Глубокое обучение - это метод машинного обучения, который позволяет системам учиться на собственном примере. Все современные системы искусственного интеллекта основаны на глубоком обучении.
В продолжение сообщения в блоге Искусственный интеллект я хотел бы подробнее рассказать о том, как работает глубокое обучение и чем оно отличается от машинного обучения. Я добавил иллюстрации, чтобы сделать чтение более интерактивным.
Что такое глубокое обучение:
Глубокое обучение - это разновидность машинного обучения, которое имитирует людей при обработке данных и создании шаблонов для принятия решений.
Глубокое обучение позволяет читать как структурированные, так и неструктурированные данные. Глубокое обучение - это ключевая технология, лежащая в основе беспилотных автомобилей и бытовой электроники с распознаванием голоса.
Как это работает ?
При глубоком обучении модель учится выполнять задачи классификации непосредственно из изображений, текста, видео или аудио. Модели обучаются с использованием большого набора помеченных данных и архитектур нейронных сетей, которые содержат много слоев. Помеченные данные - это набор данных, которые помечены для распознавания системой.
Пример. Ассистент голосового управления на потребительском устройстве будет обучен с помощью звука / текста / видео с различными настройками и функциями устройства для выполнения задач, продиктованных пользователем.
Модели глубокого обучения обучаются с использованием больших наборов помеченных данных и архитектур нейронных сетей, которые изучают функции непосредственно из данных без необходимости извлечения функций вручную.
Большинство моделей глубокого обучения используют архитектуру нейронной сети. Нейронная сеть - это адаптивная система, которая обучается, используя взаимосвязанные узлы в многоуровневой структуре.
Нейронная сеть может учиться на данных и может быть обучена распознавать закономерности, прогнозировать события и классифицировать данные. Сверточная нейронная сеть (CNN) - самая популярная нейронная сеть.
Глубокое обучение против машинного обучения:
В рабочем процессе машинного обучения функции извлекаются вручную, а затем используются для создания модели, которая классифицирует объекты, тогда как в рабочем процессе глубокого обучения извлечение функций и классификация моделей выполняются автоматически. Модель глубокого обучения улучшается по мере увеличения размера данных.
Для глубокого обучения требуется огромное количество данных, включая маркированные данные и высокопроизводительные графические процессоры (графические процессоры) для обучения модели, тогда как модель машинного обучения может быть обучена на основе различных методов, которые зависят от объема данных, типа приложения и т. Д.
Алгоритмы глубокого обучения:
Существует 4 ключевых алгоритма глубокого обучения, которые широко используются в зависимости от их анализа данных, обработки данных и отраслевых сценариев использования.
Алгоритмы классифицируются на основе моделей обучения с учителем и без учителя архитектуры глубокого обучения.
Модель обучения с учителем:
- Итеративно делает прогнозы, корректируя данные, чтобы они коррелировали с предполагаемым решением.
- Требуется вмешательство человека для маркировки данных
- Учится на обучающем наборе данных
Модель обучения без учителя:
- Работает независимо для определения связи между немаркированными данными
- Аналитику данных необходимо анализировать результаты и рекомендации
- Сверточная нейронная сеть (CNN): CNN - это алгоритм глубокого обучения, который анализирует входное изображение / объект и классифицирует его. Это помогает отличить объект от других во время тестов.
CNN в основном используется для обработки изображений, сегментации и классификации данных.
2. Рекуррентная нейронная сеть (RNN): RNN использует для анализа временные ряды или последовательные данные. Эти алгоритмы широко используются при поиске по порядковому номеру, например при распознавании голоса и языковом переводе.
3. Сеть глубокого убеждения (DBN): DBN - это новый алгоритм обучения, который состоит из нескольких скрытых слоев, каждый из которых является RBM (двухуровневой нейронной сетью).
DBN широко используется для совместной фильтрации, изучения функций и приложений квантовой механики.
4. Глубокая машина Больцмана (DBM): DBM состоит из нескольких уровней скрытых слоев без взаимосвязей. DBM - это неконтролируемая и вероятностная модель с несвязанной связью между разными уровнями.
В заключение. В этом сообщении блога мы вкратце узнали, что такое глубокое обучение и как оно работает, а также об алгоритмах глубокого обучения и их использовании.
Надеюсь, вам понравилось читать эту статью, и вы знаете, что такое упражнение - хлопайте, комментируйте и делитесь.
Ура, Картик
