Διάφορα

Τι είναι η βαθιά μάθηση και γιατί είναι πιο σχετική από ποτέ;

Τι είναι η βαθιά μάθηση και γιατί είναι πιο σχετική από ποτέ;


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Μηχανική εκμάθηση; Βαθιά μάθηση; Τεχνητή νοημοσύνη? Αυτοί οι όροι έχουν γίνει συνώνυμοι με τη σύγχρονη εποχή. όροι που λατρεύουν οι άνθρωποι σε συνομιλία στα μέσα κοινωνικής δικτύωσης και σε κομμάτια σκέψης. Παρ 'όλα αυτά, η σωστή κατανόηση αυτών των όρων θα βοηθήσει στην προοπτική του τρόπου με τον οποίο κάποια από τις πιο προηγμένες τεχνολογίες του κόσμου θα επηρεάσει τη ζωή σας.

Έχουμε ήδη αγγίξει την τεχνητή νοημοσύνη και τη μηχανική μάθηση, αλλά σήμερα, πρόκειται να εξερευνήσετε τον λιγότερο γνωστό ξάδελφο αυτών των τεχνολογιών, τη βαθιά μάθηση. Έτσι, θέτει το ερώτημα, πόσο γνωρίζετε για τη βαθιά μάθηση;

ΔΕΙΤΕ ΕΠΙΣΗΣ: ΠΑΡΕΤΕ ΤΟ AI ΚΑΙ ΒΑΘΜΟΛΟΓΙΑ ΓΝΩΣΗΣ ΜΑΘΗΣΗΣ ΣΤΟ ΕΠΟΜΕΝΟ ΕΠΙΠΕΔΟ ΜΕ ΑΥΤΟ ΤΟ ΠΡΟΗΓΜΕΝΟ ΜΠΟΥΝΤΛ

Για την απροσδιόριστη, η βαθιά μάθηση είναι ένα υποσύνολο της μηχανικής μάθησης όπου τεχνητά νευρικά δίκτυα, αλγόριθμοι εμπνευσμένοι από τον ανθρώπινο εγκέφαλο, μαθαίνουν από μεγάλες ποσότητες δεδομένων. Η βαθιά μάθηση είναι μέρος της ευρύτερης οικογένειας μεθόδων μηχανικής μάθησης που βασίζονται σε αναπαραστάσεις δεδομένων εκμάθησης.

Μια σύντομη εισαγωγή

Ίσως το έχετε διαβάσει και έχετε μπερδευτεί λίγο. Εν ολίγοις, η βαθιά μάθηση και όλες οι πτυχές της σύγχρονης τεχνητής νοημοσύνης χρησιμοποιεί δεδομένα για τη λήψη ανθρώπινων «έξυπνων» αποφάσεων. Η βαθιά μάθηση διδάσκει στους υπολογιστές να μαθαίνουν βασικά με παραδείγματα ή δεδομένα.

Για να το θέσουμε αυτό στην προοπτική, η βαθιά μάθηση χρησιμοποιείται για αυτοκίνητα χωρίς οδηγό, επιτρέποντας στα οχήματα να αναγνωρίζουν άλλα οχήματα, πινακίδες στοπ και ακόμη και πεζούς, ενώ η βαθιά μάθηση βρίσκεται επίσης στο κέντρο καταναλωτικών προϊόντων, όπως ο βοηθός φωνής οδήγησε έξυπνα ηχεία, τεχνολογία αναγνώρισης προσώπου, και ακόμη και σε μερικές δημοφιλείς ιστοσελίδες.

Σήμερα πρόκειται να βουτήξετε βαθύτερα στον κόσμο της βαθιάς μάθησης και να εξετάσετε πώς αυτό το υποσύνολο της μηχανικής μάθησης θα αλλάξει τη ζωή σας.

Ο κόσμος της βαθιάς μάθησης

Και πάλι, τα δεδομένα είναι βασικά και βρίσκονται στην καρδιά της βαθιάς μάθησης. Μπορείτε να μάθετε μια νέα ικανότητα μέσω της πρακτικής και της εμπειρίας. Τα μοντέλα βαθιάς μάθησης κάνουν το ίδιο. Επιστρέφοντας στο παράδειγμα αυτο-οδήγησης αυτοκινήτου, ένα μοντέλο υπολογιστή μπορεί να εξετάσει χιλιάδες πινακίδες στοπ πριν αποκτήσει τη δυνατότητα αναγνώρισης σημείου στάσης.

Τα μοντέλα υπολογιστών βαθιάς μάθησης μαθαίνουν να εκτελούν εργασίες ταξινόμησης απευθείας από εικόνες, κείμενο ή ακόμα και ήχο. Ένα μοντέλο βαθιάς μάθησης μπορεί να «μάθει» να είναι ακριβές, ακόμη και να ξεπερνά τους ανθρώπινους δημιουργούς του.

Αυτά τα μοντέλα είναι «εκπαιδευμένα» για να χρησιμοποιούν μεγάλα σύνολα δεδομένων με ετικέτες, καθώς και αρχιτεκτονικές νευρωνικών δικτύων, κάτι που θα διερευνήσουμε αργότερα στο άρθρο.

Γιατί τώρα?

Η βαθιά μάθηση βρίσκεται στην πρώτη γραμμή του AI βοηθώντας στη διαμόρφωση των εργαλείων που χρησιμοποιούμε για την επίτευξη τεράστιων επιπέδων ακρίβειας. Οι εξελίξεις στη βαθιά μάθηση έχουν ωθήσει αυτό το εργαλείο στο σημείο όπου η βαθιά μάθηση ξεπερνά τους ανθρώπους σε ορισμένες εργασίες, όπως η ταξινόμηση αντικειμένων σε εικόνες.

