Kas yra gilusis mokymasis?

Gilus mokymasis yra tam tikras pogrupis mašininis mokymasis (dirbtinio intelekto mechanika). Nors ši programavimo šaka gali tapti labai sudėtinga, ji prasidėjo nuo labai paprasto klausimo: „Jei norime, kad kompiuterinė sistema veiktų protingai, kodėl mums jos nepamodeliavus pagal žmogaus smegenis?

Ši mintis pastaraisiais dešimtmečiais paskatino daug pastangų sukurti algoritmus, imituojančius žmogaus smegenų darbą, ir kurie galėtų išspręsti problemas taip, kaip tai darė žmonės. Šios pastangos davė vertingų, vis kompetentingesnių analizės įrankių, kurie naudojami daugelyje skirtingų sričių.

Neuroninis tinklas ir kaip jis naudojamas

Gilus mokymasis Pavadinimas gaunamas iš to, kaip jis naudojamas analizuojant „nestruktūrizuotus“ duomenis arba duomenis, kurie anksčiau nebuvo pažymėti kitame šaltinyje ir kuriuos gali reikėti apibrėžti. Tam reikia atidžiai išanalizuoti, kokie yra duomenys, ir pakartotinai atlikti tų duomenų testus, kad būtų galima padaryti galutinę, naudingą išvadą. Kompiuteriai tradiciškai nėra tinkami analizuoti nestruktūrizuotus duomenis, kaip šis.

Pagalvokite apie tai, kalbant apie rašymą: jei dešimt žmonių parašytų tą patį žodį, tas žodis atrodytų labai skirtingai nuo kiekvieno žmogaus: nuo netvarkingo iki tvarkingo, o nuo kreivinio iki spausdinto. Žmogaus smegenims nėra problemų suprasti, kad tai yra tas pats žodis, nes jos žino, kaip veikia žodžiai, raštas, popierius, rašalas ir asmeniniai keistenybės. Tačiau normali kompiuterinė sistema negalėtų žinoti, kad tie žodžiai yra vienodi, nes jie visi atrodo labai skirtingai.

Tai atveda mus į via neuroniniai tinklai, algoritmai, specialiai sukurti siekiant imituoti smegenų neuronų sąveiką. Neuroniniai tinklai bando analizuoti duomenis taip, kaip gali protas: jų tikslas yra susidoroti su netvarkingais duomenimis, pavyzdžiui, raštu, ir padaryti naudingas išvadas, pavyzdžiui, žodžius, kuriuos bandoma parodyti raštu. Tai lengviausia suprasti neuroniniai tinklai jei suskirstysime juos į tris svarbias dalis:

Įvesties sluoksnis: Įvesties lygmenyje neuroninis tinklas sugeria visus jam pateiktus neįslaptintus duomenis. Tai reiškia, kad informaciją reikia suskaidyti į skaičius ir paversti taip arba ne duomenų bitais arba „neuronais“. Jei norėtumėte išmokyti neuroninį tinklą atpažinti žodžius, tada įvesties sluoksnis būtų matematiškai apibrėžiant kiekvienos raidės formą, suskaidant ją į skaitmeninę kalbą, kad tinklas galėtų pradėti veikti dirbantis. Įvesties sluoksnis gali būti gana paprastas arba neįtikėtinai sudėtingas, atsižvelgiant į tai, kaip lengva ką nors pavaizduoti matematiškai.

Paslėpti sluoksniai: Neuroninio tinklo centre yra paslėpti sluoksniai – nuo ​​vieno iki daugelio. Šie sluoksniai yra sudaryti iš savo skaitmeninių neuronų, kurie skirti aktyvuotis arba neaktyvuoti, atsižvelgiant į prieš juos esantį neuronų sluoksnį. Vienas neuronas yra pagrindinis „jei tai, tai anas“ modelį, tačiau sluoksniai yra sudaryti iš ilgų neuronų grandinių, o daugybė skirtingų sluoksnių gali turėti įtakos vienas kitam, sukurdami labai sudėtingus rezultatus. Tikslas yra leisti neuronų tinklui atpažinti daugybę skirtingų savybių ir sujungti jas į vieną realizaciją, kaip vaikas išmokti atpažinti kiekvieną raidę ir suformuoti jas kartu, kad atpažintų visą žodį, net jei tas žodis parašytas šiek tiek apleistas.

