Τι είναι η βαθιά μάθηση;
Σε αυτό το blog, θα μιλήσω για το τι είναι Βαθιά μάθηση που είναι μια καυτή φήμη στις μέρες μας και έχει θέσει σταθερά τις ρίζες της σε ένα μεγάλο πλήθος βιομηχανιών που επενδύουν σε τομείς όπως η Τεχνητή Νοημοσύνη, τα Big Data και το Analytics. Για παράδειγμα, η Google χρησιμοποιεί βαθιά μάθηση στους αλγορίθμους αναγνώρισης φωνής και εικόνας, ενώ η Netflix και η Amazon το χρησιμοποιούν για να κατανοήσουν τη συμπεριφορά του πελάτη τους. Στην πραγματικότητα, δεν θα το πιστέψετε, αλλά οι ερευνητές στο MIT προσπαθούν να προβλέψουν το μέλλον χρησιμοποιώντας τη βαθιά μάθηση.Τώρα, φανταστείτε πόσο πιθανή βαθιά μάθηση έχει στην επανάσταση του κόσμου και πώς θα αναζητήσουν οι εταιρείες .Πριν μιλήσουμε για βαθιά μάθηση, πρέπει να κατανοήσουμε τη σχέση του με τη Μηχανική Μάθηση και την Τεχνητή Νοημοσύνη. Ο ευκολότερος τρόπος για να κατανοήσετε αυτήν τη σχέση είναι να διαβάσετε το παρακάτω διάγραμμα:
Σύκο: Τι είναι η βαθιά μάθηση - Χρονοδιάγραμμα τεχνολογιών AI
Εδώ, στην εικόνα μπορείτε να δείτε ότι η Μηχανική Εκμάθηση είναι ένα υποσύνολο του AI. Αυτό συνεπάγεται το γεγονός ότι μπορούμε να κατασκευάσουμε έξυπνες μηχανές που μπορούν να μάθουν βάσει των παρεχόμενων συνόλων δεδομένων από μόνα τους. Επιπλέον, θα παρατηρήσετε ότι η Βαθιά Μάθηση είναι ένα υποσύνολο της Μηχανικής Μάθησης όπου παρόμοιοι Αλγόριθμοι Μηχανικής Μάθησης χρησιμοποιούνται για την εκπαίδευση Deep Neural Networks έτσι ώστε να επιτυγχάνεται καλύτερη ακρίβεια σε εκείνες τις περιπτώσεις όπου η προηγούμενη δεν είχε απόδοση μέχρι το σήμα. ΦουΠαρακάτω είναι τα θέματα που θα συζητήσω σε αυτό το σεμινάριο βαθιάς μάθησης:
- Τεχνητή νοημοσύνη
- Μηχανική εκμάθηση
- Μειονεκτήματα του ML
- Τι είναι η βαθιά μάθηση;
- Εφαρμογή βαθιάς μάθησης
Αποκτήστε πιστοποίηση με έργα σε επίπεδο βιομηχανίας και παρακολουθήστε γρήγορα την καριέρα σας
Τεχνητή νοημοσύνη
Σύκο: Τι είναι η βαθιά μάθηση - Τεχνητή νοημοσύνη
Ο όρος AI επινοήθηκε το 1956 από τον John McCarthy, ο οποίος αναφέρεται επίσης ως Πατέρας της Τεχνητής Νοημοσύνης. Η ιδέα πίσω από την τεχνητή νοημοσύνη είναι αρκετά απλή αλλά συναρπαστική, δηλαδή η λήψη έξυπνων μηχανών που μπορούν να πάρουν αποφάσεις μόνες τους. Μπορεί να το πιστεύετε ως επιστημονική φαντασίωση, αλλά σε σχέση με τις πρόσφατες εξελίξεις στην τεχνολογία και την υπολογιστική δύναμη, η ίδια η ιδέα φαίνεται να πλησιάζει την πραγματικότητα καθημερινά.
