Vad är Deep Learning? Komma igång med Deep Learning

Vad är Deep Learning?

I den här bloggen kommer jag att prata om vad som är Djup lärning vilket är ett hett liv nuförtiden och har lagt ner sina rötter i ett stort antal branscher som investerar i områden som artificiell intelligens, Big Data och Analytics. Google använder till exempel djup inlärning i sina röst- och bildigenkänningsalgoritmer medan Netflix och Amazon använder det för att förstå deras kunders beteende. Faktum är att du inte kommer att tro det, men forskare vid MIT försöker förutsäga framtiden med hjälp av djupinlärning.Föreställ dig nu hur mycket potential djupt lärande har för att revolutionera världen och hur företagen kommer att leta efter .Innan man talar om djupinlärning måste man förstå dess förhållande till maskininlärning och artificiell intelligens. Det enklaste sättet att förstå detta förhållande är genom att gå igenom diagrammet nedan:

fikon: Vad är Deep Learning - AI-teknikens tidslinje

Här på bilden kan du se att maskininlärningen är en delmängd av AI. Detta innebär för det faktum att vi kan bygga intelligenta maskiner som kan lära sig baserat på tillhandahållen datamängd på egen hand. Vidare kommer du att märka att Deep Learning är en delmängd av Machine Learning där liknande maskininlärningsalgoritmer används för att träna Deep Neural Networks för att uppnå bättre noggrannhet i de fall där former inte presterade upp till märket. FoLOWING är de ämnen som jag ska diskutera i den här djupa inlärningshandledningen:

• Artificiell intelligens
• Maskininlärning
• Nackdelar med ML
• Vad är Deep Learning?
• Deep Learning Application

Bli certifierad med industriprojekt och följ snabbt din karriär

Artificiell intelligens

fikon: Vad är Deep Learning - artificiell intelligens

Termen AI myntades 1956 av John McCarthy, som också kallas fader för artificiell intelligens. Tanken bakom AI är ganska enkel men fascinerande, det vill säga att göra intelligenta maskiner som kan fatta beslut på egen hand. Du kanske tänker det som en vetenskaplig fantasi, men med hänsyn till den senaste utvecklingen inom teknik och datorkraft verkar själva idén komma närmare verkligheten dag för dag.

Maskininlärning: Ett steg mot artificiell intelligens

Nu när du känner till AI, låt oss prata kort om maskininlärning och förstå vad det betyder när vi säger att vi programmerar maskiner för att lära oss. Låt oss börja med en mycket känd definition av maskininlärning:

'Ett datorprogram sägs lära av erfarenhet E med avseende på någon uppgift T och något prestandamått P, om dess prestanda på T, mätt med P, förbättras med erfarenhet E.' - Tom Mitchell, Carnegie Mellon University

Så om du vill att ditt program ska förutsäga trafikmönster vid en upptagen korsning (uppgift T) kan du köra det genom en maskininlärningsalgoritm med data om tidigare trafikmönster (erfarenhet E). Nu beror noggrannheten i förutsägelsen (prestationsmått P) på det faktum att programmet har lyckats lära sig av datamängden eller inte (erfarenhet E).

skillnad mellan kock och ansible

I grund och botten kallas maskininlärning som en typ av artificiell intelligens (AI) som ger datorer möjlighet att lära sig utan att programmeras uttryckligen genom att exponera dem för stora mängder data. Kärnprincipen bakom maskininlärning är att lära av datamängder och försöka minimera fel eller maximera sannolikheten för att deras förutsägelser är sanna.

Nackdelar med maskininlärning

• Traditionella ML-algoritmer är inte användbara när vi arbetar med högdimensionella data, det är där vi har ett stort antal in- och utgångar. Till exempel, i händelse av handskriftsigenkänning har vi stor mängd inmatningar där vi kommer att ha olika typer av ingångar associerade med olika typer av handskrifter.

• Den andra stora utmaningen är att berätta för datorn vilka funktioner den ska leta efter som kommer att spela en viktig roll för att förutsäga resultatet samt att uppnå bättre noggrannhet samtidigt. Denna process kallas särdragsextraktion .

