Sügava õppimise õpetus: tehisintellekt sügava õppimise abil

See süvaõppe õpetuse ajaveeb aitab teil mõista kõike süvendatud õppimist ja selle suhet masinõppe ja tehisintellektiga.

Kuna masinõppe oluline alamhulk on nõudlus on näinud tohutut tõusu, eriti nende seas, kes on huvitatud tehisintellekti piiramatute võimaluste avamisest.Sügava õppimise kasvavast populaarsusest inspireerituna mõtlesin välja mõelda rea ​​ajaveebe, mis õpetavad teid selle uue suundumuse kohta tehisintellekti vallas ja aitavad teil mõista, milles asi on. See on esimene paljudest ajaveebidest sarjas nimega - Sügava õppimise õpetus .



Sügava õppimise õpetus

Selles sügava õppe õpetuse ajaveebis tutvustan teid järgmistest asjadest, mis on tulevaste ajaveebide põhialused:



  • Mis laseb sügaval õppimisel tekkida
  • Mis on sügavõppimine ja kuidas see töötab?

Võite läbida selle Deep Learning Tutoriali salvestuse, kus meie juhendaja on teemasid üksikasjalikult selgitanud näidetega, mis aitavad teil sellest kontseptsioonist paremini aru saada.

Sügava õppimise õpetus | Neuraalvõrkude sügav õppimine Edureka

Tehisintellekti ja süvaõppe rakendused

Mõelge nüüd sellele, selle asemel, et teete kogu oma töö, on teil masin, mis selle teie jaoks viimistleks, või see võib teha midagi, mis teie arvates polnud üldse võimalik. Näiteks:



Tuleviku ennustamine - sügava õppimise õpetus - Edureka

Tuleviku ennustamine: See võib meid aidata ennustada maavärinaid, tsunamit jne, et saaks võtta ennetusmeetmeid, et päästa paljud inimelud looduslike õnnetuste küüsi sattumisest.

Vestlusrobotid: Te kõik oleksite kuulnud Sirist, mis on Apple'i hääljuhtimisega virtuaalne assistent. Uskuge mind, Deep Learning'i abil muutuvad need virtuaalsed abivahendid päev-päevalt targemaks. Tegelikult suudab Siri ennast vastavalt kasutajale kohandada ja pakkuda paremini isikupärast abi.
Isesõitvad autod: Kujutage ette, kui uskumatu oleks füüsilise puudega ja eakate inimeste jaoks, kellel on raske iseseisvalt juhtida. Peale selle päästab see miljoneid süütuid inimesi, kes satuvad liiklusõnnetustesse igal aastal inimlike eksimuste tõttu.

Google AI silmaarst: See on Google'i hiljutine algatus, kus nad töötavad koos India silmahooldusketiga välja tehisintellekti tarkvara väljatöötamiseks, mis võimaldab uurida võrkkesta skaneeringuid ja tuvastada seisundi, mida nimetatakse diabeetiliseks retinopaatiaks, mis võib põhjustada pimedaksjäämist.

Tehisintellekti helilooja: Noh, kes arvas, et meil võib olla Deep Learning'i abil tehisintellekti helilooja. Seetõttu ei oleks ma üllatunud, kui kuuleksin, et järjekorras parimat muusikat annab masin.
Unistuste lugemise masin: See on üks minu lemmikuid, masin, mis suudab teie unistusi jäädvustada video või muu näol. Tehisintellekti ja süvaõppe nii paljude ebareaalsete rakenduste abil, mida oleme seni näinud, ei olnud ma üllatunud, kui sain teada, et Jaapanis prooviti seda paar aastat tagasi kolme katseisiku peal ja nad suutsid saavutada peaaegu 60% täpsuse. See on midagi üsna uskumatut, kuid tõsi.


Olen üsna kindel, et mõned neist tehisintellekti ja süvaõppe rakendustest oleksid teile haneks saanud. Hea küll, see loob teile aluse ja nüüd oleme valmis selles süvaõppe õpetuses edasi liikuma ja mõistma, mis on tehisintellekt.