Paslėptuose sluoksniuose taip pat vyksta daug gilaus mokymosi mokymo. Pavyzdžiui, jei algoritmui nepavyko tiksliai atpažinti žodžio, programuotojai atsiunčia: „Atsiprašau, tai neteisinga“, o algoritmas koreguotų duomenų svėrimą, kol rastų teisingą atsakymai. Kartodami šį procesą (programuotojai taip pat gali reguliuoti svorius rankiniu būdu), neuroninis tinklas gali sukurti tvirtus paslėptus sluoksnius, kurie yra įgudęs ieškoti teisingų atsakymų per daugybę bandymų ir klaidų, taip pat kai kurių pašalinių nurodymų – vėlgi, panašiai kaip žmogaus smegenys darbai. Kaip parodyta aukščiau pateiktame paveikslėlyje, paslėpti sluoksniai gali tapti labai sudėtingi!

Išvesties sluoksnis: Išvesties sluoksnyje yra palyginti nedaug „neuronų“, nes čia priimami galutiniai sprendimai. Čia neuroninis tinklas taiko galutinę analizę, nustato duomenų apibrėžimus ir, remdamasis tais apibrėžimais, daro užprogramuotas išvadas. Pavyzdžiui, „Pakanka duomenų, kad būtų galima pasakyti, kad šis žodis yra ežeras, ne juosta. Galiausiai visi duomenys, praeinantys per tinklą, susiaurina iki konkrečių neuronų išvesties sluoksnyje. Kadangi čia įgyvendinami tikslai, dažnai tai yra viena iš pirmųjų tinklo dalių.

Programos

Jei naudojate šiuolaikines technologijas, yra didelė tikimybė, kad gilaus mokymosi algoritmai veiks visur aplink jus kiekvieną dieną. Kaip tu manai Alexa arba „Google“ padėjėjas supranti tavo balso komandas? Jie naudoja neuroninius tinklus, sukurtus suprasti kalbą. Kaip „Google“ žino, ko ieškote, prieš baigiant vesti tekstą? Gilesnis mokymasis darbe. Kaip jūsų apsaugos kamera nepaiso naminių gyvūnėlių, bet atpažįsta žmogaus judėjimą? Dar kartą gilinantis mokymasis.

Bet kada, kai ta programinė įranga atpažįsta žmogaus įvestus duomenis, nuo veido atpažinimas balso asistentams, gilus mokymasis tikriausiai veikia kažkur apačioje. Tačiau šioje srityje taip pat yra daug kitų naudingų programų. Medicina yra ypač perspektyvi sritis, kurioje pažangus gilus mokymasis naudojamas analizuojant DNR trūkumus arba molekulinius junginius, siekiant galimos naudos sveikatai. Kalbant apie fizinę sritį, gilus mokymasis naudojamas vis daugiau mašinų ir transporto priemonių, kad būtų galima numatyti, kada įrangą reikės prižiūrėti, kol kas nors rimtai negerai.

Gilaus mokymosi ateitis

Gilaus mokymosi ateitis yra ypač šviesi! Puikus neuroninio tinklo privalumas yra tas, kad jis puikiai tvarko daugybę skirtingų duomenų (galvokite apie viską, su kuo mūsų smegenys nuolat susiduria). Tai ypač aktualu mūsų pažangių išmaniųjų jutiklių, kurie gali surinkti neįtikėtinai daug informacijos, eroje. Tradiciniai kompiuteriniai sprendimai pradeda kovoti su rūšiavimu, ženklinimu ir išvadų darymu iš tiek daug duomenų.

Kita vertus, gilus mokymasis gali susidoroti su mūsų renkamais skaitmeniniais duomenų kalnais. Tiesą sakant, kuo didesnis duomenų kiekis, tuo gilesnis mokymasis tampa efektyvesnis, palyginti su kitais analizės metodais. Štai kodėl tokios organizacijos kaip „Google“. tiek daug investuoti į gilaus mokymosi algoritmus, ir kodėl jie gali tapti dažnesni ateityje.

Ir, žinoma, robotai. Niekada nepamirškime apie robotus.

Redaktorių rekomendacijos

• Giliai besimokantis A.I. padeda archeologams išversti senovines lenteles
• Gilus mokymasis A.I. gali imituoti ikoniškų gitarų dievų iškraipymo efektus
• Minčių skaitymas A.I. analizuoja jūsų smegenų bangas, kad atspėtų, kokį vaizdo įrašą žiūrite
• Ši A.I. varoma programa gali nustatyti odos vėžį 95 procentų tikslumu
• A.I. mokslininkai sukuria šimpanzių veido atpažinimo sistemą