Что такое глубокое обучение?

Глубокое обучение — это особый подвид машинное обучение (механика искусственного интеллекта). Хотя эта отрасль программирования может стать очень сложной, она началась с очень простого вопроса: «Если мы хотим, чтобы компьютерная система действовала разумно, почему бы нам не смоделировать ее по образцу человеческого мозга?»

Эта мысль породила в последние десятилетия множество усилий по созданию алгоритмов, которые имитировали бы работу человеческого мозга и могли бы решать проблемы так же, как это делают люди. Эти усилия привели к появлению ценных, все более компетентных инструментов анализа, которые используются во многих различных областях.

Нейронная сеть и как она используется

Глубокое обучение получил свое название от того, как он используется для анализа «неструктурированных» данных или данных, которые ранее не были помечены другим источником и могут нуждаться в определении. Это требует тщательного анализа данных и повторных проверок этих данных, чтобы в конечном итоге прийти к окончательному, полезному выводу. Компьютеры традиционно не очень хороши в анализе подобных неструктурированных данных.

Подумайте об этом с точки зрения письма: если бы десять человек написали одно и то же слово, у каждого это слово выглядело бы по-разному: от небрежного до аккуратного и от скорописного до печатного. Человеческий мозг без труда понимает, что это одно и то же слово, потому что он знает, как работают слова, письмо, бумага, чернила и личные причуды. Однако обычная компьютерная система не могла бы узнать, что эти слова одинаковы, потому что все они выглядят по-разному.

Это подводит нас к через нейронные сети, алгоритмы, специально созданные для имитации взаимодействия нейронов мозга. Нейронные сети пытаются анализировать данные так, как это может делать разум: их цель — справиться с беспорядочными данными (например, с письмом) и сделать полезные выводы, например, со словами, которые пытается показать письмо. Это проще всего понять нейронные сети если разбить их на три важные части:

Входной слой: На входном слое нейронная сеть поглощает все несекретные данные, которые ей передаются. Это означает разбиение информации на числа и превращение их в биты данных «да» или «нет», или «нейроны». Если бы вы хотели научить нейронную сеть распознавать слова, то входной слой был бы математически определение формы каждой буквы, преобразование ее в цифровой язык, чтобы сеть могла начать работу работающий. Входной слой может быть довольно простым или невероятно сложным, в зависимости от того, насколько легко представить что-либо математически.

Скрытые слои: В центре нейронной сети находятся скрытые слои — от одного до многих. Эти слои состоят из собственных цифровых нейронов, которые предназначены для активации или неактивации в зависимости от слоя нейронов, который им предшествует. Одиночный нейрон — это базовый принцип «если это, то то».“ модель, но слои состоят из длинных цепочек нейронов, и множество разных слоев могут влиять друг на друга, создавая очень сложные результаты. Цель состоит в том, чтобы позволить нейронной сети распознавать множество различных функций и объединять их в одну реализацию, как это делает ребенок. научиться распознавать каждую букву, а затем складывать их вместе, чтобы распознавать полное слово, даже если это слово написано немного небрежный.

На скрытых слоях также проводится много тренировок по глубокому обучению. Например, если алгоритму не удалось точно распознать слово, программисты отправляют ответ: «Извините, это неправильно», и алгоритм будет корректировать способ взвешивания данных, пока не найдет правильное значение. ответы. Повторение этого процесса (программисты также могут корректировать веса вручную) позволяет нейронной сети создавать надежные скрытые слои, которые умеет находить правильные ответы с помощью множества проб и ошибок, а также внешних указаний — опять же, очень похоже на то, как человеческий мозг работает. Как показано на изображении выше, скрытые слои могут оказаться очень сложными!

Выходной слой: На выходном слое относительно мало «нейронов», поскольку именно здесь принимаются окончательные решения. Здесь нейронная сеть применяет окончательный анализ, определяет определения данных и делает запрограммированные выводы на основе этих определений. Например: «Достаточно строк данных, чтобы сказать, что это слово озеро, нет переулок». В конечном итоге все данные, проходящие через сеть, сужаются до конкретных нейронов выходного слоя. Поскольку именно здесь реализуются цели, зачастую это одна из первых частей создаваемой сети.

Приложения

Если вы используете современные технологии, велика вероятность, что алгоритмы глубокого обучения будут работать повсюду вокруг вас каждый день. Как вы думаете Алекса или Google Ассистент понимать ваши голосовые команды? Они используют нейронные сети, созданные для понимания речи. Как Google узнает, что вы ищете, прежде чем вы закончите печатать? Более глубокое обучение на работе. Как ваша камера наблюдения игнорирует домашних животных, но распознает движение человека? Еще раз углубленное обучение.

Каждый раз, когда это программное обеспечение распознает действия человека, от распознавание лиц Что касается голосовых помощников, то глубокое обучение, вероятно, работает где-то под ним. Однако эта область имеет и множество других полезных применений. Медицина — особенно многообещающая область, где передовое глубокое обучение используется для анализа ДНК на наличие дефектов или молекулярных соединений на предмет потенциальной пользы для здоровья. Что касается физического аспекта, глубокое обучение используется во все большем количестве машин и транспортных средств, чтобы предсказать, когда оборудование нуждается в обслуживании, прежде чем что-то пойдет не так.

Будущее глубокого обучения

Будущее глубокого обучения особенно яркое! Самое замечательное в нейронной сети то, что она превосходно справляется с огромным количеством разрозненных данных (подумайте обо всем, с чем постоянно приходится иметь дело нашему мозгу). Это особенно актуально в нашу эпоху продвинутых интеллектуальных датчиков, которые могут собирать невероятное количество информации. Традиционные компьютерные решения начинают испытывать трудности с сортировкой, маркировкой и выводами из такого большого количества данных.

С другой стороны, глубокое обучение может справиться с горами цифровых данных, которые мы собираем. Фактически, чем больше объем данных, тем более эффективным становится глубокое обучение по сравнению с другими методами анализа. Вот почему такие организации, как Google вкладывать так много в алгоритмы глубокого обученияи почему они, вероятно, станут более распространенными в будущем.

И, конечно же, роботы. Давайте никогда не будем забывать о роботах.

Рекомендации редакции

• Глубокое обучение ИИ помогает археологам переводить древние таблички
• Глубокое обучение ИИ может имитировать эффекты искажения культовых гитарных богов
• Читающий мысли ИИ анализирует ваши мозговые волны, чтобы угадать, какое видео вы смотрите
• Это приложение на базе искусственного интеллекта может обнаружить рак кожи с точностью до 95 процентов.
• А.И. Исследователи создают систему распознавания лиц для шимпанзе