ディープラーニングは、次の特定のサブセットです。 機械学習 （人工知能の仕組み）。 このプログラミング分野は非常に複雑になる可能性がありますが、その始まりは非常に単純な質問でした。「コンピュータ システムにインテリジェントに動作させたいなら、人間の脳をモデルにしたらどうでしょうか?」
この 1 つの考えから、人間の脳の働きを模倣し、人間と同じように問題を解決できるアルゴリズムを作成するため、過去数十年間に多くの努力が生まれました。 これらの取り組みにより、価値があり、ますます有能な分析ツールが生み出され、さまざまな分野で使用されています。
おすすめ動画
ニューラル ネットワークとその使用方法
ディープラーニング この名前は、「非構造化」データ、つまり、別のソースによって以前にラベル付けされておらず、定義が必要なデータを分析するためにどのように使用されるかに由来しています。 そのためには、データが何であるかを注意深く分析し、最終的に使用可能な結論に至るまでそのデータを繰り返しテストする必要があります。 コンピューターは伝統的に、このような非構造化データの分析が得意ではありません。
関連している
- A.I. 翻訳ツールがネズミの秘密言語に光を当てる
- MIT による新しい「怪しい」研究では、影を使用してカメラでは確認できないものを確認します
- 人工知能は写真を見るだけで鳥を識別できるようになりました
文章の観点から考えてみましょう。10 人に同じ単語を書かせた場合、その単語は、だらしないものからきちんとしたもの、筆記体から活字体まで、人によって大きく異なって見えるでしょう。 人間の脳は、言葉、文字、紙、インク、個人の癖がすべてどのように機能するかを知っているため、すべてが同じ単語であることを問題なく理解します。 しかし、通常のコンピュータ システムでは、それらの単語はすべてまったく異なって見えるため、それらの単語が同じであることを知る方法はありません。
それは私たちを経由します ニューラルネットワーク、脳内のニューロンが相互作用する方法を模倣するために特別に作成されたアルゴリズム。 ニューラル ネットワークは、脳が行うのと同じ方法でデータを解析しようとします。その目標は、書き込みなどの乱雑なデータを処理し、書き込みが示そうとしている単語など、有用な結論を導き出すことです。 一番わかりやすいですね ニューラルネットワーク それらを 3 つの重要な部分に分けると、次のようになります。
入力層: 入力層では、ニューラル ネットワークは、与えられた未分類のデータをすべて吸収します。 これは、情報を数値に分解し、それらを「はい」または「いいえ」データのビット、つまり「ニューロン」に変換することを意味します。 ニューラル ネットワークに単語を認識するように教えたい場合、入力層は数学的に次のようになります。 各文字の形状を定義し、それをデジタル言語に分解してネットワークを開始できるようにする 働く。 入力層は、何かを数学的に表現することがどれだけ簡単かに応じて、非常に単純になることもあれば、非常に複雑になることもあります。
隠れたレイヤー: ニューラル ネットワークの中心には、1 つから多数までの隠れ層があります。 これらの層は独自のデジタル ニューロンで構成されており、先行するニューロンの層に基づいて活性化または非活性化するように設計されています。 単一のニューロンは基本的な「これなら、あれ」“ モデルですが、層はニューロンの長いチェーンで構成されており、多くの異なる層が相互に影響を及ぼし、非常に複雑な結果を作成する可能性があります。 目標は、ニューラル ネットワークがさまざまな特徴を認識し、それらを組み合わせて 1 つの認識を実現できるようにすることです。 それぞれの文字を認識することを学び、それらを組み合わせて完全な単語を認識します。たとえその単語が少し書かれていたとしても ずさんな。
隠れ層は、多くの深層学習トレーニングが行われる場所でもあります。 たとえば、アルゴリズムが単語を正確に認識できなかった場合、プログラマーは「申し訳ありませんが、 それは正しくありません」と表示され、アルゴリズムは正しい値が見つかるまでデータの重み付け方法を調整します。 と答える。 このプロセスを繰り返すと (プログラマは重みを手動で調整することもできます)、ニューラル ネットワークは、次のような堅牢な隠れ層を構築できます。 多くの試行錯誤と外部からの指示を経て、正しい答えを見つけるのが得意です。これも人間の脳の仕組みとよく似ています。 動作します。 上の画像が示すように、非表示レイヤーは非常に複雑になる可能性があります。
出力層: 出力層は最終的な決定が行われる場所であるため、「ニューロン」の数は比較的少ないです。 ここで、ニューラル ネットワークは最終分析を適用し、データの定義を決定し、それらの定義に基づいてプログラムされた結論を導き出します。 たとえば、「この単語は次のとおりであると言えるのに十分なデータが並んでいます」 湖、 ない レーン」 最終的に、ネットワークを通過するすべてのデータは、出力層の特定のニューロンに絞り込まれます。 これは目標が実現される場所であるため、多くの場合、作成されるネットワークの最初の部分の 1 つとなります。
アプリケーション
最新のテクノロジーを使用している場合、ディープラーニング アルゴリズムが毎日あなたの周りで機能している可能性が高くなります。 あなたはどのように思いますか アレクサ または Googleアシスタント 音声コマンドを理解できましたか? 彼らは音声を理解するために構築されたニューラル ネットワークを使用します。 あなたが入力を終える前に、Google はどのようにしてあなたが検索しているものを知るのでしょうか? 職場でのより深い学習。 あなたの防犯カメラはどのようにしてペットを無視し、人間の動きを認識するのでしょうか? 改めて学びを深めます。
ソフトウェアが人間の入力を認識するときはいつでも、 顔認識 音声アシスタントにとって、深層学習はおそらくその下のどこかで働いているでしょう。 ただし、この分野には他にも多くの有用な用途があります。 医学は特に有望な分野であり、高度な深層学習を使用して DNA の欠陥や分子化合物を分析して潜在的な健康上の利点を調べます。 より物理的な面では、深刻な問題が発生する前に機器のメンテナンスが必要になる時期を予測するために、ますます多くの機械や車両でディープラーニングが使用されています。
ディープラーニングの未来
ディープラーニングの未来は特に明るいです。 ニューラル ネットワークの優れた点は、膨大な量の異種データの処理に優れていることです (私たちの脳が常に処理しなければならないすべてのものについて考えてください)。 これは、信じられないほどの量の情報を収集できる高度なスマート センサーの時代に特に当てはまります。 従来のコンピュータ ソリューションは、大量のデータから分類、ラベル付け、結論を導き出すことに苦労し始めています。
一方、ディープラーニングは、私たちが収集しているデジタルデータの山を処理できます。 実際、データの量が増えるほど、ディープ ラーニングは他の分析方法と比較してより効率的になります。 これが、組織が Google を好む理由です 深層学習アルゴリズムに多額の投資をする、そしてなぜそれらが将来的により一般的になる可能性があるのかを説明します。
そしてもちろんロボットも。 ロボットのことを決して忘れないでください。
編集者のおすすめ
- ディープラーニングAI 考古学者が古代の石板を翻訳するのを手伝っています
- ディープラーニングAI 象徴的なギターの神様のディストーションエフェクトを模倣することができます
- 心を読むAI 脳波を分析して、どのビデオを見ているかを推測します
- この AI を活用したアプリは、95% の精度で皮膚がんを発見できます
- A.I. 研究者らがチンパンジー用の顔認識システムを開発
