Introduzione all'apprendimento profondo
Il deep learning è una delle tecniche di machine learning con cui insegniamo / addestriamo i computer a fare ciò che gli umani stanno facendo. Ad esempio, guidare un'auto: l'apprendimento profondo svolge un ruolo chiave nella tecnologia automobilistica senza conducente, consentendo loro di identificare diversi segnali stradali, segnali stradali, segnali pedonali ecc. Altre aree chiave dell'apprendimento profondo sono il controllo vocale nei sistemi domestici, cellulari, altoparlanti wireless, Alexa, smart TV ecc. L'apprendimento profondo per i principianti riguarda principalmente livelli multipli di astrazione e rappresentazione attraverso i quali il modello di computer impara a eseguire la classificazione di immagini, suoni e testo ecc. I modelli di apprendimento profondo ottengono una migliore precisione e prestazioni rispetto agli umani in alcuni modelli . In generale, questi modelli di computer sono addestrati da una vasta serie di dati che sono etichettati e senza etichetta per identificare oggetti e reti neurali che hanno più livelli in ciascuna rete.
Che cos'è il deep learning?
Spiegherò ciò che è deep learning in termini di laici come di seguito: In generale faremo due compiti tutto il tempo consciamente o inconsciamente, cioè categorizzare ciò che abbiamo sentito attraverso i nostri sensi (come sentirsi caldi, tazza fredda ecc.) E la previsione, per esempio, prevede la temperatura futura in base ai dati di temperatura precedenti. Eseguiamo attività di categorizzazione e previsione per diversi eventi o attività nella nostra vita quotidiana come di seguito:
- Tenendo la tazza di tè / acqua / caffè ecc. Che può essere calda o fredda.
- Classificazione delle e-mail come spam / non spam.
- Classificazione diurna come il giorno o la notte.
- La pianificazione a lungo termine del futuro basata sulla nostra posizione attuale e sulle cose che abbiamo - si chiama previsione.
- Ogni creatura nel mondo svolgerà questi compiti nella loro vita, ad esempio, considera animali come il corvo che classificherà un posto dove costruire il suo nido o no, un'ape deciderà su alcuni fattori quando e dove ottenere il miele, il pipistrello arriverà durante la notte e dorme di mattina in base alla categorizzazione diurna e notturna.
Visualizziamo questi compiti categorizzazione e previsione e si assomigliano come nell'immagine qui sotto, Per la categorizzazione, stiamo facendo la categorizzazione tra cani e gatti tracciando una linea attraverso i punti dati e in caso di previsione tracciamo una linea attraverso i punti dati per prevedere quando aumenterà e diminuirà.
1) categorizzazione
- In generale per classificare tra cani e gatti, o uomini e donne, non tracciamo una linea nel nostro cervello e la posizione di cani e gatti è arbitraria solo a scopo illustrativo ed è inutile dire il modo in cui classifichiamo tra gatti e i cani nel nostro cervello sono molto complessi che tracciare una linea rossa come sopra.
- Classificheremo tra due cose in base a forme, dimensioni, altezza, aspetto ecc. Ea volte sarà difficile classificare con queste caratteristiche come un piccolo cane con furia e gatto appena nato, quindi non è una categorizzazione chiara in cani e gatti.
- Una volta che siamo in grado di classificare tra cani e gatti quando siamo bambini, in seguito siamo in grado di categorizzare qualsiasi cane o gatto, anche se non l'abbiamo mai visto prima.
2) Previsione
- Per la previsione basata sulla linea, tracciamo i punti dati, se siamo in grado di prevedere dove è più probabile che vada verso l'alto o verso il basso.
- La curva è anche una previsione di adattamento di nuovi punti dati all'interno dell'intervallo di punti dati esistenti, ovvero quanto vicino il nuovo punto dati alla curva.
- I punti dati che sono di colore rosso nell'immagine sopra (lato destro) sono esempi sia all'interno che oltre l'intervallo dei punti dati esistenti e la curva tenta di prevederli entrambi.
