딥러닝이란 무엇인가요?

딥러닝은 특정 하위 집합입니다. 기계 학습 (인공지능의 역학). 이 프로그래밍 분야는 매우 복잡해질 수 있지만 "컴퓨터 시스템이 지능적으로 작동하도록 하려면 인간의 두뇌를 본떠 모델링하는 것이 어떨까요?"라는 매우 간단한 질문에서 시작되었습니다.

그 하나의 생각은 지난 수십 년 동안 인간의 두뇌가 작동하는 방식을 모방하고 인간이 했던 방식으로 문제를 해결할 수 있는 알고리즘을 만들기 위한 많은 노력을 불러일으켰습니다. 이러한 노력을 통해 다양한 분야에서 사용되는 가치 있고 점점 더 유능한 분석 도구가 탄생했습니다.

신경망과 그것이 사용되는 방법

딥러닝 "구조화되지 않은" 데이터 또는 이전에 다른 소스에서 레이블을 지정하지 않았으며 정의가 필요할 수 있는 데이터를 분석하는 데 사용되는 방법에서 이름을 얻었습니다. 이를 위해서는 데이터가 무엇인지 주의 깊게 분석하고 해당 데이터를 반복적으로 테스트하여 최종적이고 유용한 결론을 도출해야 합니다. 컴퓨터는 전통적으로 이와 같은 비정형 데이터를 분석하는 데 능숙하지 않습니다.

글쓰기 측면에서 생각해 보세요. 10명의 사람이 같은 단어를 쓴다면 그 단어는 엉성한 것에서 깔끔한 것, 필기체에서 활자체에 이르기까지 각 사람마다 매우 다르게 보일 것입니다. 인간의 두뇌는 단어, 글쓰기, 종이, 잉크 및 개인적인 특성이 모두 어떻게 작동하는지 알고 있기 때문에 그것이 모두 같은 단어라는 것을 이해하는 데 아무런 문제가 없습니다. 그러나 일반적인 컴퓨터 시스템에서는 그 단어들이 모두 다르게 보이기 때문에 동일한 단어인지 알 수 없습니다.

그것은 우리를 통해 신경망, 뇌의 뉴런이 상호 작용하는 방식을 모방하기 위해 특별히 만들어진 알고리즘입니다. 신경망은 마음이 할 수 있는 방식으로 데이터를 구문 분석하려고 시도합니다. 신경망의 목표는 쓰기와 같은 지저분한 데이터를 처리하고 쓰기가 보여주려고 하는 단어와 같은 유용한 결론을 도출하는 것입니다. 가장 이해하기 쉽죠

입력 레이어: 입력 레이어에서 신경망은 주어진 분류되지 않은 데이터를 모두 흡수합니다. 이는 정보를 숫자로 분해하여 이를 예 또는 아니요 데이터 비트, 즉 "뉴런"으로 바꾸는 것을 의미합니다. 단어를 인식하도록 신경망을 가르치고 싶다면 입력 레이어는 수학적으로 다음과 같습니다. 각 문자의 모양을 정의하고 네트워크가 시작할 수 있도록 디지털 언어로 분해합니다. 일하고 있는. 입력 레이어는 수학적으로 표현하는 것이 얼마나 쉬운지에 따라 매우 간단할 수도 있고 엄청나게 복잡할 수도 있습니다.

숨겨진 레이어: 신경망의 중심에는 하나부터 여러 개까지 숨겨진 레이어가 있습니다. 이러한 레이어는 자체 디지털 뉴런으로 구성되며, 이전 뉴런 레이어에 따라 활성화되거나 활성화되지 않도록 설계됩니다. 단일 뉴런은 기본 “이것이면 저것은“ 모델이지만 레이어는 뉴런의 긴 사슬로 구성되어 있으며 다양한 레이어가 서로 영향을 미쳐 매우 복잡한 결과를 생성할 수 있습니다. 목표는 신경망이 다양한 특징을 인식하고 이를 마치 어린이처럼 하나의 실현으로 결합할 수 있도록 하는 것입니다. 각 문자를 인식하는 방법을 학습한 다음 이를 함께 구성하여 해당 단어가 약간 쓰여 있어도 전체 단어를 인식합니다. 묽고 싱거운.

