Wat is diep leren?
In deze blog zal ik het hebben over Wat is Diep leren dat is tegenwoordig een hete buzz en heeft zijn wortels stevig verankerd in een groot aantal industrieën die investeren in gebieden als kunstmatige intelligentie, big data en analyse. Google gebruikt bijvoorbeeld deep learning in zijn spraak- en beeldherkenningsalgoritmen, terwijl Netflix en Amazon het gebruiken om het gedrag van hun klant te begrijpen. Je gelooft het eigenlijk niet, maar onderzoekers van MIT proberen de toekomst te voorspellen met behulp van deep learning.Stel je nu voor hoeveel potentieel deep learning heeft bij het revolutioneren van de wereld en hoe de bedrijven zullen zoeken naar het .Voordat we het hebben over deep learning, moet men de relatie met machine learning en kunstmatige intelligentie begrijpen. De gemakkelijkste manier om deze relatie te begrijpen, is door het onderstaande diagram te doorlopen:
vijg: Wat is diep leren - AI Technologies-tijdlijn
Hier, in de afbeelding, kunt u zien dat Machine Learning een subset van AI is. Dit impliceert voor het feit dat we intelligente machines kunnen bouwen die kunnen leren op basis van de verstrekte dataset. Verder zult u opmerken dat Deep Learning een subset is van Machine Learning, waar vergelijkbare Machine Learning-algoritmen worden gebruikt om Deep Neural Networks te trainen om zo een betere nauwkeurigheid te bereiken in die gevallen waarin eerstgenoemde niet tot de maat presteerde. Following zijn de onderwerpen die ik ga bespreken in deze deep learning-tutorial:
- Kunstmatige intelligentie
- Machine leren
- Nadelen van ML
- Wat is diep leren?
- Applicatie voor diep leren
Word gecertificeerd met projecten op brancheniveau en volg uw carrière snel
Kunstmatige intelligentie
vijg: Wat is diep leren - kunstmatige intelligentie
De term AI werd in 1956 bedacht door John McCarthy, die ook wel Father of Artificial Intelligence wordt genoemd. Het idee achter AI is vrij eenvoudig maar fascinerend, namelijk om intelligente machines te maken die zelf beslissingen kunnen nemen. Je denkt misschien dat het een wetenschappelijke fantasie is, maar met betrekking tot recente ontwikkelingen in technologie en rekenkracht, lijkt het idee zelf met de dag dichter bij de realiteit te komen.
Machine learning: een stap naar kunstmatige intelligentie
Nu u bekend bent met AI, kunnen we het kort hebben over Machine Learning en begrijpen wat het betekent als we zeggen dat we machines programmeren om te leren. Laten we beginnen met een zeer bekende definitie van machine learning:
'Een computerprogramma zou leren van ervaring E met betrekking tot een bepaalde taak T en een prestatiemaatstaf P, als de prestaties op T, zoals gemeten door P, verbeteren met ervaring E.' - Tom Mitchell, Carnegie Mellon University
Dus als u wilt dat uw programma verkeerspatronen op een druk kruispunt (taak T) voorspelt, kunt u het door een algoritme voor machine learning laten lopen met gegevens over verkeerspatronen uit het verleden (ervaring E). Nu zal de nauwkeurigheid van de voorspelling (prestatiemaatstaf P) afhangen van het feit of het programma met succes heeft geleerd van de dataset of niet (ervaring E).
wat is een hashset java
In feite wordt Machine Learning een soort kunstmatige intelligentie (AI) genoemd die computers de mogelijkheid biedt om te leren zonder expliciet te worden geprogrammeerd door ze bloot te stellen aan een enorme hoeveelheid gegevens. Het kernprincipe achter Machine Learning is om te leren van datasets en te proberen fouten te minimaliseren of de kans te vergroten dat hun voorspellingen waar zijn.
Nadelen van machine learning
- Traditionele ML-algoritmen zijn niet nuttig bij het werken met hoog dimensionale gegevens, dat is waar we een groot aantal inputs en outputs hebben. In het geval van handschriftherkenning hebben we bijvoorbeeld een grote hoeveelheid invoer waarbij we verschillende soorten invoer hebben die zijn gekoppeld aan verschillende soorten handschrift.
- De tweede grote uitdaging is om de computer te vertellen naar welke functies hij moet zoeken die een belangrijke rol zullen spelen bij het voorspellen van de uitkomst en om daarbij een betere nauwkeurigheid te bereiken. Dit proces wordt aangeduid als functie-extractie .