Infine, sia la categorizzazione che la previsione delle attività sono terminate in un punto simile, ovvero tracciando una linea curva dai punti dati. Se siamo in grado di addestrare il modello del computer per disegnare la linea curva basata sui punti dati che abbiamo fatto, allora possiamo estenderlo per applicarlo in diversi modelli come disegnare una linea curva su piani tridimensionali e così via. La cosa sopra può essere raggiunta allenando un modello con una grande quantità di dati etichettati e senza etichetta che si chiama deep learning.
Esempi di apprendimento profondo:
Come sappiamo l'apprendimento profondo e l'apprendimento automatico sono sottoinsiemi dell'intelligenza artificiale, ma la tecnologia di apprendimento profondo rappresenta la prossima evoluzione dell'apprendimento automatico. Poiché l'apprendimento automatico funzionerà sulla base di algoritmi e programmi sviluppati dall'uomo, mentre l'apprendimento profondo apprende attraverso un modello di rete neurale che agisce in modo simile agli umani e consente alla macchina o al computer di analizzare i dati in modo simile a quello umano. Ciò diventa possibile quando addestriamo i modelli di rete neurale con un'enorme quantità di dati poiché i dati sono il carburante o il cibo per i modelli di rete neurale. Di seguito sono riportati alcuni esempi di apprendimento profondo nel mondo reale.
-
Visione computerizzata:
La visione artificiale si occupa di algoritmi per i computer per comprendere il mondo utilizzando un'immagine e dati video e attività come il riconoscimento delle immagini, la classificazione delle immagini, il rilevamento degli oggetti, la segmentazione delle immagini, il ripristino delle immagini, ecc.
-
Elaborazione vocale e del linguaggio naturale:
L'elaborazione del linguaggio naturale si occupa di algoritmi che i computer possono comprendere, interpretare e manipolare nel linguaggio umano. Gli algoritmi NLP funzionano con testo e dati audio e li trasformano in output audio o di testo. Usando la PNL possiamo svolgere compiti come l'analisi dei sentimenti, il riconoscimento vocale, la transizione linguistica e la generazione del linguaggio naturale ecc.
-
Veicoli autonomi:
I modelli di apprendimento profondo sono formati con un'enorme quantità di dati per identificare i segnali stradali; alcuni modelli sono specializzati nell'identificazione dei pedoni, nell'identificazione di esseri umani, ecc. per le auto senza conducente durante la guida.
-
Generazione di testo:
Utilizzando modelli di apprendimento profondo che sono stati formati da lingua, grammatica e tipi di testi, ecc., È possibile utilizzare un nuovo testo con ortografia e grammatica corrette da Wikipedia a Shakespeare.
-
Filtro immagine:
Utilizzando modelli di apprendimento profondo come l'aggiunta di colore alle immagini in bianco e nero è possibile realizzare modelli di apprendimento profondo che impiegheranno più tempo se lo facciamo manualmente.
Conclusione
Infine, è una panoramica della tecnologia di apprendimento profondo, delle sue applicazioni nel mondo reale. Spero che avrai una buona comprensione di ciò che è l'apprendimento profondo dopo aver letto questo articolo. Come sappiamo oggi il riconoscimento delle immagini da parte di macchine addestrate dall'apprendimento profondo in alcuni casi è migliore degli umani, vale a dire nell'identificazione del cancro nel sangue e dei tumori nelle scansioni MRI e AlphaGo di Google ha imparato il gioco e si è allenato per la sua partita "Go" allenando la sua rete neurale giocando contro di esso ancora e ancora.
Articoli consigliati
Questa è stata una guida all'apprendimento profondo. Qui abbiamo discusso i concetti di base e gli esempi di apprendimento profondo. Puoi anche consultare i seguenti articoli:
- Carriere negli apprendimenti profondi
- 13 utili domande di intervista per l'apprendimento profondo
- Apprendimento supervisionato vs apprendimento profondo
- Reti neurali vs apprendimento profondo
- Migliore confronto tra apprendimento profondo e apprendimento automatico