι είναι η Τεχνητή νοημοσύνη.
Τι είναι η Τεχνητή Νοημοσύνη;
Η Τεχνητή Νοημοσύνη δεν είναι παρά την ικανότητα μιας μηχανής να μιμείται την έξυπνη ανθρώπινη συμπεριφορά. Η τεχνητή νοημοσύνη επιτυγχάνεται μιμείται τον ανθρώπινο εγκέφαλο, κατανοώντας πώς σκέφτεται, πώς μαθαίνει, αποφασίζει και εργάζεται ενώ προσπαθεί να λύσει ένα πρόβλημα.
Για παράδειγμα: Ένα μηχάνημα που παίζει σκάκι ή ένα λογισμικό ενεργοποιημένο με φωνή που σας βοηθά με διάφορα πράγματα στο iPhone σας ή σε ένα σύστημα αναγνώρισης πινακίδων αριθμού που συλλαμβάνει την πινακίδα αριθμού ενός υπερβολικά ταχύτατου αυτοκινήτου και το επεξεργάζεται για να εξαγάγετε τον αριθμό εγγραφής και να προσδιορίσετε τον ιδιοκτήτη του αυτοκινήτου . Όλα αυτά δεν ήταν πολύ εύκολο να εφαρμοστούν στο παρελθόν Βαθιά μάθηση . Τώρα, ας κατανοήσουμε τα διάφορα υποσύνολα της Τεχνητής Νοημοσύνης.
java περιμένετε και ειδοποιήστε το παράδειγμα
Υποσύνολα Τεχνητής Νοημοσύνης
Μέχρι τώρα, θα έχετε ακούσει πολλά για την Τεχνητή Νοημοσύνη, τη Μηχανική Μάθηση και τη Βαθιά Μάθηση. Ωστόσο, γνωρίζετε τη σχέση μεταξύ των τριών αυτών; Βασικά, η βαθιά μάθηση είναι ένα υπο-πεδίο της Μηχανικής Μάθησης και η Μηχανική Μάθηση είναι ένα υπο-πεδίο της Τεχνητής Νοημοσύνης όπως φαίνεται στην παρακάτω εικόνα:
Όταν κοιτάζουμε κάτι σαν AlphaGo , συχνά απεικονίζεται ως μεγάλη επιτυχία για τη βαθιά μάθηση, αλλά στην πραγματικότητα είναι ένας συνδυασμός ιδεών από διάφορους τομείς της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Στην πραγματικότητα, θα εκπλαγείτε όταν ακούτε ότι η ιδέα πίσω από τα βαθιά νευρωνικά δίκτυα δεν είναι νέα αλλά χρονολογείται από τη δεκαετία του 1950. Ωστόσο, κατέστη δυνατή η πρακτική εφαρμογή του λόγω της δυνατότητας πόρων υψηλού επιπέδου που διατίθεται σήμερα.
Επομένως, προχωρώντας σε αυτό το ιστολόγιο εκμάθησης βαθιάς μάθησης, ας εξερευνήσουμε τη Μηχανική Εκμάθηση ακολουθούμενη από τους περιορισμούς της.
Τι είναι η Μηχανική Εκμάθηση;
Η Μηχανική Μάθηση είναι ένα υποσύνολο της Τεχνητής Νοημοσύνης που παρέχει στους υπολογιστές τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Στη μηχανική εκμάθηση, δεν χρειάζεται να ορίσουμε ρητά όλα τα βήματα ή τις προϋποθέσεις όπως οποιαδήποτε άλλη εφαρμογή προγραμματισμού. Αντίθετα, η μηχανή εκπαιδεύεται σε ένα σύνολο δεδομένων εκπαίδευσης, αρκετά μεγάλο ώστε να δημιουργεί ένα μοντέλο, το οποίο βοηθά τη μηχανή να λαμβάνει αποφάσεις βάσει της εκμάθησής της.
