Att vara en viktig delmängd av maskininlärning, efterfrågan på har sett en enorm uppgång, särskilt bland dem som är intresserade av att låsa upp de obegränsade möjligheterna till AI.Inspirerad av Deep Learnings växande popularitet tänkte jag komma på en serie bloggar som kommer att informera dig om denna nya trend inom artificiell intelligens och hjälpa dig att förstå vad det handlar om. Detta är den första av de många bloggarna i serien som heter - Deep Learning Tutorial .
The Deep Learning Tutorial
I denna Deep Learning Tutorial-blogg tar jag dig igenom följande saker, som kommer att tjäna som grundläggande för de kommande bloggarna:
- Vad lät Deep Learning komma till
- Vad är Deep Learning och hur det fungerar?
Du kan gå igenom denna inspelning av Deep Learning Tutorial där vår instruktör har förklarat ämnena på ett detaljerat sätt med exempel som hjälper dig att förstå detta koncept bättre.
Deep Learning Tutorial | Neurala nätverk med djupt lärande | Edureka
Tillämpningar av artificiell intelligens och djupinlärning
Tänk nu på det här, istället för att du gör allt ditt arbete har du en maskin för att avsluta den åt dig eller så kan den göra något som du trodde inte alls var möjligt. Till exempel:
 | Förutsäga framtiden: Det kan hjälpa oss att förutse jordbävningar, tsunamier etc. i förväg så att förebyggande åtgärder kan vidtas för att rädda många liv från att falla i händerna på naturkatastrofer. |
| Chat-bots: Alla ni skulle ha hört talas om Siri, som är Apples röststyrda virtuella assistent. Tro mig, med hjälp av Deep Learning blir detta virtuella stöd smartare dag för dag. Faktum är att Siri kan anpassa sig efter användaren och ge bättre personlig hjälp. |
| Självkörande bilar: Tänk dig hur otroligt det skulle vara för fysiskt funktionshindrade och äldre människor som har svårt att köra på egen hand. Bortsett från detta kommer det att rädda miljontals oskyldiga liv som möter trafikolyckor varje år på grund av mänskliga misstag. |
Google AI Eye Doctor: Det är ett nyligen tagit initiativ från Google där de arbetar med en indisk ögonvårdskedja för att utveckla en AI-programvara som kan undersöka näthinneskanningar och identifiera ett tillstånd som kallas diabetisk retinopati, vilket kan orsaka blindhet. |
| AI Music Composer: Tja, vem trodde att vi skulle kunna ha en AI-kompositör med Deep Learning. Därför skulle jag inte bli förvånad över att höra att den näst bästa musiken ges av en maskin. |
| En drömläsningsmaskin: Det här är en av mina favoriter, en maskin som kan fånga dina drömmar i form av video eller något. Med så många orealistiska tillämpningar av AI & Deep Learning som vi har sett hittills blev jag inte förvånad över att jag fick reda på att detta testades i Japan för några år tillbaka på tre försökspersoner och de kunde uppnå nära 60% noggrannhet. Det är något helt otroligt, men ändå sant. |
Jag är ganska säker på att några av dessa applikationer från AI & Deep Learning skulle ha gett dig gåshud. Okej då, det här är basen för dig och nu är vi redo att gå vidare i denna Deep Learning Tutorial och förstå vad som är artificiell intelligens.
hur man använder bitvis operatörer i java
Vad är artificiell intelligens?
Artificiell intelligens är inget annat än maskinens förmåga att imitera intelligent mänskligt beteende. AI uppnås genom att härma en mänsklig hjärna, genom att förstå hur den tänker, hur den lär sig, beslutar och arbetar samtidigt som man försöker lösa ett problem.
Till exempel: En maskin som spelar schack, eller en röstaktiverad programvara som hjälper dig med olika saker på din iPhone eller ett registreringsnummer för nummerplatta som fångar in nummerskylten på en bil som går för fort och bearbetar den för att extrahera registreringsnumret och identifiera ägaren till bilen . Alla dessa var inte så lätta att implementera tidigare Djup lärning . Låt oss nu förstå de olika delmängderna av artificiell intelligens.
Delmängder av artificiell intelligens
Hittills skulle du ha hört mycket om artificiell intelligens, maskininlärning och djupt lärande. Men vet du förhållandet mellan dem alla tre? I grund och botten är djupt lärande ett underfält av maskininlärning och maskininlärning är ett delområde av artificiell intelligens som visas i bilden nedan:
När vi tittar på något liknande AlphaGo , det framställs ofta som en stor framgång för djupt lärande, men det är faktiskt en kombination av idéer från flera olika områden av AI och maskininlärning. I själva verket skulle du bli förvånad över att höra att idén bakom djupa neurala nätverk inte är ny utan går tillbaka till 1950-talet. Det blev dock möjligt att praktiskt implementera det på grund av den avancerade resursförmågan som finns tillgänglig idag.