Mis on tehisintellekt?

Tehisintellekt pole muud kui masina võime jäljendada arukat inimkäitumist. Tehisintellekt saavutatakse inimese aju jäljendades, mõistes, kuidas ta mõtleb, kuidas õpib, otsustab ja töötab, püüdes probleemi lahendada.

Näiteks: Malet mängiv masin või häälega aktiveeritud tarkvara, mis aitab teil teie iPhone'is või numbrimärgi tuvastamise süsteemis mitmesuguste asjadega hõivata, mis fikseerib kiiruse ületanud auto numbrimärgi ja töötleb seda registreerimisnumbri väljavõtmiseks ja auto omaniku tuvastamiseks. . Kõiki neid polnud varem väga lihtne rakendada Sügav õppimine . Mõelgem nüüd tehisintellekti erinevatele alamhulkadele.

mis on peamine viga

Tehisintellekti alamhulgad

Siiani oleksite palju kuulnud tehisintellektist, masinõppest ja süvaõppest. Kas teate siiski nende kõigi suhet? Põhimõtteliselt on sügavõpe masinõppe ja masinõppe tehisintellekti alavaldkond, nagu on näidatud alloleval pildil:

Kui vaatame midagi sellist AlphaGo , kujutatakse seda sageli sügava õppimise suure eduna, kuid tegelikult on see ideede kombinatsioon mitmest erinevast tehisintellekti ja masinõppe valdkonnast. Tegelikult oleksite üllatunud, kui kuulete, et sügavate närvivõrkude idee pole uus, vaid pärineb 1950ndatest. Kuid selle praktiline rakendamine sai võimalikuks tänu tänapäeval kättesaadavale tippklassi ressursside võimalusele.

Niisiis, uurides selles süvaõppe juhendaja blogis edasi, uurime masinõpet ja selle piiranguid.

Mis on masinõpe?

Masinõpe on tehisintellekti alamhulk, mis pakub arvutitele õppimisvõimalust ilma selgesõnaliselt programmeerimata. Masinõppes ei pea me kõiki samme ega tingimusi üheselt määratlema nagu ükski teine ​​programmeerimisrakendus. Vastupidi, masin koolitatakse koolituse andmekogule, mis on piisavalt suur mudeli loomiseks, mis aitab masinal oma õppimise põhjal otsuseid vastu võtta.

Näiteks: Tahame masinaõppe abil määrata lille liigi selle kroonlehe ja oksa pikkuse (lille lehed) põhjal. Kuidas me siis seda teeme?

Nagu ülaltoodud pildil näha, lisame oma masinasse lillede andmekomplekti, mis sisaldab erinevate lillede erinevaid omadusi koos vastavate liikidega. Selle sisestatud andmekogumi abil loob ja koolitab masin mudeli, mille abil saab lilli eri kategooriatesse klassifitseerida.
Kui meie mudel on koolitatud, edastame mudeli sisendina omaduste kogumi.
Lõpuks väljastab meie mudel uues sisendandmekogumis leiduva lille liigi. Seda masina koolitamise protsessi mudeli loomiseks ja selle kasutamiseks otsuste tegemisel nimetatakse Masinõpe . Sellel protsessil on siiski mõned piirangud.

Masinõppe piirangud

Masinõpe ei ole võimeline töötama suuremõõtmelisi andmeid, kus sisend ja väljund on üsna suured. Sellist tüüpi andmete käitlemine ja töötlemine muutub väga keerukaks ja ressursside ammendavaks. Seda nimetatakse Mõõtlikkuse needus . Selle lihtsamaks mõistmiseks kaalume järgmist pilti:

Mõelge 100 jardi reale ja olete mündi kuhugi joone peale visanud. Nüüd on teil üsna mugav leida münt lihtsalt liinil kõndides. See joon on ühemõõtmeline üksus.
Järgmisena arvestage, et teil on ruut 100 jardi, nagu ülaltoodud pildil näidatud, ja jälle viskasite mündi kuhugi vahepeale. Nüüd on üsna ilmne, et eelmise stsenaariumiga võrreldes kulub mündi leidmiseks sellel ruudul rohkem aega. See ruut on kahemõõtmeline üksus.
Võimaldab astuda sammu edasi, kaaludes kuupi, mille külg on 100 jardi, ja olete mündi kuhugi vahepeale visanud. Nüüd on münti seekord veelgi raskem leida. See kuup on kolmemõõtmeline üksus.

Seega saate jälgida, et keerukus suureneb, kui mõõtmed suurenevad.Ja reaalses elus on kõrgemõõtmelistel andmetel, millest me rääkisime, tuhandeid mõõtmeid, mis muudab nende käsitsemise ja töötlemise väga keeruliseks. Kõrgemõõtmelisi andmeid saab hõlpsasti leida sellistest kasutusjuhtumitest nagu pilditöötlus, NLP, pilditõlge jne.

ansible vs nukk vs peakokk

Masinõpe ei suutnud neid kasutusjuhtumeid lahendada ja seetõttu tuli appi sügavõpe. Sügav õppimine on võimeline kõrgemõõtmeliste andmete töötlemiseks ja on efektiivne ka õigete funktsioonide eraldi keskendumisel. Seda protsessi nimetatakse funktsioonide väljavõtmiseks. Nüüd liigume selles süvaõppimise õpetuses edasi ja mõistame, kuidas sügav õppimine töötab.

Kuidas sügav õppimine töötab?

Püüdes inimese aju ümber töötada, uurib Deep Learning aju põhiüksust, mida nimetatakse ajurakuks või neuroniks. Neuronist inspireerituna töötati välja kunstneuron või perceptron. Nüüd mõistame bioloogiliste neuronite funktsionaalsust ja seda, kuidas me seda funktsionaalsust matkime perceptronis või kunstlikus neuronis:

  • Kui keskendume bioloogilise neuroni struktuurile, on sellel dendriite, mida kasutatakse sisendite vastuvõtmiseks. Need sisendid summeeritakse rakukehas ja Axoni abil edastatakse see järgmisele bioloogilisele neuronile, nagu on näidatud ülaltoodud pildil.

  • Samamoodi saab perceptron mitu sisendit, rakendab erinevaid teisendusi ja funktsioone ning annab väljundi.

    cassandra laud vs veergude perekond
  • Kuna teame, et meie aju koosneb mitmest ühendatud neuronist, mida nimetatakse närvivõrgustikuks, võib Deep närvivõrgu moodustamiseks olla ka kunstlike neuronite võrgustik, mida nimetatakse perceptroniteks. Niisiis, liigume selles sügava õppimise õpetuses edasi, et mõista, kuidas näeb välja sügav närvivõrk.

Sügava õppimise õpetus: mis on sügav õppimine?

  • Iga sügav närvivõrk koosneb kolme tüüpi kihtidest:
    • Sisendkiht
    • Peidetud kiht
    • Väljundkiht
Ülaltoodud diagrammil on esimene kiht sisendkiht, mis võtab vastu kõik sisendid, ja viimane kiht on väljundkiht, mis annab soovitud väljundi.
Kõiki nende kihtide vahel olevaid kihte nimetatakse peidetud kihtideks. Tänu tänapäeval saadaval olevatele tippklassi ressurssidele võib olla n arv peidetud kihte.
Peidetud kihtide arv ja perceptronide arv igas kihis sõltub täielikult kasutusjuhtumist, mida proovite lahendada.

Nüüd, kui teil on pilt sügavatest närvivõrkudest, liigume selles süvaõppimise õpetuses edasi, et saada kõrgetasemeline ülevaade sellest, kuidas sügavad närvivõrgud lahendavad pildituvastuse probleemi.