Μηχανική εκμάθηση: Ένα βήμα προς την τεχνητή νοημοσύνη
Τώρα, που είστε εξοικειωμένοι με το AI, ας μιλήσουμε εν συντομία για τη μηχανική εκμάθηση και να καταλάβουμε τι σημαίνει όταν λέμε ότι προγραμματίζουμε μηχανές για μάθηση. Ας ξεκινήσουμε με έναν πολύ διάσημο ορισμό της Μηχανικής Μάθησης:
'Ένα πρόγραμμα υπολογιστή λέγεται ότι μαθαίνει από την εμπειρία E σε σχέση με κάποια εργασία T και κάποιο μέτρο απόδοσης P, εάν η απόδοσή του στο T, όπως μετράται από το P, βελτιώνεται με την εμπειρία E.' - Τομ Μίτσελ, Πανεπιστήμιο Carnegie Mellon
Έτσι, εάν θέλετε το πρόγραμμά σας να προβλέψει, μοτίβα κυκλοφορίας σε μια πολυσύχναστη διασταύρωση (εργασία Τ), μπορείτε να το εκτελέσετε μέσω ενός αλγορίθμου μηχανικής εκμάθησης με δεδομένα σχετικά με τα προηγούμενα μοτίβα κυκλοφορίας (εμπειρία Ε). Τώρα, η ακρίβεια της πρόβλεψης (μέτρο απόδοσης P) θα εξαρτηθεί από το γεγονός ότι αν το πρόγραμμα έχει μάθει επιτυχώς από το σύνολο δεδομένων ή όχι (εμπειρία Ε).
Βασικά, η Μηχανική Μάθηση αναφέρεται ως ένας τύπος τεχνητής νοημοσύνης (AI) που παρέχει στους υπολογιστές τη δυνατότητα να μάθουν χωρίς να προγραμματίζονται ρητά εκθέτοντάς τους σε τεράστιο όγκο δεδομένων. Η βασική αρχή πίσω από τη Μηχανική Εκμάθηση είναι να μάθουμε από τα σύνολα δεδομένων και να προσπαθήσουμε να ελαχιστοποιήσουμε το σφάλμα ή να μεγιστοποιήσουμε την πιθανότητα να είναι αληθείς οι προβλέψεις τους.
διαφορά μεταξύ σεφ και αναψυκτικού
Μειονεκτήματα της μηχανικής μάθησης
- Οι παραδοσιακοί αλγόριθμοι ML δεν είναι χρήσιμοι όταν δουλεύουμε με δεδομένα υψηλής διαστάσεων, εκεί έχουμε μεγάλο αριθμό εισόδων και εξόδων. Για παράδειγμα, σε περίπτωση αναγνώρισης χειρογράφου έχουμε μεγάλη ποσότητα εισόδου όπου θα έχουμε διαφορετικό τύπο εισόδων που σχετίζονται με διαφορετικό τύπο χειρογράφου.
- Η δεύτερη μεγάλη πρόκληση είναι να πείτε στον υπολογιστή ποια είναι τα χαρακτηριστικά που πρέπει να αναζητήσει και θα διαδραματίσει σημαντικό ρόλο στην πρόβλεψη του αποτελέσματος καθώς και στην επίτευξη καλύτερης ακρίβειας ενώ το κάνετε. Αυτή η ίδια διαδικασία αναφέρεται ως εξαγωγή χαρακτηριστικών .
Η τροφοδοσία πρωτογενών δεδομένων στον αλγόριθμο σπάνια λειτουργεί ποτέ και αυτός είναι ο λόγος για τον οποίο η εξαγωγή χαρακτηριστικών αποτελεί κρίσιμο μέρος της παραδοσιακής ροής εργασιών μηχανικής μάθησης. Επομένως, χωρίς εξαγωγή χαρακτηριστικών, η πρόκληση για τον προγραμματιστή αυξάνεται καθώς η αποτελεσματικότητα του αλγορίθμου εξαρτάται σε μεγάλο βαθμό από το πόσο διορατικός είναι ο προγραμματιστής. Ως εκ τούτου, είναι πολύ δύσκολο να εφαρμοστούν αυτά τα μοντέλα μηχανικής εκμάθησης ή αλγόριθμοι σε σύνθετα προβλήματα όπως αναγνώριση αντικειμένων, αναγνώριση χειρογράφου, NLP (Επεξεργασία φυσικής γλώσσας) κ.λπ.