Για παράδειγμα: Θέλουμε να προσδιορίσουμε το είδος ενός λουλουδιού με βάση το πέταλο και το σέπαλο του (φύλλα ενός λουλουδιού) χρησιμοποιώντας μηχανική εκμάθηση. Τότε, πώς θα το κάνουμε;
| Θα τροφοδοτήσουμε το σύνολο δεδομένων λουλουδιών που περιέχει διάφορα χαρακτηριστικά διαφορετικών λουλουδιών μαζί με τα αντίστοιχα είδη τους στη μηχανή μας, όπως μπορείτε να δείτε στην παραπάνω εικόνα. Χρησιμοποιώντας αυτό το σύνολο δεδομένων εισόδου, το μηχάνημα θα δημιουργήσει και θα εκπαιδεύσει ένα μοντέλο που μπορεί να χρησιμοποιηθεί για την ταξινόμηση των λουλουδιών σε διαφορετικές κατηγορίες. |
| Μόλις εκπαιδευτεί το μοντέλο μας, θα μεταδώσουμε ένα σύνολο χαρακτηριστικών ως είσοδο στο μοντέλο. |
| Τέλος, το μοντέλο μας θα εξάγει τα είδη του λουλουδιού που υπάρχει στο νέο σύνολο δεδομένων εισόδου. Αυτή η διαδικασία εκπαίδευσης ενός μηχανήματος για τη δημιουργία ενός μοντέλου και τη χρήση του για τη λήψη αποφάσεων ονομάζεται Μηχανική εκμάθηση . Ωστόσο, αυτή η διαδικασία έχει ορισμένους περιορισμούς. |
Περιορισμοί της μηχανικής μάθησης
Η Μηχανική Εκμάθηση δεν είναι ικανή να χειριστεί δεδομένα υψηλής διαστάσεων, όπου η είσοδος και η έξοδος είναι αρκετά μεγάλες. Ο χειρισμός και η επεξεργασία αυτού του τύπου δεδομένων γίνεται πολύπλοκος και εξαντλητικός. Αυτό ονομάζεται ως Κατάρα της Διαστατικότητας . Για να το καταλάβετε με απλούστερους όρους, ας εξετάσουμε την ακόλουθη εικόνα:
| Σκεφτείτε μια γραμμή 100 ναυπηγείων και έχετε ρίξει ένα νόμισμα κάπου στη γραμμή. Τώρα, είναι πολύ βολικό για εσάς να βρείτε το νόμισμα απλά περπατώντας στη γραμμή. Αυτή η ίδια γραμμή είναι μια μονοδιάστατη οντότητα. |
| Στη συνέχεια, θεωρήστε ότι έχετε ένα τετράγωνο πλάι 100 ναυπηγείων το καθένα όπως φαίνεται στην παραπάνω εικόνα και για άλλη μια φορά, ρίξατε ένα νόμισμα κάπου στο μεταξύ. Τώρα, είναι αρκετά προφανές ότι θα χρειαστείτε περισσότερο χρόνο για να βρείτε το κέρμα σε αυτό το τετράγωνο σε σύγκριση με το προηγούμενο σενάριο. Αυτό το τετράγωνο είναι μια δισδιάστατη οντότητα. |
| Ας το κάνουμε ένα βήμα μπροστά, εξετάζοντας έναν κύβο πλάτους 100 ναυπηγείων ο καθένας και έχετε ρίξει ένα νόμισμα κάπου στο μεταξύ. Τώρα, είναι ακόμα πιο δύσκολο να βρεις το νόμισμα αυτή τη φορά. Αυτός ο κύβος είναι μια τρισδιάστατη οντότητα. |
Ως εκ τούτου, μπορείτε να παρατηρήσετε ότι η πολυπλοκότητα αυξάνεται καθώς οι διαστάσεις αυξάνονται.Και στην πραγματική ζωή, τα δεδομένα υψηλής διάστασης για τα οποία μιλούσαμε έχουν χιλιάδες διαστάσεις που το καθιστούν πολύ περίπλοκο για το χειρισμό και την επεξεργασία. Τα δεδομένα υψηλής διαστάσεων μπορούν εύκολα να βρεθούν σε περιπτώσεις χρήσης όπως επεξεργασία εικόνας, NLP, μετάφραση εικόνας κ.λπ.
πώς να αντιστρέψετε μια συμβολοσειρά στο python
Η μηχανική μάθηση δεν ήταν ικανή να επιλύσει αυτές τις περιπτώσεις χρήσης και ως εκ τούτου, η βαθιά μάθηση ήρθε στη διάσωση. Η βαθιά μάθηση είναι ικανή να χειρίζεται τα δεδομένα υψηλής διαστάσεων και είναι επίσης αποτελεσματική στο να εστιάζει μόνη της στα σωστά χαρακτηριστικά. Αυτή η διαδικασία ονομάζεται εξαγωγή χαρακτηριστικών. Τώρα, ας προχωρήσουμε σε αυτό το Εκπαιδευτικό Εκμάθησης Βαθιάς και να κατανοήσουμε πώς λειτουργεί η βαθιά μάθηση.
