Co to jest głębokie uczenie się?

Uczenie głębokie jest szczególnym podzbiorem nauczanie maszynowe (mechanika sztucznej inteligencji). Chociaż ta dziedzina programowania może stać się bardzo złożona, zaczęła się od bardzo prostego pytania: „Jeśli chcemy, aby system komputerowy działał inteligentnie, dlaczego nie zamodelujemy go na wzór ludzkiego mózgu?”

Ta myśl zaowocowała w ubiegłych dziesięcioleciach wieloma wysiłkami mającymi na celu stworzenie algorytmów naśladujących sposób działania ludzkiego mózgu i mogących rozwiązywać problemy w taki sam sposób, w jaki robią to ludzie. Wysiłki te zaowocowały cennymi, coraz bardziej kompetentnymi narzędziami analitycznymi, które są wykorzystywane w wielu różnych dziedzinach.

Sieć neuronowa i sposób jej wykorzystania

Głęboka nauka swoją nazwę bierze od sposobu, w jaki jest używany do analizowania danych „nieustrukturyzowanych” lub danych, które nie zostały wcześniej oznaczone przez inne źródło i mogą wymagać definicji. Wymaga to dokładnej analizy danych i wielokrotnych testów, aby wyciągnąć ostateczne, użyteczne wnioski. Komputery nie są tradycyjnie dobre w analizowaniu takich nieustrukturyzowanych danych.

Pomyśl o tym w kontekście pisania: jeśli dziesięć osób napisze to samo słowo, będzie ono wyglądać zupełnie inaczej w przypadku każdej osoby, od niechlujnego do schludnego i od kursywy do druku. Ludzki mózg nie ma problemu ze zrozumieniem, że to wszystko to samo słowo, ponieważ wie, jak działają słowa, pismo, papier, atrament i osobiste dziwactwa. Jednak normalny system komputerowy nie miałby możliwości sprawdzenia, czy te słowa są takie same, ponieważ wszystkie wyglądają zupełnie inaczej.

To prowadzi nas do via sieci neuronowe, algorytmy stworzone specjalnie w celu naśladowania sposobu, w jaki neurony w mózgu oddziałują na siebie. Sieci neuronowe próbują analizować dane w sposób, w jaki potrafi to umysł: ich celem jest radzenie sobie z nieuporządkowanymi danymi – takimi jak pismo – i wyciąganie przydatnych wniosków, takich jak słowa, które pismo próbuje pokazać. Najłatwiej to zrozumieć sieci neuronowe jeśli podzielimy je na trzy ważne części:

Warstwa wejściowa: W warstwie wejściowej sieć neuronowa absorbuje wszystkie niesklasyfikowane dane, które otrzymuje. Oznacza to rozbicie informacji na liczby i przekształcenie ich w fragmenty danych typu „tak” lub „nie”, czyli „neurony”. Jeśli chcesz nauczyć sieć neuronową rozpoznawania słów, warstwa wejściowa będzie miała charakter matematyczny zdefiniowanie kształtu każdej litery i rozbicie jej na język cyfrowy, aby umożliwić uruchomienie sieci pracujący. Warstwa wejściowa może być dość prosta lub niezwykle złożona, w zależności od tego, jak łatwo jest przedstawić coś matematycznie.

Ukryte warstwy: W centrum sieci neuronowej znajdują się ukryte warstwy — od jednej do wielu. Warstwy te składają się z własnych neuronów cyfrowych, których zadaniem jest aktywacja lub brak aktywacji w zależności od warstwy neuronów, która je poprzedza. Pojedynczy neuron to podstawowe „jeśli to, to tamto”.“ model, ale warstwy składają się z długich łańcuchów neuronów i wiele różnych warstw może na siebie oddziaływać, tworząc bardzo złożone wyniki. Celem jest umożliwienie sieci neuronowej rozpoznania wielu różnych cech i połączenia ich w jedną realizację, niczym dziecko uczenie się rozpoznawania każdej litery, a następnie łączenia ich w całość, aby rozpoznać całe słowo, nawet jeśli jest ono napisane trochę niechlujny.