Βαθιά μάθηση
Η βαθιά μάθηση είναι μια από τις μόνες μεθόδους με τις οποίες μπορούμε να ξεπεράσουμε τις προκλήσεις της εξαγωγής χαρακτηριστικών. Αυτό συμβαίνει επειδή τα μοντέλα βαθιάς μάθησης είναι ικανά να μάθουν να εστιάζουν στα σωστά χαρακτηριστικά από μόνα τους, απαιτώντας λίγη καθοδήγηση από τον προγραμματιστή. Βασικά, η βαθιά μάθηση μιμείται τον τρόπο λειτουργίας του εγκεφάλου μας, δηλαδή μαθαίνει από την εμπειρία. Όπως γνωρίζετε, ο εγκέφαλός μας αποτελείται από δισεκατομμύρια νευρώνες που μας επιτρέπουν να κάνουμε καταπληκτικά πράγματα. Ακόμα και ο εγκέφαλος ενός παιδιού ενός έτους μπορεί να λύσει πολύπλοκα προβλήματα τα οποία είναι πολύ δύσκολο να επιλυθούν ακόμη και με τη χρήση υπερ-υπολογιστών. Για παράδειγμα:
- Αναγνωρίστε επίσης το πρόσωπο των γονιών τους και διαφορετικά αντικείμενα.
- Διακρίνει διαφορετικές φωνές και μπορεί ακόμη και να αναγνωρίσει ένα συγκεκριμένο άτομο με βάση τη φωνή του.
- Εξαγάγετε συμπεράσματα από χειρονομίες προσώπου άλλων ατόμων και πολλά άλλα.
Στην πραγματικότητα, ο εγκέφαλός μας εκπαιδεύτηκε υποσυνείδητα να κάνει τέτοια πράγματα όλα αυτά τα χρόνια. Τώρα, έρχεται η ερώτηση, πόσο βαθιά μάθηση μιμείται τη λειτουργικότητα του εγκεφάλου; Λοιπόν, η βαθιά μάθηση χρησιμοποιεί την έννοια των τεχνητών νευρώνων που λειτουργεί με παρόμοιο τρόπο όπως οι βιολογικοί νευρώνες που υπάρχουν στον εγκέφαλό μας. Επομένως, μπορούμε να πούμε ότι η βαθιά μάθηση είναι ένα υποπεδίο μηχανή μάθηση ασχολείται με αλγόριθμους εμπνευσμένους από τη δομή και τη λειτουργία του εγκεφάλου που ονομάζεται τεχνητά νευρικά δίκτυα.
Τώρα, ας πάρουμε ένα παράδειγμα για να το κατανοήσουμε. Ας υποθέσουμε ότι θέλουμε να δημιουργήσουμε ένα σύστημα που μπορεί να αναγνωρίζει πρόσωπα διαφορετικών ανθρώπων σε μια εικόνα.Εάν το λύσουμε ως ένα τυπικό πρόβλημα μηχανικής μάθησης, θα καθορίσουμε τα χαρακτηριστικά του προσώπου όπως τα μάτια, τη μύτη, τα αυτιά κ.λπ. και στη συνέχεια, το σύστημα θα εντοπίσει ποια χαρακτηριστικά είναι πιο σημαντικά για ποιο άτομο από μόνο του.
Τώρα, η βαθιά μάθηση το κάνει ένα βήμα μπροστά. Η βαθιά μάθηση ανακαλύπτει αυτόματα τα χαρακτηριστικά που είναι σημαντικά για την ταξινόμηση λόγω των βαθιών νευρωνικών δικτύων, ενώ στην περίπτωση της Μηχανικής Μάθησης έπρεπε να ορίσουμε χειροκίνητα αυτά τα χαρακτηριστικά.
Σύκο: Αναγνώριση προσώπου χρησιμοποιώντας Deep Networks
Όπως φαίνεται στην παραπάνω εικόνα, η Deep Learning λειτουργεί ως εξής:
- Στο χαμηλότερο επίπεδο, το δίκτυο προσαρμόζεται σε μοτίβα τοπικής αντίθεσης τόσο σημαντικά.
- Το ακόλουθο στρώμα μπορεί στη συνέχεια να χρησιμοποιήσει αυτά τα μοτίβα τοπικής αντίθεσης για να διορθώσει πράγματα που μοιάζουν με μάτια, μύτες και στόματα
- Τέλος, το ανώτερο επίπεδο μπορεί να εφαρμόσει αυτά τα χαρακτηριστικά του προσώπου σε πρότυπα προσώπου.