Att mata rådata till algoritmen fungerar sällan och det är anledningen till att funktionsextraktion är en viktig del av det traditionella arbetsflödet för maskininlärning. Utan extrahering av funktioner ökar därför utmaningen för programmeraren eftersom algoritmens effektivitet beror mycket på hur insiktsfull programmeraren är. Det är därför mycket svårt att tillämpa dessa maskininlärningsmodeller eller algoritmer på komplexa problem som objektigenkänning, handskriftsigenkänning, NLP (Natural Language Processing), etc.

Djup lärning

Djupinlärning är en av de enda metoderna med vilka vi kan övervinna utmaningarna med extraktion av funktioner. Detta beror på att modeller för djupinlärning kan lära sig att fokusera på rätt funktioner i sig själva, vilket kräver lite vägledning från programmeraren. I grund och botten efterliknar djupt lärande hur vår hjärna fungerar, det vill säga den lär sig av erfarenhet. Som du vet består vår hjärna av miljarder nervceller som låter oss göra fantastiska saker. Till och med hjärnan hos ett år gammalt barn kan lösa komplexa problem som är mycket svåra att lösa även med superdatorer. Till exempel:

• Känna igen deras föräldrars ansikte och olika föremål också.
• Diskriminera olika röster och kan till och med känna igen en viss person baserat på hans / hennes röst.
• Dra slutsats från andra persons ansiktsgester och många fler.

Egentligen har vår hjärna medvetet tränat sig att göra sådana saker genom åren. Nu kommer frågan, hur djupinlärning efterliknar hjärnans funktionalitet? Tja, djupt lärande använder begreppet artificiella neuroner som fungerar på ett liknande sätt som de biologiska nervceller som finns i vår hjärna. Därför kan vi säga att Deep Learning är ett delfält av maskin inlärning sysslar med algoritmer inspirerade av hjärnans struktur och funktion som kallas artificiella neurala nätverk.

Låt oss nu ta ett exempel för att förstå det. Antag att vi vill skapa ett system som kan känna igen olika personers ansikten i en bild.Om vi ​​löser detta som ett typiskt maskininlärningsproblem kommer vi att definiera ansiktsdrag som ögon, näsa, öron etc. och sedan identifierar systemet vilka funktioner som är viktigare för vilken person ensam.

Nu tar djupinlärning detta ett steg framåt. Djupinlärning hittar automatiskt de funktioner som är viktiga för klassificering på grund av djupa neurala nätverk, medan vi vid maskininlärning var tvungna att definiera dessa funktioner manuellt.

fikon: Ansiktsigenkänning med Deep Networks

Som visas i bilden ovan fungerar Deep Learning enligt följande:

• På den lägsta nivån är nätverksfixeringar av mönster med lokal kontrast lika viktigt.
• Följande lager kan sedan använda dessa mönster av lokal kontrast för att fixera på saker som liknar ögon, näsor och munnar
• Slutligen kan det övre lagret applicera dessa ansiktsdrag på ansiktsmallar.
• Ett djupt neurala nätverk kan komponera mer och mer komplexa funktioner i vart och ett av dess successiva lager.

Har du någonsin undrat hur Facebook automatiskt märker eller taggar all person som är närvarande i en bild som du laddar upp? Tja, Facebook använder Deep Learning på ett liknande sätt som anges i exemplet ovan. Nu skulle du ha insett förmågan hos Deep Learning och hur det kan överträffa maskininlärning i de fall där vi har väldigt lite idé om alla funktioner som kan påverka resultatet. Därför kan djupt nätverk övervinna nackdelen med maskininlärning genom att dra slutsatser från datamängden bestående av indata utan korrekt märkning.

Vad är Deep Learning | Förenklad Deep Learning | Edureka

Tillämpningar av Deep Learning

Låt oss titta på några av de verkliga applikationerna för Deep Learning för att förstå dess verkliga krafter.