Sügav õppimine - juhtum

Soovime teostada pildituvastust Deep Networks abil:

Siinkohal edastame kõrgemõõtmelised andmed sisendkihile. Sisendandmete mõõtmete sobitamiseks sisaldab sisendkiht mitu perceptroni alamkihti, et see saaks kogu sisendi ära kulutada.
Sisendkihilt saadud väljund sisaldab mustreid ja suudab piltide servi tuvastada ainult kontrastitasemete põhjal.
See väljund suunatakse peidetud kihti 1, kus see saab tuvastada erinevaid näojooni, nagu silmad, nina, kõrvad jne.
Nüüd suunatakse see peidetud kihile 2, kus see suudab moodustada kogu nägu. Seejärel saadetakse kihi 2 väljund väljundkihile.
Lõpuks teostab väljundkiht klassifikatsiooni eelmisest saadud tulemuse põhjal ja ennustab nime.

Lubage mul esitada teile küsimus, mis juhtub, kui mõni neist kihtidest puudub või närvivõrk pole piisavalt sügav? Lihtne, me ei suuda pilte täpselt tuvastada. See on just põhjus, miks neil kasutusjuhtumitel ei olnud lahendust kõik need aastad enne sügavat õppimist. Selle edasiarendamiseks proovime Deep-võrke rakendada MNIST-andmekogumis.

  • Mnisti andmekomplekt koosneb 60 000 koolitusproovist ja 10 000 käsitsi kirjutatud numbripildi testproovist. Siin on ülesandeks koolitada mudel, mis suudaks täpselt tuvastada pildil oleva numbri.

  • Selle kasutusjuhtumi lahendamiseks luuakse mitme varjatud kihiga Deep-võrk, et töödelda kõiki 60 000 pilti pikslite kaupa ja lõpuks saame väljastuskihi.
  • Väljundkihiks saab indeksi 0 kuni 9 massiiv, kus iga indeks vastab vastavale numbrile. Indeks 0 sisaldab tõenäosust, et 0 on sisendpildil olev number.
  • Samamoodi tähistab indeks 2, mille väärtus on 0,1, tegelikult tõenäosust, et 2 on sisendpildil olev number. Niisiis, kui näeme selle massiivi suurimat tõenäosust 0,8, mis on massiivi indeksis 7. Seega on pildil olev number 7.

Järeldus

Nii et poisid, see kõik puudutas sügavat õppimist lühidalt. Selles süvaõppe õpetuses nägime erinevaid süvaõppe rakendusi ja mõistsime selle suhet tehisintellekti ja masinõppega. Seejärel saime aru, kuidas saame kasutada perceptroni või kunstliku neuroni põhilisi ehitusplokke sügava närvivõrgu loomiseks, mis suudaks selliseid keerukaid ülesandeid täita. Lõpuks saime läbi ühe süvaõppe kasutamise juhtumi, kus teostasime sügavate närvivõrkude abil pildituvastust ja mõistsime kõiki samme, mis sündmuskoha taga toimuvad. Nüüd, selle Deep Learning Tutorial sarja järgmises ajaveebis, õpime, kuidas perceptroni rakendada TensorFlow abil, mis on Pythoni põhine teek sügava õppe jaoks.

Nüüd, kui olete sügava õppimise kohta teadlik, vaadake järgmist autor Edureka, usaldusväärne veebiõppeettevõte, mille võrgustik koosneb enam kui 250 000 rahulolevast õppijast ja mis levib üle kogu maailma. Kursus Edureka Deep Learning with TensorFlow sertifitseerimiskoolitus aitab õppijatel saada ekspertideks põhi- ja konvolutsiooniliste närvivõrkude koolitamisel ning optimeerimisel reaalajas toimuvate projektide ja ülesannete abil koos selliste mõistetega nagu SoftMax funktsioon, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).

Kas teil on meile küsimus? Palun mainige seda kommentaaride jaotises ja võtame teiega ühendust.