Så, gå vidare i denna blogg om djup inlärning, låt oss utforska maskininlärning följt av dess begränsningar.
Vad är maskininlärning?
Maskininlärning är en delmängd av artificiell intelligens som ger datorer möjligheten att lära sig utan att programmeras uttryckligen. Vid maskininlärning behöver vi inte definiera alla steg eller villkor som någon annan programmeringsapplikation. Tvärtom blir maskinen utbildad i ett träningsdataset, tillräckligt stort för att skapa en modell, som hjälper maskinen att fatta beslut baserat på dess lärande.
Till exempel: Vi vill bestämma arten av en blomma baserat på dess kronblad och sepal längd (bladen av en blomma) med hjälp av maskininlärning. Hur ska vi då göra det?
| Vi matar in blommedatauppsättningen som innehåller olika egenskaper hos olika blommor tillsammans med deras respektive arter i vår maskin som du kan se i bilden ovan. Med hjälp av denna inmatade datamängd skapar och tränar maskinen en modell som kan användas för att klassificera blommor i olika kategorier. |
| När vår modell har tränats förmedlar vi en uppsättning egenskaper som input till modellen. |
| Slutligen kommer vår modell att mata ut den art av blomman som finns i den nya inmatningsdatamängden. Denna process för att utbilda en maskin för att skapa en modell och använda den för beslutsfattande kallas Maskininlärning . Denna process har dock vissa begränsningar. |
Begränsningar av maskininlärning
Machine Learning kan inte hantera högdimensionella data, det är där input & output är ganska stort. Hantering och bearbetning av sådan typ av data blir mycket komplex och resursuttömmande. Detta kallas Dimensionalitetens förbannelse . För att förstå detta i enklare termer, låt oss överväga följande bild:
| Tänk på en rad på 100 meter och du har tappat ett mynt någonstans på linjen. Nu är det ganska bekvämt för dig att hitta myntet genom att helt enkelt gå på linjen. Denna linje är en enda dimensionell enhet. |
| Tänk sedan på att du har en kvadrat på sidan 100 meter vardera som visas i bilden ovan och ännu en gång släppte du ett mynt någonstans däremellan. Nu är det helt uppenbart att du kommer att ta mer tid på att hitta myntet inom den kvadraten jämfört med föregående scenario. Denna kvadrat är en tvådimensionell enhet. |
| Låt oss ta det ett steg framåt genom att överväga en kub på 100 meter vardera och du har tappat ett mynt någonstans däremellan. Nu är det ännu svårare att hitta myntet den här gången. Denna kub är en tredimensionell enhet. |
Därför kan du observera att komplexiteten ökar när dimensionerna ökar.Och i verkligheten har de högdimensionella data som vi pratade om tusentals dimensioner som gör det väldigt komplicerat att hantera och bearbeta. Den högdimensionella informationen kan lätt hittas i användningsfall som bildbehandling, NLP, bildöversättning etc.
Maskininlärning kunde inte lösa dessa användningsfall och följaktligen kom Deep Learning till undsättning. Djupinlärning kan hantera högdimensionella data och är också effektiv när det gäller att fokusera på rätt funktioner på egen hand. Denna process kallas funktionsextraktion. Nu ska vi gå vidare i denna Deep Learning Tutorial och förstå hur deep learning fungerar.
Hur djupt lärande fungerar?
I ett försök att omstrukturera en mänsklig hjärna studerar Deep Learning grundenheten i en hjärna som kallas en hjärncell eller en neuron. Inspirerad från en neuron utvecklades en konstgjord neuron eller en perceptron. Låt oss nu förstå funktionaliteten hos biologiska neuroner och hur vi härmar denna funktion i perceptronen eller en artificiell neuron:
Om vi fokuserar på strukturen hos en biologisk neuron, har den dendriter som används för att ta emot ingångar. Dessa ingångar summeras i cellkroppen och med hjälp av Axon skickas den vidare till nästa biologiska neuron som visas i bilden ovan.
På samma sätt tar en perceptron emot flera ingångar, tillämpar olika transformationer och funktioner och ger en utgång.
Eftersom vi vet att vår hjärna består av flera anslutna neuroner som kallas neurala nätverk kan vi också ha ett nätverk av artificiella neuroner som kallas perceptroner för att bilda ett djupt neurala nätverk. Så låt oss gå vidare i denna Deep Learning Tutorial för att förstå hur ett djupt neurala nätverk ser ut.