• Taligenkänning

Alla ni skulle ha hört talas om Siri, som är Apples röststyrda intelligenta assistent. Liksom andra stora jättar har Apple också börjat investera på Deep Learning för att göra sina tjänster bättre än någonsin.

Inom taligenkänning och röststyrd intelligent assistent som Siri kan man utveckla mer exakt akustisk modell med ett djupt neurala nätverk och är för närvarande ett av de mest aktiva områdena för implementering av djupt lärande. Med enkla ord kan du bygga ett sådant system som kan lära sig nya funktioner eller anpassa sig efter dig och därför ge bättre hjälp genom att förutsäga alla möjligheter i förväg.

• Automatisk maskinöversättning

Vi vet alla att Google omedelbart kan översätta mellan 100 olika mänskliga språk, alltför mycket snabbt som av magi. Tekniken bakom Google översätt kallas Maskinöversättning och har varit frälsare för människor som inte kan kommunicera med varandra på grund av skillnaden i talande språk. Nu skulle du tänka att den här funktionen har funnits länge, så vad är nytt i det här? Låt mig berätta att Google under de senaste två åren, med hjälp av djupinlärning, helt har reformerat metoden för maskinöversättning i sin Google Translate. I själva verket lägger forskare på djupinlärning som nästan ingenting vet om språköversättning relativt enkla maskininlärningslösningar som slår de bästa expertbyggda språköversättningssystemen i världen. Textöversättning kan utföras utan någon förbehandling av sekvensen, vilket gör att algoritmen kan lära sig beroenden mellan ord och deras mappning till ett nytt språk. Staplade nätverk av stora återkommande neurala nätverk används för att utföra denna översättning.

• Omedelbar visuell översättning

Som ni vet används djupinlärning för att identifiera bilder som har bokstäver och var bokstäverna finns på scenen. När de väl har identifierats kan de förvandlas till text, översättas och bilden återskapas med den översatta texten. Detta kallas ofta omedelbar visuell översättning .

Föreställ dig nu en situation där du har besökt något annat land vars modersmål inte är känt för dig. Tja, ingen anledning att oroa dig, med hjälp av olika appar som Google Translate kan du fortsätta och utföra visuella översättningar direkt för att läsa skyltar eller butikstavlor skrivna på ett annat språk. Detta har varit möjligt endast på grund av Deep Learning.

Notera: Du kan fortsätta ladda ner Google Translate-appen och kolla in den fantastiska ögonblickliga visuella översättningen med bilden ovan.

• Beteende: Automatiserade självdrivna bilar

Google försöker ta sitt självkörande bilinitiativ, känt som WAYMO, till en helt ny nivå av perfektion med hjälp av Deep Learning. Istället för att använda gamla handkodade algoritmer kan de nu programmera system som kan lära sig själva med hjälp av data från olika sensorer. Djupinlärning är nu det bästa tillvägagångssättet för de flesta uppfattningsuppgifter, liksom för många lågnivåkontrolluppgifter. Nu kan även personer som inte vet att köra bil eller är funktionshindrade gå vidare och ta turen utan att vara beroende av någon annan.

Här har jag bara nämnt några kända användningsfall i verkligheten där Deep Learning används i stor utsträckning och visar lovande resultat. Det finns många andra tillämpningar av djupinlärning tillsammans med många områden som ännu inte har undersökts.

Så detta handlar om djup inlärning i ett nötskal. Jag är säker på att du nu skulle ha insett skillnaden mellan maskininlärning och djupt lärande samt hur djupt lärande kan vara mycket användbart för olika verkliga applikationer. Nu, i min nästa blogg i denna handledning om djupinlärning, kommer vi att dyka djupt in i olika koncept och algoritmer Deep Learning tillsammans med deras tillämpning i detalj.

Nu när du känner till Deep Learning, kolla in av Edureka, ett pålitligt inlärningsföretag online 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 expert på utbildning och optimering av grundläggande och konvolutionsneurala nätverk med hjälp av realtidsprojekt och uppdrag tillsammans med begrepp 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.