Što je duboko učenje?

Duboko učenje poseban je podskup strojno učenje (mehanika umjetne inteligencije). Iako ova grana programiranja može postati vrlo složena, započela je vrlo jednostavnim pitanjem: "Ako želimo da računalni sustav djeluje inteligentno, zašto ga ne bismo modelirali prema ljudskom mozgu?"

Ta je jedna misao potaknula mnoge napore u prošlim desetljećima da se stvore algoritmi koji oponašaju način na koji ljudski mozak radi - i koji bi mogli riješiti probleme na način na koji su ljudi to radili. Ti su napori urodili vrijednim, sve kompetentnijim alatima za analizu koji se koriste u mnogim različitim područjima.

Preporučeni videozapisi

Neuronska mreža i kako se koristi

Grafikon neuronske mreže
putem Wikipedije

Duboko učenje dobiva svoje ime prema tome kako se koristi za analizu "nestrukturiranih" podataka ili podataka koji nisu prethodno označeni drugim izvorom i možda treba definiciju. To zahtijeva pažljivu analizu podataka i ponovljene testove tih podataka kako bi se došlo do konačnog, upotrebljivog zaključka. Računala tradicionalno nisu dobra u analizi ovakvih nestrukturiranih podataka.

Povezano

  • A.I. alat za prevođenje baca svjetlo na tajni jezik miševa
  • Novo 'sumnjivo' istraživanje s MIT-a koristi sjene kako bi vidjelo što kamere ne mogu
  • Umjetna inteligencija sada može identificirati pticu samo gledajući fotografiju

Razmislite o tome u smislu pisanja: kad biste deset ljudi napisali istu riječ, ta bi riječ izgledala vrlo različito od svake osobe, od neuredne do uredne, od kurzivne do tiskane. Ljudski mozak nema problema s razumijevanjem da je sve to ista riječ, jer zna kako funkcioniraju riječi, pisanje, papir, tinta i osobne hirove. Međutim, normalan računalni sustav ne bi mogao znati da su te riječi iste, jer sve izgledaju tako različito.

To nas dovodi do via neuronske mreže, algoritmi posebno stvoreni da oponašaju način na koji neuroni u mozgu međusobno djeluju. Neuronske mreže pokušavaju raščlaniti podatke na način na koji um može: njihov cilj je nositi se s neurednim podacima - poput pisma - i izvući korisne zaključke, poput riječi koje pisanje pokušava prikazati. Najlakše je razumjeti neuronske mreže ako ih podijelimo u tri važna dijela:

Ulazni sloj: Na ulaznom sloju, neuronska mreža apsorbira sve neklasificirane podatke koji su joj dati. To znači raščlanjivanje informacija na brojeve i njihovo pretvaranje u dijelove podataka s da ili ne, ili "neurone". Ako želite naučiti neuronsku mrežu da prepoznaje riječi, tada bi ulazni sloj bio matematički definirajući oblik svakog slova, rastavljajući ga u digitalni jezik kako bi mreža mogla pokrenuti radeći. Ulazni sloj može biti prilično jednostavan ili nevjerojatno složen, ovisno o tome koliko je lako nešto matematički predstaviti.

Složena neuronska mreža

Skriveni slojevi: U središtu neuronske mreže nalaze se skriveni slojevi—od jednog do više. Ti su slojevi napravljeni od vlastitih digitalnih neurona, koji su dizajnirani da se aktiviraju ili ne aktiviraju na temelju sloja neurona koji im prethodi. Jedan neuron je osnovni "ako ovo, onda ono". model, ali slojevi se sastoje od dugih lanaca neurona, a mnogi različiti slojevi mogu utjecati jedni na druge, stvarajući vrlo složene rezultate. Cilj je dopustiti neuronskoj mreži da prepozna mnogo različitih značajki i kombinira ih u jednu spoznaju, poput djeteta naučiti prepoznati svako slovo i zatim ih sastaviti kako bi prepoznali punu riječ, čak i ako je ta riječ malo napisana neuredan.