Deep Learning Tutorial: Vad är Deep Learning?
- Varje djupt neurala nätverk kommer att bestå av tre typer av lager:
- Input Layer
- The Hidden Layer
- Output Layer
| I ovanstående diagram är det första lagret ingångsskiktet som tar emot alla ingångar och det sista lagret är det utgående lagret som ger önskad utgång. |
| Alla lager mellan dessa lager kallas dolda lager. Det kan finnas ett antal dolda lager tack vare de avancerade resurserna som finns tillgängliga idag. |
| Antalet dolda lager och antalet perceptroner i varje lager beror helt på användningsfallet du försöker lösa. |
Nu när du har en bild av Deep Neural Networks, kan vi gå vidare i denna Deep Learning Tutorial för att få en hög bild av hur Deep Neural Networks löser ett problem med bildigenkänning.
Deep Learning Use - Fall
Vi vill utföra bildigenkänning med hjälp av Deep Networks:
| Här skickar vi högdimensionella data till inmatningsskiktet. För att matcha dimensionen hos indata, kommer ingångsskiktet att innehålla flera underlag av perceptroner så att det kan konsumera hela ingången. |
| Utgången som tas emot från inmatningsskiktet innehåller mönster och kommer bara att kunna identifiera kanterna på bilderna baserat på kontrastnivåerna. |
| Denna utmatning matas till det dolda lagret 1 där det kommer att kunna identifiera olika ansiktsfunktioner som ögon, näsa, öron etc. |
| Nu matas detta till det dolda lagret 2 där det kommer att kunna bilda hela ansikten. Därefter skickas utgången från lager 2 till utgångsskiktet. |
| Slutligen utför utgångsskiktet klassificering baserat på resultatet från det föregående och förutsäger namnet. |
Låt mig ställa dig en fråga, vad kommer att hända om något av dessa lager saknas eller det neurala nätverket inte är tillräckligt djupt? Enkelt, vi kommer inte att kunna identifiera bilderna korrekt. Det är just anledningen till att dessa användningsfall inte hade en lösning alla dessa år före Deep Learning. Bara för att ta detta vidare kommer vi att försöka tillämpa djupa nätverk på en MNIST-datauppsättning.
Mnist-datauppsättningen består av 60 000 träningsprover och 10 000 testprover av handskrivna siffror. Uppgiften här är att träna en modell som exakt kan identifiera siffran som finns på bilden.
- För att lösa detta användningsfall skapas ett djupt nätverk med flera dolda lager för att bearbeta alla 60 000 bilder pixel för pixel och slutligen får vi ett utgående lager.
- Utgångsskiktet kommer att vara en matris med index 0 till 9, där varje index motsvarar respektive siffra. Index 0 innehåller sannolikheten för att 0 är den siffra som finns på inmatningsbilden.
På liknande sätt representerar index 2 som har ett värde på 0,1 faktiskt sannolikheten för att 2 är den siffra som finns på inmatningsbilden. Så om vi ser att den högsta sannolikheten i denna matris är 0,8 som finns i index 7 i matrisen. Därför är antalet som finns på bilden 7.
Slutsats
Så killar, det här handlade om djup inlärning i ett nötskal. I denna handledning om djupinlärning såg vi olika tillämpningar av djupinlärning och förstod dess förhållande till AI och maskininlärning. Sedan förstod vi hur vi kan använda perceptron eller en konstgjord neuron grundläggande byggstenar för att skapa djupa neurala nätverk som kan utföra komplexa uppgifter såsom. Äntligen gick vi igenom ett av användningsfallen för djupinlärning där vi utförde bildigenkänning med hjälp av djupa neurala nätverk och förstod alla steg som händer bakom scenen. Nu, i nästa blogg i denna Deep Learning Tutorial-serie, lär vi oss hur man implementerar en perceptron med TensorFlow, som är ett Python-baserat bibliotek för Deep Learning.
Nu när du känner till Deep Learning, kolla in av Edureka, ett pålitligt online-lärande företag med ett nätverk av mer än 250 000 nöjda elever spridda över hela världen. Edureka Deep Learning with TensorFlow Certification Training-kursen hjälper eleverna att bli experter på utbildning och optimering av grundläggande och konvolutionsneurala nätverk med hjälp av realtidsprojekt och uppdrag tillsammans med koncept som SoftMax-funktion, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
Har du en fråga till oss? Vänligen nämna det i kommentarfältet så återkommer vi till dig.