Απαιτώντας GPU υψηλής απόδοσης, τα μοντέλα βαθιάς μάθησης χρησιμοποιούν μεγάλες ποσότητες δεδομένων με ετικέτα. Αυτό το αυτοκίνητο Tesla χωρίς οδηγό που κάθεστε πίσω χρειαζόταν εκατομμύρια εικόνες και χιλιάδες ώρες βίντεο πριν αποκτήσετε τη δυνατότητα να σας οδηγήσει στο σπίτι.

Μαθαίνοντας να παίρνω τη σωστή απόφαση

Μερικές από τις πιο κοινές μεθόδους βαθιάς μάθησης που χρησιμοποιούνται σήμερα χρησιμοποιούν αυτό που ονομάζεται αρχιτεκτονική νευρωνικών δικτύων. Τώρα, ένα νευρικό δίκτυο είναι μια σειρά αλγορίθμων που προσπαθούν να αναγνωρίσουν τις υποκείμενες σχέσεις σε ένα σύνολο δεδομένων μέσω μιας διαδικασίας που μιμείται τον τρόπο λειτουργίας του ανθρώπινου εγκεφάλου.

Η ομορφιά ενός νευρικού δικτύου είναι η ικανότητά του να παράγει το καλύτερο αποτέλεσμα χωρίς την ανάγκη επανασχεδιασμού των κριτηρίων εξόδου. Μπορούν να αναγνωρίσουν μοτίβα μέσω δεδομένων και να προχωρήσουν στη λήψη μιας ακριβούς απόφασης.

Και πάλι, οι τεχνικές βαθιάς μάθησης βασίζονται σε πολύπλοκα και βαριά νευρωνικά δίκτυα για την αναγνώριση μιας εικόνας, ήχου ή κειμένου. Τα παραδοσιακά νευρωνικά δίκτυα ενδέχεται να περιέχουν μόνο 2-3 κρυμμένα στρώματα, ενώ τα βαθιά δίκτυα μπορούν να έχουν όσα περισσότερα 150.

Αφού δημιουργήσετε το αλγοριθμικό μοντέλο σας, αυτό που έχετε είναι ένα μοντέλο βαθιάς μάθησης που μιμείται τη βιολογική δομή του εγκεφάλου. Το Deep Learning είναι βασικά η Μηχανική Εκμάθηση σε στεροειδή. Κάθε στρώμα επεξεργάζεται χαρακτηριστικά και γενικά κάθε στρώμα εξάγει μερικές πολύτιμες πληροφορίες.

Όπως περιγράφεται από το MIT News, "Μοντελοποιημένο χαλαρά στον ανθρώπινο εγκέφαλο, ένα νευρικό δίχτυ αποτελείται από χιλιάδες ή και εκατομμύρια απλούς κόμβους επεξεργασίας που είναι πυκνά διασυνδεδεμένοι."

"Τα περισσότερα από τα νευρικά δίχτυα του σήμερα είναι οργανωμένα σε στρώματα κόμβων και" τροφοδοτούνται προς τα εμπρός ", που σημαίνει ότι τα δεδομένα μετακινούνται μέσω αυτών σε μία μόνο κατεύθυνση."

"Ένας μεμονωμένος κόμβος μπορεί να είναι συνδεδεμένος με πολλούς κόμβους στο επίπεδο κάτω από αυτό, από τον οποίο λαμβάνει δεδομένα και αρκετούς κόμβους στο επίπεδο πάνω από αυτό, στον οποίο στέλνει δεδομένα."

Έτσι δημιουργεί το ερώτημα, πώς χρησιμοποιείται η βαθιά μάθηση σήμερα;

Βαθιά μάθηση σε όλη τη βιομηχανία

Τα μοντέλα βαθιάς μάθησης έχουν ήδη διεισδύσει στον κόσμο σας, οδηγώντας εξίσου σε μια σειρά από σημαντικές ανακαλύψεις σε μεγάλες βιομηχανίες, από τον κόσμο των ηλεκτρονικών ειδών ευρείας κατανάλωσης που επεκτείνουν τη δύναμή τους στα πεδία της αεροδιαστημικής και της άμυνας.

Συνήθως η βαθιά μάθηση χρησιμοποιείται σε αυτοματοποιημένες εφαρμογές μετάφρασης ακοής και ομιλίας που βρίσκονται σε εφαρμογές και έξυπνες συσκευές. Οι εφαρμογές βαθιάς μάθησης βοηθούν αυτά τα συστήματα να αναγνωρίσουν τη φωνή σας και να παρέχουν ακριβείς απαντήσεις.

Ενώ στο ιατρικό πεδίο οι ερευνητές χρησιμοποιούν βαθιά μάθηση για να ανιχνεύουν καρκινικά κύτταρα. Ακόμη και οι βιομηχανικές εταιρείες χρησιμοποιούν βαθιά μάθηση για να βελτιώσουν τη ζωή των εργαζομένων, προσδιορίζοντας πότε οι εργαζόμενοι κινδυνεύουν να βλάψουν τον εαυτό τους ενώ χειρίζονται βαριά μηχανήματα.

Τα εργαλεία βαθιάς μάθησης θα συνεχίσουν να αλλάζουν τον τρόπο με τον οποίο εργάζονται, δημιουργούν και ακόμη και σχεδιάζουν προϊόντα. Αυτό είναι μόνο η αρχή.


Δες το βίντεο: My son was a Columbine shooter. This is my story. Sue Klebold (Ενδέχεται 2022).