Πώς λειτουργεί η βαθιά μάθηση;
Σε μια προσπάθεια επανασχεδιασμού ενός ανθρώπινου εγκεφάλου, η Deep Learning μελετά τη βασική μονάδα ενός εγκεφάλου που ονομάζεται εγκεφαλικό κύτταρο ή έναν νευρώνα. Εμπνευσμένο από έναν νευρώνα αναπτύχθηκε ένας τεχνητός νευρώνας ή ένα perceptron. Τώρα, ας κατανοήσουμε τη λειτουργικότητα των βιολογικών νευρώνων και πώς μιμούμαστε αυτήν τη λειτουργικότητα στο perceptron ή σε έναν τεχνητό νευρώνα:
Εάν επικεντρωθούμε στη δομή ενός βιολογικού νευρώνα, έχει δενδρίτες που χρησιμοποιούνται για τη λήψη εισροών. Αυτές οι είσοδοι αθροίζονται στο κυτταρικό σώμα και χρησιμοποιώντας το Axon μεταφέρεται στον επόμενο βιολογικό νευρώνα όπως φαίνεται στην παραπάνω εικόνα.
Ομοίως, ένα perceptron λαμβάνει πολλαπλές εισόδους, εφαρμόζει διάφορους μετασχηματισμούς και λειτουργίες και παρέχει έξοδο.
Καθώς γνωρίζουμε ότι ο εγκέφαλός μας αποτελείται από πολλούς συνδεδεμένους νευρώνες που ονομάζονται νευρωνικό δίκτυο, μπορούμε επίσης να έχουμε ένα δίκτυο τεχνητών νευρώνων που ονομάζονται perceptrons για να σχηματίσουν ένα βαθύ νευρικό δίκτυο. Ας προχωρήσουμε λοιπόν σε αυτό το σεμινάριο βαθιάς μάθησης για να καταλάβουμε πώς μοιάζει ένα Deep neural network.
Εκμάθηση βαθιάς μάθησης: Τι είναι η βαθιά μάθηση;
- Οποιοδήποτε Deep neural network θα αποτελείται από τρεις τύπους επιπέδων:
- Το επίπεδο εισόδου
- Το κρυφό στρώμα
- Το επίπεδο εξόδου
| Στο παραπάνω διάγραμμα, το πρώτο στρώμα είναι το επίπεδο εισόδου που λαμβάνει όλες τις εισόδους και το τελευταίο στρώμα είναι το επίπεδο εξόδου που παρέχει την επιθυμητή έξοδο. |
| Όλα τα επίπεδα μεταξύ αυτών των επιπέδων ονομάζονται κρυφά στρώματα. Μπορεί να υπάρχει n αριθμός κρυφών επιπέδων χάρη στους πόρους υψηλού επιπέδου που διατίθενται αυτές τις μέρες. |
| Ο αριθμός των κρυφών στρωμάτων και ο αριθμός των περιφερίων σε κάθε στρώμα θα εξαρτηθούν εξ ολοκλήρου από την περίπτωση χρήσης που προσπαθείτε να λύσετε. |
Τώρα που έχετε μια εικόνα των Deep Neural Networks, ας προχωρήσουμε σε αυτό το Deep Learning Tutorial για να λάβουμε μια εικόνα υψηλού επιπέδου για το πώς τα Deep Neural Networks λύνουν ένα πρόβλημα αναγνώρισης εικόνας.
Βαθιά χρήση μάθησης - Περίπτωση
Θέλουμε να κάνουμε αναγνώριση εικόνας χρησιμοποιώντας Deep Networks:
| Εδώ, μεταδίδουμε τα δεδομένα υψηλής διαστάσεων στο επίπεδο εισόδου. Για να ταιριάζει με τη διαστατικότητα των δεδομένων εισόδου, το επίπεδο εισαγωγής θα περιέχει πολλαπλά υποστρώματα περιπετρονίων έτσι ώστε να μπορεί να καταναλώνει ολόκληρη την είσοδο. |
| Η έξοδος που λαμβάνεται από το επίπεδο εισαγωγής θα περιέχει μοτίβα και θα μπορεί να αναγνωρίζει μόνο τα άκρα των εικόνων με βάση τα επίπεδα αντίθεσης. |
| Αυτή η έξοδος θα τροφοδοτηθεί στο κρυφό στρώμα 1 όπου θα μπορεί να εντοπίσει διάφορα χαρακτηριστικά του προσώπου όπως τα μάτια, τη μύτη, τα αυτιά κ.λπ. |
| Τώρα, αυτό θα τροφοδοτηθεί στο κρυφό στρώμα 2 όπου θα μπορεί να σχηματίσει ολόκληρα τα πρόσωπα. Στη συνέχεια, η έξοδος του επιπέδου 2 αποστέλλεται στο επίπεδο εξόδου. |
| Τέλος, το επίπεδο εξόδου εκτελεί ταξινόμηση με βάση το αποτέλεσμα που αποκτήθηκε από το προηγούμενο και προβλέπει το όνομα. |
Επιτρέψτε μου να σας κάνω μια ερώτηση, τι θα συμβεί εάν λείπει κάποιο από αυτά τα επίπεδα ή το νευρικό δίκτυο δεν είναι αρκετά βαθύ; Απλό, δεν θα είμαστε σε θέση να αναγνωρίσουμε με ακρίβεια τις εικόνες. Αυτός είναι ο λόγος για τον οποίο αυτές οι περιπτώσεις χρήσης δεν είχαν λύση όλα αυτά τα χρόνια πριν από τη βαθιά μάθηση. Για να το προχωρήσουμε περισσότερο, θα προσπαθήσουμε να εφαρμόσουμε Deep network σε ένα σύνολο δεδομένων MNIST.