Het invoeren van onbewerkte gegevens aan het algoritme werkt zelden en dit is de reden waarom feature-extractie een cruciaal onderdeel is van de traditionele machine learning-workflow. Daarom neemt de uitdaging voor de programmeur toe zonder feature-extractie, aangezien de effectiviteit van het algoritme sterk afhangt van hoe inzichtelijk de programmeur is. Daarom is het erg moeilijk om deze Machine Learning-modellen of algoritmen toe te passen op complexe problemen zoals objectherkenning, handschriftherkenning, NLP (Natural Language Processing), enz.
Diep leren
Diep leren is een van de weinige methoden waarmee we de uitdagingen van feature-extractie kunnen overwinnen. Dit komt doordat deep learning-modellen in staat zijn om zelf te leren focussen op de juiste features, wat weinig begeleiding van de programmeur vereist. In wezen bootst diep leren de manier na waarop onze hersenen functioneren, d.w.z. het leert van ervaring. Zoals je weet, bestaan onze hersenen uit miljarden neuronen waarmee we verbazingwekkende dingen kunnen doen. Zelfs de hersenen van een eenjarig kind kunnen complexe problemen oplossen die zelfs met supercomputers heel moeilijk op te lossen zijn. Bijvoorbeeld:
- Herken ook het gezicht van hun ouders en verschillende objecten.
- Maak onderscheid tussen verschillende stemmen en kan zelfs een bepaalde persoon herkennen op basis van zijn / haar stem.
- Trek conclusies uit gezichtsgebaren van andere personen en nog veel meer.
Eigenlijk heeft ons brein zichzelf door de jaren heen onbewust getraind om zulke dingen te doen. Nu komt de vraag, hoe diep leren bootst de functionaliteit van een brein na? Bij diep leren wordt het concept van kunstmatige neuronen gebruikt die op dezelfde manier functioneren als de biologische neuronen die in onze hersenen aanwezig zijn. Daarom kunnen we zeggen dat Deep Learning een deelgebied is van machine aan het leren zich bezighoudt met algoritmen die zijn geïnspireerd door de structuur en functie van de hersenen, kunstmatige neurale netwerken genaamd.
Laten we nu een voorbeeld nemen om het te begrijpen. Stel dat we een systeem willen maken dat gezichten van verschillende mensen in een afbeelding kan herkennen.Als we dit oplossen als een typisch machine learning-probleem, zullen we gelaatstrekken zoals ogen, neus, oren etc. definiëren en vervolgens zal het systeem identificeren welke functies op zichzelf belangrijker zijn voor welke persoon.
Nu gaat deep learning hiermee een stap vooruit. Deep learning ontdekt automatisch de functies die belangrijk zijn voor classificatie vanwege diepe neurale netwerken, terwijl we in het geval van Machine Learning deze functies handmatig moesten definiëren.
vijg: Gezichtsherkenning met behulp van Deep Networks
Zoals te zien is in de afbeelding hierboven, werkt Deep Learning als volgt:
- Op het laagste niveau fixeert het netwerk zich op patronen van lokaal contrast als belangrijk.
- De volgende laag kan dan die patronen van lokaal contrast gebruiken om zich te fixeren op dingen die op ogen, neuzen en monden lijken.
- Ten slotte kan de bovenste laag die gelaatstrekken op gezichtssjablonen toepassen.
- Een diep neuraal netwerk is in staat om steeds complexere kenmerken in elk van zijn opeenvolgende lagen samen te stellen.
Heb je je ooit afgevraagd hoe Facebook automatisch alle personen in een door jou geüploade afbeelding labelt of tagt? Welnu, Facebook gebruikt Deep Learning op een vergelijkbare manier als in het bovenstaande voorbeeld. Nu zou je de mogelijkheden van Deep Learning hebben gerealiseerd en hoe het Machine Learning kan overtreffen in die gevallen waarin we heel weinig idee hebben van alle functies die van invloed kunnen zijn op het resultaat. Daarom kan Deep Network het nadeel van Machine Learning overwinnen door conclusies te trekken uit een dataset die bestaat uit invoergegevens zonder de juiste labels.
hoe u eclipse op Windows uitvoert
Wat is diep leren | Vereenvoudigd diep leren | Edureka
Toepassingen van diep leren
Laten we vooruitgaan in dit wat is deep learning blog, laten we eens kijken naar enkele van de real-life toepassingen van Deep Learning om de ware krachten ervan te begrijpen.
Spraakherkenning
Jullie zouden allemaal gehoord hebben van Siri, de spraakgestuurde intelligente assistent van Apple. Net als andere grote giganten is Apple ook begonnen te investeren in Deep Learning om zijn diensten beter dan ooit te maken.