W warstwach ukrytych odbywa się także wiele szkoleń z zakresu głębokiego uczenia się. Na przykład, jeśli algorytmowi nie udało się dokładnie rozpoznać słowa, programiści odsyłają: „Przepraszamy, to nie jest poprawne”, a algorytm dostosowywał sposób ważenia danych, aż znalazł właściwe odpowiedzi. Powtarzanie tego procesu (programiści mogą również ręcznie dostosowywać wagi) umożliwia sieci neuronowej budowanie solidnych warstw ukrytych, które są biegli w poszukiwaniu właściwych odpowiedzi metodą prób i błędów oraz odrobiną zewnętrznych instrukcji – znowu podobnie jak ludzki mózg Pracuje. Jak pokazuje powyższy obrazek, ukryte warstwy mogą stać się bardzo złożone!

Warstwa wyjściowa: Warstwa wyjściowa ma stosunkowo niewiele „neuronów”, ponieważ to w niej podejmowane są ostateczne decyzje. Tutaj sieć neuronowa przeprowadza ostateczną analizę, ustala definicje danych i wyciąga zaprogramowane wnioski na podstawie tych definicji. Na przykład: „Wystarczająca ilość linii danych, aby stwierdzić, że to słowo jest jezioro, nie uliczka.” Ostatecznie wszystkie dane przechodzące przez sieć są zawężane do konkretnych neuronów w warstwie wyjściowej. Ponieważ to tutaj realizowane są cele, często jest to jedna z pierwszych części tworzonej sieci.

Aplikacje

Jeśli korzystasz z nowoczesnej technologii, istnieje duże prawdopodobieństwo, że algorytmy głębokiego uczenia działają wokół Ciebie, każdego dnia. Jak myślisz Aleksa Lub Asystent Google rozumiesz polecenia głosowe? Korzystają z sieci neuronowych zbudowanych w celu rozumienia mowy. Skąd Google wie, czego szukasz, zanim skończysz pisać? Więcej głębokiej nauki w pracy. W jaki sposób kamera bezpieczeństwa ignoruje zwierzęta, ale rozpoznaje ruch człowieka? Po raz kolejny głęboka nauka.

Za każdym razem, gdy oprogramowanie rozpoznaje dane wejściowe człowieka, np rozpoznawanie twarzy dla asystentów głosowych głębokie uczenie się prawdopodobnie działa gdzieś pod spodem. Jednak dziedzina ta ma również wiele innych przydatnych zastosowań. Medycyna jest szczególnie obiecującą dziedziną, w której zaawansowane głębokie uczenie się wykorzystuje się do analizy DNA pod kątem wad lub związków molekularnych pod kątem potencjalnych korzyści zdrowotnych. W kontekście bardziej fizycznym w coraz większej liczbie maszyn i pojazdów wykorzystuje się głębokie uczenie się, aby przewidzieć, kiedy sprzęt będzie wymagał konserwacji, zanim coś pójdzie poważnie.

Przyszłość głębokiego uczenia się

Przyszłość głębokiego uczenia się jest szczególnie jasna! Wspaniałą cechą sieci neuronowej jest to, że doskonale radzi sobie z ogromną ilością różnych danych (pomyśl o wszystkim, z czym nasz mózg musi sobie radzić przez cały czas). Jest to szczególnie istotne w epoce zaawansowanych inteligentnych czujników, które mogą gromadzić niesamowitą ilość informacji. Tradycyjne rozwiązania komputerowe zaczynają mieć problemy z sortowaniem, etykietowaniem i wyciąganiem wniosków z tak dużej ilości danych.

Z drugiej strony głębokie uczenie się może poradzić sobie z cyfrowymi górami danych, które gromadzimy. W rzeczywistości im większa ilość danych, tym skuteczniejsze staje się głębokie uczenie się w porównaniu z innymi metodami analizy. Dlatego organizacje takie jak Google inwestuj tak dużo w algorytmy głębokiego uczenia sięi dlaczego w przyszłości prawdopodobnie staną się one bardziej powszechne.

I oczywiście roboty. Nigdy nie zapominajmy o robotach.

Zalecenia redaktorów

• Głębokie uczenie się AI pomaga archeologom w tłumaczeniu starożytnych tabliczek
• Głębokie uczenie się może imitować efekty zniekształceń kultowych bogów gitary
• Czytająca w myślach sztuczna inteligencja analizuje fale mózgowe, aby odgadnąć, jaki film oglądasz
• Ta aplikacja oparta na sztucznej inteligencji potrafi wykryć raka skóry z 95-procentową dokładnością
• sztuczna inteligencja badacze tworzą system rozpoznawania twarzy dla szympansów