- Ένα βαθύ νευρωνικό δίκτυο είναι ικανό να συνθέτει όλο και πιο πολύπλοκα χαρακτηριστικά σε κάθε ένα από τα διαδοχικά επίπεδα.
Αναρωτηθήκατε ποτέ πώς το Facebook επισημαίνει αυτόματα ή επισημαίνει όλα τα άτομα που υπάρχουν σε μια εικόνα που έχετε ανεβάσει; Λοιπόν, το Facebook χρησιμοποιεί την Deep Learning με παρόμοιο τρόπο όπως αναφέρεται στο παραπάνω παράδειγμα. Τώρα, θα έχετε συνειδητοποιήσει την ικανότητα της Deep Learning και πώς μπορεί να ξεπεράσει τη Machine Learning σε εκείνες τις περιπτώσεις όπου έχουμε πολύ λίγη ιδέα για όλα τα χαρακτηριστικά που μπορούν να επηρεάσουν το αποτέλεσμα. Επομένως, το Deep network μπορεί να ξεπεράσει το μειονέκτημα της Μηχανικής Μάθησης αντλώντας συμπεράσματα από σύνολο δεδομένων που αποτελείται από δεδομένα εισόδου χωρίς κατάλληλη επισήμανση.
Τι είναι η βαθιά μάθηση | Απλοποιημένη βαθιά μάθηση | Έντρεκα
Εφαρμογές βαθιάς μάθησης
Προχωρώντας σε αυτό το blog βαθιάς μάθησης, ας δούμε μερικές από τις πραγματικές εφαρμογές της Deep Learning για να κατανοήσουμε τις πραγματικές της δυνάμεις.
Αναγνώρισης ομιλίας
Όλοι θα έχετε ακούσει για το Siri, το οποίο είναι ο έξυπνος βοηθός της Apple που ελέγχεται με φωνή. Όπως και άλλοι μεγάλοι γίγαντες, η Apple άρχισε επίσης να επενδύει στη Deep Learning για να κάνει τις υπηρεσίες της καλύτερες από ποτέ.
Ποια είναι η διαφορά μεταξύ μιας αφηρημένης κλάσης και μιας διεπαφής;
Στον τομέα της αναγνώρισης ομιλίας και του ελεγχόμενου με φωνή έξυπνου βοηθού όπως το Siri, μπορεί κανείς να αναπτύξει πιο ακριβές ακουστικό μοντέλο χρησιμοποιώντας ένα βαθύ νευρωνικό δίκτυο και αυτή τη στιγμή είναι ένα από τα πιο ενεργά πεδία για την εφαρμογή βαθιάς μάθησης. Με απλά λόγια, μπορείτε να δημιουργήσετε ένα τέτοιο σύστημα που μπορεί να μάθει νέες δυνατότητες ή να προσαρμοστεί ανάλογα με εσάς και, ως εκ τούτου, να παρέχει καλύτερη βοήθεια προβλέποντας όλες τις δυνατότητες εκ των προτέρων.
Αυτόματη αυτόματη μετάφραση
Όλοι γνωρίζουμε ότι η Google μπορεί να μεταφράσει άμεσα 100 διαφορετικές ανθρώπινες γλώσσες, πολύ γρήγορα σαν μαγεία. Η τεχνολογία πίσω Μετάφραση Google λέγεται Μηχανική μετάφραση και υπήρξε σωτήρας για άτομα που δεν μπορούν να επικοινωνήσουν μεταξύ τους λόγω της διαφοράς στην ομιλούμενη γλώσσα. Τώρα, θα σκεφτόσασταν ότι αυτή η λειτουργία υπάρχει εδώ και πολύ καιρό, οπότε, τι νέο υπάρχει σε αυτό; Επιτρέψτε μου να σας πω ότι τα τελευταία δύο χρόνια, με τη βοήθεια της βαθιάς μάθησης, η Google έχει μεταρρυθμίσει πλήρως την προσέγγιση της μηχανικής μετάφρασης στη Μετάφραση Google. Στην πραγματικότητα, οι ερευνητές βαθιάς μάθησης που δεν ξέρουν σχεδόν τίποτα για τη μετάφραση γλωσσών προτείνουν σχετικά απλές λύσεις μηχανικής μάθησης που χτυπούν τα καλύτερα συστήματα μετάφρασης γλωσσών στον κόσμο. Η μετάφραση κειμένου μπορεί να πραγματοποιηθεί χωρίς προεπεξεργασία της ακολουθίας, επιτρέποντας στον αλγόριθμο να μάθει τις εξαρτήσεις μεταξύ λέξεων και τη χαρτογράφηση τους σε μια νέα γλώσσα. Για την εκτέλεση αυτής της μετάφρασης χρησιμοποιούνται στοιβαγμένα δίκτυα μεγάλων επαναλαμβανόμενων νευρωνικών δικτύων.