Skriveni slojevi također su mjesto gdje se odvija mnogo treninga dubokog učenja. Na primjer, ako algoritam nije uspio točno prepoznati riječ, programeri šalju natrag, "Oprostite, to nije točno", a algoritam bi prilagodio način na koji vaga podatke dok ne pronađe prave odgovori. Ponavljanje ovog procesa (programeri također mogu ručno prilagoditi težine) omogućuje neuronskoj mreži da izgradi robusne skrivene slojeve koji su vješt u traženju pravih odgovora kroz mnogo pokušaja i pogrešaka plus, neke vanjske upute - opet, slično kao ljudski mozak djela. Kao što pokazuje gornja slika, skriveni slojevi mogu postati vrlo složeni!

Izlazni sloj: Izlazni sloj ima relativno malo "neurona" jer se ondje donose konačne odluke. Ovdje neuronska mreža primjenjuje konačnu analizu, utvrđuje definicije podataka i izvlači programirane zaključke na temelju tih definicija. Na primjer, “Dovoljno je podataka da se kaže da je ova riječ jezero, ne traka.” U konačnici svi podaci koji prolaze kroz mrežu sužavaju se na određene neurone u izlaznom sloju. Budući da se ovdje ostvaruju ciljevi, često je to jedan od prvih dijelova mreže.

Prijave

Vojska skeniranja očiju

Ako koristite modernu tehnologiju, velike su šanse da su algoritmi dubokog učenja na djelu posvuda oko vas, svaki dan. Kako misliš Alexa ili Google pomoćnik razumijem vaše glasovne naredbe? Oni koriste neuronske mreže koje su izgrađene za razumijevanje govora. Kako Google zna što tražite prije nego što završite s tipkanjem? Dublje učenje na poslu. Kako vaša sigurnosna kamera ignorira kućne ljubimce, ali prepoznaje ljudsko kretanje? Još jednom duboko učenje.

Kad god taj softver prepozna ljudske unose, od prepoznavanje lica glasovnim pomoćnicima, dubinsko učenje je vjerojatno na djelu negdje ispod. Međutim, polje ima i mnoge druge korisne primjene. Medicina je polje koje posebno obećava, gdje se napredno dubinsko učenje koristi za analizu DNK za nedostatke ili molekularne spojeve za potencijalne zdravstvene dobrobiti. Na fizičkom planu, dubinsko učenje koristi se u sve većem broju strojeva i vozila za predviđanje kada je opremi potrebno održavanje prije nego što nešto ozbiljno pođe po zlu.

Budućnost dubokog učenja

Povijest imena AI

Budućnost dubokog učenja posebno je svijetla! Sjajna stvar u vezi s neuronskom mrežom je to što je izvrsna u radu s ogromnom količinom različitih podataka (zamislite sve s čime se naši mozgovi moraju nositi, cijelo vrijeme). To je posebno važno u našoj eri naprednih pametnih senzora, koji mogu prikupiti nevjerojatnu količinu informacija. Tradicionalna računalna rješenja počinju se boriti s razvrstavanjem, označavanjem i izvođenjem zaključaka iz tolike količine podataka.

Duboko učenje, s druge strane, može se nositi s digitalnim brdima podataka koje prikupljamo. Zapravo, što je veća količina podataka, dubinsko učenje postaje učinkovitije u usporedbi s drugim metodama analize. To je razlog zašto organizacije poput Googlea toliko uložiti u algoritme dubokog učenja, i zašto će vjerojatno postati češći u budućnosti.

I, naravno, roboti. Nikad ne zaboravimo na robote.

Preporuke urednika

  • Duboko učenje A.I. pomaže arheolozima prevesti drevne ploče
  • Duboko učenje A.I. može oponašati efekte distorzije legendarnih bogova gitare
  • Čitanje misli A.I. analizira vaše moždane valove kako bi pogodio koji video gledate
  • Ova aplikacija koju pokreće umjetna inteligencija može uočiti rak kože s 95 posto točnosti
  • A.I. istraživači stvaraju sustav za prepoznavanje lica za čimpanze