Derin öğrenme belirli bir alt kümesidir makine öğrenme (yapay zekanın mekaniği). Programlamanın bu dalı çok karmaşık hale gelebilirken, çok basit bir soruyla başladı: "Bir bilgisayar sisteminin akıllıca hareket etmesini istiyorsak, neden onu insan beynini örnek alarak modellemiyoruz?"
Bu düşünce, geçtiğimiz yıllarda insan beyninin çalışma şeklini taklit eden ve sorunları insanların yaptığı gibi çözebilecek algoritmalar yaratmaya yönelik birçok çabayı doğurdu. Bu çabalar, birçok farklı alanda kullanılan değerli ve giderek yetkinleşen analiz araçlarının ortaya çıkmasını sağladı.
Önerilen Videolar
Sinir ağı ve nasıl kullanıldığı
Derin öğrenme Adını, "yapılandırılmamış" verileri veya daha önce başka bir kaynak tarafından etiketlenmemiş ve tanımlanması gerekebilecek verileri analiz etmek için kullanılma biçiminden alır. Bu, verilerin ne olduğunun dikkatli bir şekilde analiz edilmesini ve nihai, kullanılabilir bir sonuca varmak için bu verilerin tekrar tekrar test edilmesini gerektirir. Bilgisayarlar geleneksel olarak bunun gibi yapılandırılmamış verileri analiz etmede iyi değildir.
İlgili
- yapay zeka Çeviri aracı farelerin gizli diline ışık tutuyor
- MIT'nin yeni 'gölgeli' araştırması, kameraların neyi göremediğini görmek için gölgeleri kullanıyor
- Yapay zeka artık sadece fotoğrafa bakarak bir kuşu tanımlayabiliyor
Bunu yazma açısından düşünün: Eğer on kişiye aynı kelimeyi yazsaydınız, bu kelime özensizden düzgüne, el yazısından yazıya kadar her kişiden çok farklı görünecektir. İnsan beyni bunların hepsinin aynı kelime olduğunu anlamakta hiçbir sorun yaşamaz çünkü kelimelerin, yazının, kağıdın, mürekkebin ve kişisel tuhaflıkların nasıl çalıştığını bilir. Ancak normal bir bilgisayar sisteminin bu kelimelerin aynı olduğunu bilmesinin hiçbir yolu yoktur çünkü hepsi çok farklı görünmektedir.
Bu bizi şuraya getiriyor: nöral ağlarBeyindeki nöronların etkileşim şeklini taklit etmek için özel olarak oluşturulan algoritmalar. Sinir ağları, verileri bir zihnin yapabildiği şekilde ayrıştırmaya çalışır: Amaçları, yazı yazmak gibi karmaşık verilerle uğraşmak ve yazının göstermeye çalıştığı kelimeler gibi yararlı sonuçlar çıkarmaktır. Anlamak en kolayı nöral ağlar bunları üç önemli parçaya ayırırsak:
Giriş katmanı: Giriş katmanında sinir ağı kendisine verilen tüm sınıflandırılmamış verileri emer. Bu, bilgiyi sayılara bölmek ve bunları evet-hayır verisi parçalarına veya "nöronlara" dönüştürmek anlamına gelir. Bir sinir ağına kelimeleri tanımayı öğretmek isteseydiniz, giriş katmanı matematiksel olarak şöyle olurdu: Her harfin şeklinin tanımlanması ve ağın başlayabilmesi için dijital dile ayrıştırılması çalışma. Giriş katmanı, bir şeyi matematiksel olarak temsil etmenin ne kadar kolay olduğuna bağlı olarak oldukça basit veya inanılmaz derecede karmaşık olabilir.
Gizli katmanlar: Sinir ağının merkezinde birden çoka kadar gizli katmanlar bulunur. Bu katmanlar, kendilerinden önceki nöron katmanına göre etkinleştirilecek veya etkinleştirilmeyecek şekilde tasarlanmış kendi dijital nöronlarından oluşur. Tek bir nöron temel bir “eğer öyleyse, o zaman bu”dur.“ ancak katmanlar uzun nöron zincirlerinden oluşur ve birçok farklı katman birbirini etkileyerek çok karmaşık sonuçlar yaratabilir. Amaç, sinir ağının birçok farklı özelliği tanımasına ve bunları tıpkı bir çocuk gibi tek bir gerçekleştirmede birleştirmesine olanak sağlamaktır. Her harfi tanımayı öğrenmek ve sonra bunları bir araya getirerek tam bir kelimeyi tanımak için, o kelime biraz yazılmış olsa bile özensiz.