- Άμεση οπτική μετάφραση
Όπως γνωρίζετε, η βαθιά μάθηση χρησιμοποιείται για τον εντοπισμό εικόνων με γράμματα και πού βρίσκονται τα γράμματα στη σκηνή. Μόλις αναγνωριστούν, μπορούν να μετατραπούν σε κείμενο, να μεταφραστούν και να αναδημιουργηθεί η εικόνα με το μεταφρασμένο κείμενο. Αυτό λέγεται συχνά άμεση οπτική μετάφραση .
Τώρα, φανταστείτε μια κατάσταση όπου έχετε επισκεφθεί οποιαδήποτε άλλη χώρα της οποίας η μητρική σας γλώσσα δεν σας γνωρίζει. Λοιπόν, δεν χρειάζεται να ανησυχείτε, χρησιμοποιώντας διάφορες εφαρμογές όπως η Μετάφραση Google, μπορείτε να προχωρήσετε και να εκτελέσετε άμεσες οπτικές μεταφράσεις για να διαβάσετε πινακίδες ή πίνακες καταστημάτων γραμμένες σε άλλη γλώσσα. Αυτό ήταν δυνατό μόνο λόγω της βαθιάς μάθησης.
Σημείωση: Μπορείτε να προχωρήσετε και να κατεβάσετε την εφαρμογή Μετάφραση Google και να δείτε την εκπληκτική άμεση οπτική μετάφραση χρησιμοποιώντας την παραπάνω εικόνα.
Συμπεριφορά: Αυτοματοποιημένα Αυτοκίνητα Αυτοκίνητα
Η Google προσπαθεί να αναλάβει την πρωτοβουλία αυτο-οδήγησης αυτοκινήτου, γνωστή ως WAYMO, σε ένα εντελώς νέο επίπεδο τελειότητας χρησιμοποιώντας τη Βαθιά Εκμάθηση. Επομένως, αντί να χρησιμοποιούν παλιούς κωδικοποιημένους αλγόριθμους, μπορούν τώρα να προγραμματίσουν ένα σύστημα που μπορεί να μάθει από μόνο του χρησιμοποιώντας δεδομένα που παρέχονται από διαφορετικούς αισθητήρες. Η βαθιά μάθηση είναι τώρα η καλύτερη προσέγγιση στις περισσότερες εργασίες αντίληψης, καθώς και σε πολλές εργασίες ελέγχου χαμηλού επιπέδου. Ως εκ τούτου, τώρα ακόμη και άτομα που δεν γνωρίζουν να οδηγούν ή είναι άτομα με ειδικές ανάγκες, μπορούν να προχωρήσουν και να κάνουν τη διαδρομή χωρίς να εξαρτώνται από κανέναν άλλο.
Εδώ, ανέφερα μόνο λίγες περίφημες περιπτώσεις πραγματικής χρήσης όπου η Deep Learning χρησιμοποιείται εκτενώς και παρουσιάζει πολλά υποσχόμενα αποτελέσματα. Υπάρχουν πολλές άλλες εφαρμογές βαθιάς μάθησης μαζί με πολλά πεδία που δεν έχουν ακόμη διερευνηθεί.
Με λίγα λόγια, αυτό αφορά τη βαθιά μάθηση. Είμαι σίγουρος ότι μέχρι τώρα, θα έχετε συνειδητοποιήσει τη διαφορά μεταξύ της μηχανικής μάθησης και της βαθιάς μάθησης, καθώς και το πώς η βαθιά μάθηση μπορεί να είναι πολύ χρήσιμη για διάφορες πραγματικές εφαρμογές. Τώρα, στο επόμενο blog μου σε αυτήν τη σειρά σεμιναρίων βαθιάς μάθησης, θα εμβαθύνουμε σε διάφορες έννοιες και αλγόριθμους Deep Learning μαζί με την εφαρμογή τους λεπτομερώς.
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.