Το σύνολο δεδομένων Mnist αποτελείται από 60.000 δείγματα εκπαίδευσης και 10.000 δείγματα δοκιμών χειρόγραφων ψηφίων εικόνων. Ο στόχος εδώ είναι να εκπαιδεύσει ένα μοντέλο που μπορεί να προσδιορίσει με ακρίβεια το ψηφίο που υπάρχει στην εικόνα.
μέγιστη εφαρμογή σωρού σε java
- Για να επιλυθεί αυτή η περίπτωση χρήσης, θα δημιουργηθεί ένα Deep δίκτυο με πολλαπλά κρυμμένα επίπεδα για την επεξεργασία όλων των 60.000 εικονοστοιχείων ανά pixel και τέλος θα λάβουμε ένα επίπεδο εξόδου.
- Το επίπεδο εξόδου θα είναι ένας πίνακας ευρετηρίου 0 έως 9, όπου κάθε δείκτης αντιστοιχεί στο αντίστοιχο ψηφίο. Το ευρετήριο 0 περιέχει την πιθανότητα 0 να είναι το ψηφίο που υπάρχει στην εικόνα εισαγωγής.
Ομοίως, ο δείκτης 2 που έχει τιμή 0,1, αντιπροσωπεύει στην πραγματικότητα την πιθανότητα 2 να είναι το ψηφίο που υπάρχει στην εικόνα εισόδου. Έτσι, αν δούμε την υψηλότερη πιθανότητα σε αυτόν τον πίνακα είναι 0,8 που υπάρχει στο ευρετήριο 7 του πίνακα. Εξ ου και ο αριθμός που υπάρχει στην εικόνα είναι 7.
συμπέρασμα
Με λίγα λόγια, όλα αυτά αφορούσαν τη βαθιά μάθηση. Σε αυτό το σεμινάριο βαθιάς μάθησης, είδαμε διάφορες εφαρμογές βαθιάς μάθησης και κατανοήσαμε τη σχέση της με την AI και την Machine Learning. Στη συνέχεια, καταλάβαμε πώς μπορούμε να χρησιμοποιήσουμε το perceptron ή ένα τεχνητό βασικό δομικό στοιχείο νευρώνων για τη δημιουργία ενός βαθύ νευρωνικού δικτύου που μπορεί να εκτελέσει πολύπλοκες εργασίες όπως. Επιτέλους, περάσαμε από μία από τις περιπτώσεις χρήσης της βαθιάς μάθησης όπου πραγματοποιήσαμε αναγνώριση εικόνας χρησιμοποιώντας βαθιά νευρωνικά δίκτυα και καταλάβαμε όλα τα βήματα που συμβαίνουν πίσω από τη σκηνή. Τώρα, στο επόμενο blog αυτής της σειράς Deep Learning Tutorial, θα μάθουμε πώς να εφαρμόζουμε ένα perceptron χρησιμοποιώντας το TensorFlow, το οποίο είναι μια βιβλιοθήκη με βάση την Python για Deep Learning.
Τώρα που γνωρίζετε για τη βαθιά μάθηση, ρίξτε μια ματιά στο από την Edureka, μια αξιόπιστη διαδικτυακή εταιρεία εκμάθησης με δίκτυο περισσότερων από 250.000 ικανοποιημένων μαθητών σε όλο τον κόσμο. Το εκπαιδευτικό μάθημα Edureka Deep Learning with TensorFlow Certification βοηθά τους εκπαιδευόμενους να γίνουν ειδικοί στην εκπαίδευση και τη βελτιστοποίηση βασικών και συνελικτικών νευρωνικών δικτύων χρησιμοποιώντας έργα και εργασίες σε πραγματικό χρόνο, μαζί με έννοιες όπως η λειτουργία SoftMax, το Auto-encoder Neural Networks, το Restricted Boltzmann Machine (RBM).
Έχετε μια ερώτηση για εμάς; Παρακαλώ αναφέρετέ το στην ενότητα σχολίων και θα επικοινωνήσουμε μαζί σας.