히든 레이어는 딥러닝 훈련이 많이 진행되는 곳이기도 합니다. 예를 들어, 알고리즘이 단어를 정확하게 인식하지 못한 경우 프로그래머는 "죄송합니다. 그건 정확하지 않습니다.” 그러면 알고리즘은 올바른 데이터를 찾을 때까지 데이터의 가중치를 조정합니다. 답변. 이 프로세스를 반복하면(프로그래머는 가중치를 수동으로 조정할 수도 있음) 신경망이 강력한 숨겨진 레이어를 구축할 수 있습니다. 많은 시행착오와 일부 외부 교육을 통해 올바른 답을 찾는 데 능숙합니다. 다시 말하지만 인간의 두뇌가 공장. 위 이미지에서 볼 수 있듯이 숨겨진 레이어는 매우 복잡해질 수 있습니다!

출력 레이어: 출력 레이어에는 최종 결정이 내려지기 때문에 "뉴런"이 상대적으로 적습니다. 여기서 신경망은 최종 분석을 적용하고, 데이터에 대한 정의를 정하고, 해당 정의를 기반으로 프로그래밍된 결론을 도출합니다. 예를 들어, “이 단어가 다음과 같다고 말할 만큼 데이터 줄이 충분합니다. 호수, 아니다 레인.” 궁극적으로 네트워크를 통과하는 모든 데이터는 출력 레이어의 특정 뉴런으로 범위가 좁아집니다. 여기가 목표가 실현되는 곳이기 때문에 생성된 네트워크의 첫 번째 부분 중 하나인 경우가 많습니다.

응용

현대 기술을 사용한다면 딥 러닝 알고리즘이 매일 여러분 주변에서 작동할 가능성이 높습니다. 당신은 어떻게 생각하십니까 알렉사 또는 구글 어시스턴트 음성 명령을 이해하시나요? 그들은 음성을 이해하기 위해 구축된 신경망을 사용합니다. 입력을 완료하기 전에 Google은 사용자가 검색하는 내용을 어떻게 알 수 있나요? 직장에서 더 깊은 학습을 해보세요. 보안 카메라는 어떻게 애완동물은 무시하지만 사람의 움직임은 인식합니까? 다시 한 번 심화학습을 해보세요.

소프트웨어가 사람의 입력을 인식할 때마다 얼굴 인식 음성 비서에게 딥 러닝은 아마도 그 밑바닥 어딘가에서 작동하고 있을 것입니다. 그러나 이 분야에는 다른 유용한 응용 분야도 많이 있습니다. 의학은 특히 유망한 분야로, 고급 딥 러닝을 사용하여 DNA의 결함이나 분자 화합물을 분석하여 잠재적인 건강상의 이점을 찾아냅니다. 보다 물리적인 측면에서 딥 러닝은 점점 더 많은 기계와 차량에서 심각한 문제가 발생하기 전에 장비에 유지 관리가 필요한 시기를 예측하는 데 사용됩니다.

딥러닝의 미래

딥러닝의 미래는 특히 밝습니다! 신경망의 가장 큰 장점은 방대한 양의 서로 다른 데이터를 처리하는 데 탁월하다는 것입니다(우리 두뇌가 항상 처리해야 하는 모든 것을 생각해 보세요). 이는 엄청난 양의 정보를 수집할 수 있는 고급 스마트 센서 시대에 특히 관련이 있습니다. 기존 컴퓨터 솔루션은 너무 많은 데이터를 분류하고, 라벨을 지정하고, 결론을 도출하는 데 어려움을 겪기 시작했습니다.

반면에 딥 러닝은 우리가 수집하고 있는 디지털 산더미 같은 데이터를 처리할 수 있습니다. 실제로, 데이터의 양이 많을수록 다른 분석 방법에 비해 딥러닝의 효율성이 높아집니다. 이것이 바로 Google과 같은 조직이 딥러닝 알고리즘에 너무 많은 투자를 하세요, 그리고 왜 미래에 더 흔해질 가능성이 있는지.

그리고 물론, 로봇도요. 로봇을 결코 잊지 말자.

편집자의 추천

• 딥러닝 AI 고고학자들이 고대 명판을 번역하는 것을 돕고 있습니다.
• 딥러닝 AI 상징적인 기타 신들의 디스토션 효과를 모방할 수 있습니다.
• 마음을 읽는 AI 당신의 뇌파를 분석하여 당신이 어떤 비디오를 보고 있는지 추측합니다
• 이 AI 기반 앱은 95% 정확도로 피부암을 발견할 수 있습니다.
• 일체 포함. 연구자들이 침팬지의 얼굴 인식 시스템을 개발하다