Gizli katmanlar aynı zamanda birçok derin öğrenme eğitiminin devam ettiği yerdir. Örneğin, algoritma bir kelimeyi doğru bir şekilde tanıyamazsa programcılar "Üzgünüm, bu doğru değil” ve algoritma, doğru olanı bulana kadar verileri nasıl değerlendireceğini ayarlayacaktı. Yanıtlar. Bu işlemin tekrarlanması (programcılar ağırlıkları manuel olarak da ayarlayabilir), sinir ağının sağlam gizli katmanlar oluşturmasına olanak tanır. Pek çok deneme yanılmanın yanı sıra, bazı dışarıdan talimatlar yoluyla doğru cevapları bulma konusunda ustadır; tıpkı insan beyninin yaptığı gibi. İşler. Yukarıdaki resimde görüldüğü gibi gizli katmanlar çok karmaşık hale gelebilir!
Çıkış katmanı: Çıktı katmanında nispeten az sayıda "nöron" bulunur çünkü nihai kararların verildiği yerdir. Burada sinir ağı son analizi uygular, veriler için tanımlara karar verir ve bu tanımlara dayanarak programlanmış sonuçları çıkarır. Örneğin, "Bu kelimenin göl, Olumsuz Lane.” Sonuçta ağdan geçen tüm veriler, çıktı katmanındaki belirli nöronlara daraltılır. Hedeflerin gerçekleştiği yer burası olduğundan, genellikle ağın oluşturulan ilk parçalarından biridir.
Uygulamalar
Modern teknolojiyi kullanıyorsanız, derin öğrenme algoritmalarının her gün etrafınızda iş başında olması ihtimali yüksektir. Nasıl düşünüyorsun Alexa veya Google Asistan sesli komutlarınızı anlıyor musunuz? Konuşmayı anlamak için oluşturulmuş sinir ağlarını kullanıyorlar. Siz yazmayı bitirmeden Google ne aradığınızı nasıl biliyor? İşyerinde daha derin öğrenme. Güvenlik kameranız evcil hayvanları görmezden gelip insan hareketlerini nasıl tanıyor? Bir kez daha derin öğrenme.
Bu yazılım insan girdilerini tanıdığında, yüz tanıma Sesli asistanlara göre derin öğrenme muhtemelen altta bir yerde iş başındadır. Ancak alanın başka birçok yararlı uygulaması da vardır. Tıp, ileri derin öğrenmenin DNA'daki kusurları veya potansiyel sağlık yararları için moleküler bileşikleri analiz etmek için kullanıldığı, özellikle ümit verici bir alandır. Daha fiziksel bir açıdan bakıldığında, derin öğrenme, bir şeyler ciddi şekilde ters gitmeden önce ekipmanın ne zaman bakıma ihtiyacı olduğunu tahmin etmek için giderek artan sayıda makine ve araçta kullanılıyor.
Derin öğrenmenin geleceği
Derin öğrenmenin geleceği özellikle parlak! Bir sinir ağının en güzel yanı, çok büyük miktardaki farklı verilerle (beynimizin her zaman uğraşmak zorunda olduğu her şeyi düşünün) başa çıkmada başarılı olmasıdır. Bu, özellikle inanılmaz miktarda bilgi toplayabilen gelişmiş akıllı sensörlerin çağımızda geçerlidir. Geleneksel bilgisayar çözümleri, bu kadar çok veriyi sıralama, etiketleme ve sonuç çıkarma konusunda zorluk yaşamaya başlıyor.
Öte yandan derin öğrenme, topladığımız dijital veri dağlarıyla başa çıkabilir. Aslında veri miktarı ne kadar büyük olursa, diğer analiz yöntemlerine kıyasla derin öğrenme o kadar verimli olur. Bu nedenle Google gibi kuruluşlar derin öğrenme algoritmalarına çok fazla yatırım yapınve neden gelecekte daha yaygın hale gelecekleri.
Ve elbette robotlar. Robotları asla unutmayalım.
Editörlerin Önerileri
- Derin öğrenme yapay zekası arkeologların antik tabletleri tercüme etmelerine yardımcı oluyor
- Derin öğrenme yapay zekası ikonik gitar tanrılarının distorsiyon etkilerini taklit edebilir
- Zihin okuyan yapay zeka Hangi videoyu izlediğinizi tahmin etmek için beyin dalgalarınızı analiz eder
- Bu yapay zeka destekli uygulama cilt kanserini yüzde 95 doğrulukla tespit edebiliyor
- yapay zeka araştırmacılar şempanzeler için yüz tanıma sistemi geliştiriyor
