Deep learning är en viss delmängd av maskininlärning (mekaniken för artificiell intelligens). Även om denna gren av programmering kan bli mycket komplex, började den med en mycket enkel fråga: "Om vi vill att ett datorsystem ska agera intelligent, varför modellerar vi det inte efter den mänskliga hjärnan?"
Den tanken skapade många ansträngningar under de senaste decennierna för att skapa algoritmer som efterliknade hur den mänskliga hjärnan fungerade - och som kunde lösa problem på det sätt som människor gjorde. Dessa ansträngningar har gett värdefulla, alltmer kompetenta analysverktyg som används inom många olika områden.
Rekommenderade videor
Det neurala nätverket och hur det används
![Neuralt nätverksdiagram](/f/c442186a7d620b27943c3d0545dc41a2.jpg)
Djup lärning får sitt namn från hur det används för att analysera "ostrukturerad" data, eller data som inte tidigare har märkts av en annan källa och som kan behöva definieras. Det kräver noggrann analys av vad data är, och upprepade tester av dessa data för att sluta med en slutgiltig, användbar slutsats. Datorer är inte traditionellt bra på att analysera ostrukturerad data som denna.
Relaterad
- A.I. översättningsverktyg kastar ljus över mössens hemliga språk
- Ny "skumma" forskning från MIT använder skuggor för att se vad kameror inte kan
- Artificiell intelligens kan nu identifiera en fågel bara genom att titta på ett foto
Tänk på det i termer av att skriva: Om du hade tio personer som skrev samma ord, skulle det ordet se väldigt olika ut från varje person, från slarvigt till snyggt och från kursivt till tryckt. Den mänskliga hjärnan har inga problem att förstå att allt är samma ord, eftersom den vet hur ord, skrift, papper, bläck och personliga egenheter alla fungerar. Ett vanligt datorsystem skulle dock inte ha någon möjlighet att veta att de orden är lika, eftersom de alla ser så olika ut.
Det för oss till via neurala nätverk, algoritmerna speciellt skapade för att efterlikna hur nervcellerna i hjärnan interagerar. Neurala nätverk försöker analysera data på det sätt som ett sinne kan: Deras mål är att hantera rörig data – som att skriva – och dra användbara slutsatser, som de ord som skrivandet försöker visa. Det är lättast att förstå neurala nätverk om vi delar upp dem i tre viktiga delar:
Inmatningsskiktet: Vid ingångsskiktet absorberar det neurala nätverket all oklassificerad data som den ges. Detta innebär att dela upp informationen till siffror och omvandla dem till bitar av ja-eller-nej-data, eller "neuroner". Om du ville lära ett neuralt nätverk att känna igen ord, skulle inmatningsskiktet vara matematiskt definiera formen på varje bokstav, dela upp den i ett digitalt språk så att nätverket kan starta arbetssätt. Indatalagret kan vara ganska enkelt eller otroligt komplext, beroende på hur lätt det är att representera något matematiskt.
![Komplexa neurala nätverk](/f/3237c280b6170115a2f9aba259324a75.jpg)
De dolda lagren: I mitten av det neurala nätverket finns dolda lager – allt från ett till många. Dessa lager är gjorda av sina egna digitala neuroner, som är designade för att aktivera eller inte aktiveras baserat på lagret av neuroner som föregår dem. En enda neuron är en grundläggande "om detta, då det“ modell, men lager är gjorda av långa kedjor av neuroner, och många olika lager kan påverka varandra, vilket skapar mycket komplexa resultat. Målet är att låta det neurala nätverket känna igen många olika funktioner och kombinera dem till en enda insikt, som ett barn lära sig att känna igen varje bokstav och sedan bilda dem tillsammans för att känna igen ett helt ord, även om det ordet är skrivet lite slarvig.
De dolda lagren är också där mycket djupinlärningsträning pågår. Till exempel, om algoritmen misslyckades med att korrekt känna igen ett ord, skickar programmerare tillbaka, "Förlåt, det är inte korrekt", och algoritmen skulle justera hur den vägde data tills den hittade rätt svarar. Genom att upprepa denna process (programmerare kan också justera vikter manuellt) kan det neurala nätverket bygga upp robusta dolda lager som är skicklig på att söka efter de rätta svaren genom mycket trial and error plus, lite extern instruktion - återigen, ungefär som hur den mänskliga hjärnan Arbetar. Som bilden ovan visar kan dolda lager bli mycket komplexa!
Utdatalagret: Utdatalagret har relativt få "neuroner" eftersom det är där de slutliga besluten tas. Här tillämpar det neurala nätverket den slutliga analysen, bestämmer sig för definitioner för data och drar de programmerade slutsatserna baserat på dessa definitioner. Till exempel, "Det finns tillräckligt med data i rad för att säga att det här ordet är sjö, inte körfält.” I slutändan begränsas all data som passerar genom nätverket till specifika neuroner i utgångsskiktet. Eftersom det är här målen förverkligas är det ofta en av de första delarna av nätverket som skapas.
Ansökningar
![Eye Scan Army](/f/731ea6e61c932b07024cf3a5f63599c4.jpg)
Om du använder modern teknik är chansen stor att algoritmer för djupinlärning fungerar runt omkring dig, varje dag. Hur tänker du Alexa eller Google Assistant förstå dina röstkommandon? De använder neurala nätverk som har byggts för att förstå tal. Hur vet Google vad du söker efter innan du är klar med att skriva? Mer djupinlärning på jobbet. Hur ignorerar din säkerhetskamera husdjur men känner igen mänskliga rörelser? Djupt lärande än en gång.
När som helst som programvara känner igen mänskliga input, från ansiktsigenkänning för röstassistenter är djupinlärning förmodligen på jobbet någonstans under. Men området har också många andra användbara tillämpningar. Medicin är ett särskilt lovande område, där avancerad djupinlärning används för att analysera DNA för brister eller molekylära föreningar för potentiella hälsofördelar. På en mer fysisk front används djupinlärning i ett växande antal maskiner och fordon för att förutsäga när utrustning behöver underhållas innan något går allvarligt fel.
Framtiden för djupinlärning
![Historia om AI-namn](/f/ffbcd757d04b3cb3ee30538e7487bf6d.jpg)
Framtiden för djupinlärning är särskilt ljus! Det fantastiska med ett neuralt nätverk är att det utmärker sig på att hantera en enorm mängd olika data (tänk på allt som våra hjärnor måste hantera, hela tiden). Det är särskilt relevant i vår tid av avancerade smarta sensorer, som kan samla in en otrolig mängd information. Traditionella datorlösningar börjar kämpa med att sortera, märka och dra slutsatser från så mycket data.
Deep learning, å andra sidan, kan hantera de digitala berg av data vi samlar in. Faktum är att ju större mängd data är, desto effektivare blir djupinlärning jämfört med andra analysmetoder. Det är därför organisationer som Google investera så mycket i algoritmer för djupinlärning, och varför de sannolikt kommer att bli vanligare i framtiden.
Och, förstås, robotarna. Låt oss aldrig glömma robotarna.
Redaktörens rekommendationer
- Djuplärande A.I. hjälper arkeologer att översätta uråldriga tabletter
- Deep learning A.I. kan imitera distorsionseffekterna av ikoniska gitarrgudar
- Tankeläsande A.I. analyserar dina hjärnvågor för att gissa vilken video du tittar på
- Denna A.I.-drivna app kan upptäcka hudcancer med 95 procents noggrannhet
- A.I. forskare skapar ett ansiktsigenkänningssystem för schimpanser