Op het gebied van spraakherkenning en spraakgestuurde intelligente assistent zoals Siri, kan men een nauwkeuriger akoestisch model ontwikkelen met behulp van een diep neuraal netwerk en is dit momenteel een van de meest actieve velden voor implementatie van deep learning. In eenvoudige bewoordingen kunt u een dergelijk systeem bouwen dat nieuwe functies kan leren of zich naar uw wens kan aanpassen en daarom beter kan helpen door vooraf alle mogelijkheden te voorspellen.
Automatische machinevertaling
We weten allemaal dat Google direct tussen 100 verschillende menselijke talen kan vertalen, dat te snel als bij toverslag. De technologie erachter Google Vertalen wordt genoemd Machine vertaling en is de redder geweest voor mensen die niet met elkaar kunnen communiceren vanwege het verschil in spreektaal. Nu zou je denken dat deze functie er al heel lang is, dus wat is er nieuw hierin? Laat me je vertellen dat Google de afgelopen twee jaar, met behulp van deep learning, de benadering van machinevertaling volledig heeft hervormd in Google Translate. In feite stellen deep learning-onderzoekers die bijna niets van taalvertaling weten, relatief eenvoudige machine learning-oplossingen voor die de beste door experts gebouwde taalvertalingssystemen ter wereld verslaan. Tekstvertaling kan worden uitgevoerd zonder enige voorbewerking van de reeks, waardoor het algoritme de afhankelijkheden tussen woorden leert en hun toewijzing aan een nieuwe taal. Om deze vertaling uit te voeren, worden gestapelde netwerken van grote terugkerende neurale netwerken gebruikt.
- Instant visuele vertaling
Zoals u weet, wordt deep learning gebruikt om afbeeldingen met letters te identificeren en waar de letters zich ter plaatse bevinden. Eenmaal geïdentificeerd, kunnen ze in tekst worden omgezet, vertaald en de afbeelding opnieuw worden gemaakt met de vertaalde tekst. Dit wordt vaak genoemd onmiddellijke visuele vertaling .
Stel je nu een situatie voor waarin je een ander land hebt bezocht waarvan je de moedertaal niet kent. Maak je geen zorgen, met behulp van verschillende apps zoals Google Translate kun je doorgaan en direct visuele vertalingen uitvoeren om borden of winkelborden in een andere taal te lezen. Dit is alleen mogelijk dankzij Deep Learning.
Opmerking: U kunt doorgaan en de Google Translate-app downloaden en de verbluffende directe visuele vertaling bekijken met behulp van de bovenstaande afbeelding.
Gedrag: geautomatiseerde zelfrijdende auto's
Google probeert hun zelfrijdende auto-initiatief, bekend als WAYMO, naar een geheel nieuw niveau van perfectie te tillen met behulp van Deep Learning. Daarom kunnen ze, in plaats van oude, met de hand gecodeerde algoritmen te gebruiken, nu systemen programmeren die zelf kunnen leren met behulp van gegevens die door verschillende sensoren worden geleverd. Diep leren is nu de beste benadering voor de meeste waarnemingstaken, evenals voor veel controletaken op laag niveau. Daarom kunnen nu zelfs mensen die niet kunnen autorijden of gehandicapt zijn, doorgaan en de rit maken zonder afhankelijk te zijn van iemand anders.
Hier heb ik slechts enkele beroemde praktijkgevallen genoemd waarin Deep Learning op grote schaal wordt gebruikt en veelbelovende resultaten laat zien. Er zijn veel andere toepassingen van diep leren, naast vele velden die nog moeten worden onderzocht.
Dit gaat dus allemaal in een notendop over deep learning. Ik ben er zeker van dat u zich nu het verschil tussen Machine Learning en Deep Learning zou hebben gerealiseerd, en ook hoe Deep Learning erg nuttig kan zijn voor verschillende real-life toepassingen. Nu, in mijn volgende blog in deze tutorialserie voor diep leren, zullen we dieper ingaan op verschillende concepten en algoritmen van Deep Learning, samen met hun toepassing in detail.
Nu je meer weet over Deep Learning, kun je het door Edureka, een vertrouwd online leerbedrijf met een netwerk van meer dan 250.000 tevreden leerlingen verspreid over de hele wereld. De Edureka Deep Learning with TensorFlow Certification Training-cursus helpt leerlingen expert te worden in het trainen en optimaliseren van basis- en convolutionele neurale netwerken met behulp van real-time projecten en opdrachten, samen met concepten zoals SoftMax-functie, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
Heeft u een vraag voor ons? Vermeld het in het opmerkingengedeelte en we nemen contact met u op.