Mida peate teadma tehisintellektide arengust
Deep learning on võimas masinõppe vorm (ML), mis tugineb keerukatele matemaatilistele struktuuridele, mida nimetatakse neuralvõrkudeks, mis kasutavad suures koguses andmeid (infot).
Sügav õppe mõiste
Deep learning on viis, kuidas rakendada ML-i, kasutades mitut kihti neuronite võrgustikke keerukamate andmete tüüpide töötlemiseks. Mõnikord nimetatakse hierarhilist õppimist, sügav õppimine kasutab funktsionaalsete tunnuste (nn esitluste) tundmaõppimiseks ka erinevaid neuronitevõrke ja leiab need toores, märgistamata andmetes (struktureerimata andmetes) suurtes kogustes. Üks süvendatud õppimise läbimurrettest oli programm, mis edukalt valis kassite pilte YouTube'i videote komplektidest.
Sügavale õppimise näited igapäevases elus
Deep learning ei kasutata mitte ainult pildituvastuses, vaid ka keelte tõlkimisel, pettuste tuvastamisel ja ettevõtete poolt oma klientide poolt kogutud andmete analüüsimisel. Näiteks kasutab Netflix sügavat õppimist, et analüüsida oma vaatamisharjumusi ja ennustada, milliseid näiteid ja filme soovite vaadata. Nii Netflix teab, et oma soovitusjärjekorras esitate action-filme ja loodus dokumentaalfilme. Amazon kasutab sügavat õppimist oma hiljutiste ostude ja esemete analüüsimiseks, mille olete hiljuti otsinud, et luua soovitusi uutele riikide muusikaalbumitele, keda te tõenäoliselt huvitab, ja et olete turul paari halli ja kollase tennise jaoks kingad. Kuna sügav õppimine annab rohkem ja rohkem teavet struktureerimata ja töötlemata andmete kohta, saavad ettevõtted paremini prognoosida oma klientide vajadusi, kui teie individuaalne klient saab rohkem isikupärastatud klienditeenindust.
Kunstlikud neuralvõrgud ja sügav õpe
Selleks, et sügavat õpet paremini mõista, vaatame kunstliku neuronivõrgu (ANN) võrdlemist . Sügavale õppimisele, kujutage ette, et meie 15-korruseline büroohoone asub linnaosas, kus on veel viis büroohoone. Tänu mõlemal küljel on kolm ehitist. Meie hoone on hoone A ja jagab tänava sama külge kui ehitisi B ja C. A tänava ääres asuv hoone ehitatakse 1 ja hoone B ümber 2 ja nii edasi. Igal hoonel on erinevad põrandad, erinevad materjalid ja erineva arhitektuuriga stiil. Kuid iga hoone on veel paigutatud eraldi põrandad (kihid) kontorid (sõlmed) - nii et iga hoone on unikaalne ANN.
Kujutlege, et digitaalpakett jõuab hoonele A, mis sisaldab palju erinevaid andmeid erinevatest allikatest, näiteks tekstipõhistest andmetest, videovoogudest, audiovoogudest, telefonikõnestest, raadiolainete ja fotodega, aga see saabub ühelt suurelt murettekitavalt ja ei ole märgistatud ega sorteeritud mingil loogilisel viisil (struktureerimata andmed). Teave saadetakse igast korrusest, et töötada välja alates 1. kuni 15. kuupäevast. Kui informatsiooni tõmbekiirus jõuab 15. korrusele (väljund), saadetakse see hoone 3 esimesele põrandale (sisend) koos hoone A lõpliku töötlemisprotsessiga. Hoone 3 õpib ja sisaldab tulemusi, mis on saadetud hoone A ja siis töötleb informatsioon mõnda põrandat samal viisil. Kui teave jõuab hoone 3 ülemisse korrusse, saadetakse sealt selle hoone tulemustega hoone 1. Hoone 1 õpib ehituse 3 tulemustest ja sisaldab tulemusi enne selle põranda töötlemist. Ehitis 1 edastab teavet ja tulemusi samamoodi C -i ehitamiseks, mis töötleb ja saadab hoonele 2, mis töötleb ja saadab hoonele B.
Iga meie näites ANN (hoone) otsib mittestruktureeritud andmetest erinevat funktsiooni (info koormamine) ja edastab tulemused järgmisele hoonele. Järgmine hoone sisaldab (õpib) eelmist väljundit (tulemusi). Kuna iga ANN (hoone) töötleb andmeid, siis saab selle organiseerida ja märgistada (klassifitseerida) kindla tunnusjoonena, nii et kui andmed jõuavad viimase ANN (hoone) lõpptootele (ülemine korrus), siis see klassifitseeritakse ja märgistatakse (struktureeritud).
Tehisintellekt, masin õppimine ja sügav õpe
Kuidas sünteesõpe sobib tehisintellekti (AI) ja ML üldpilti? Deep learning suurendab ML võimsust ja suurendab ülesannete ulatust, mida AI suudab sooritada. Kuna sügav õpe tugineb neuronitevõrkude kasutamisele ja funktsioonide tuvastamisele andmekogudes, mitte aga lihtsamate ülesannetega spetsiifiliste algoritmide jaoks , saab ta leida ja kasutada üksikasju struktureerimata (toores) andmetest, ilma et oleks vaja, et programmeerija käsitsi seda kõigepealt märgistaks -kasutav ülesanne, mis võib vigu tekitada. Süvendatud õpe aitab arvutites paremini ja paremini kasutada andmeid, et aidata nii ettevõtteid kui ka üksikisikuid.