Удобное для мозга введение в глубокое обучение
Из этой статьи вы узнаете, что такое глубокое обучение. Он ответит на два основных вопроса, которые часто возникают, когда люди слышат, как я с энтузиазмом говорю об искусственном интеллекте. Почему глубокое обучение «глубокое» и как оно связано с человеческим мозгом?
На мой взгляд, большая часть информации, которую вы сейчас можете найти в Интернете по этой теме, либо очень математическая, либо очень техническая, либо просто полностью неверна. Основная идея глубокого обучения на самом деле довольно проста и интуитивно понятна! Вы хотите знать?
Я обещаю вам, не погружаясь слишком глубоко, вы сможете это понять. Ответим на эти вопросы!
Почему Deep Learning «глубокое»?
Глубокое обучение - это подраздел машинного обучения. Учитывая определенные входные данные, мы прогнозируем выход на основе статистики, которую мы получаем из данных. Звучит расплывчато, может быть, но скоро это станет ясно на примере.
По мере увеличения количества данных прогнозировать результат становится все труднее. Разница между машинным обучением и глубоким обучением заключается в способности обнаруживать несколько шаблонов. Он включает слои, поэтому становится «глубоким».
Давайте объясним это с помощью простой задачи. Нам нужно предсказать, является ли животное на картинке кошкой или собакой.
В традиционном машинном обучении это простая проблема с входным (изображение) и выходным слоем (кошка или собака). Поскольку он имеет прямое отображение от ввода к выводу, он в основном предсказывает функцию, которая разделяет всех кошек и собак. Исторически сложилось так, что машинное обучение делало это очень хорошо, извлекая такие характеристики (проектирование признаков), как длина кошки, волосы, цвет и т. Д. Вместо использования необработанного изображения мы использовали эти функции для прогнозирования кошки или собаки. Вы понимаете, это довольно сложная задача.
Глубокое обучение дало нам возможность действовать по-другому. Они представили концепцию добавления слоев! Проталкивая необработанные данные через несколько слоев, каждый слой извлекает объекты. Первый слой извлекает некоторые низкоуровневые шаблоны, в то время как более поздние слои извлекают все больше и больше высокоуровневых функций.
На изображении ниже показано, как это могло бы выглядеть, хотя на практике не всегда удается дать хорошее визуальное представление о процессе обучения.
Благодаря доступу к обучающим данным современные нейронные сети глубокого обучения иногда имеют значительно больше 10, 100 или даже больше слоев - все обучаются автоматически! Результаты поразительны, они превзошли годы традиционных исследований сложных проблем в области машинного обучения!
Какое отношение имеет глубокое обучение к человеческому мозгу?
Давайте проясним с самого начала. Мы не воссоздали человеческий мозг. Модели глубокого обучения - это не модели мозга.
Нет никаких доказательств того, что мозг реализует какой-либо механизм обучения, используемый в современных моделях глубокого обучения - Франсуа Шоле.
Такие термины, как «нейронная сеть», «нейрон» и другие, относятся к нейробиологии. Это действительно было источником вдохновения, но не более того.
Вы должны понимать, что логично, что компьютер превосходит человеческий мозг в определенных задачах, особенно там, где необходимо рассчитать множество возможностей.
Нам легко объяснить, что более умный человек с большей вероятностью выиграет у немого в игре в шахматы. Ну, угадайте, что. Если компьютер узнает каждый путь к победе, он, вероятно, станет лучшим человеком. Глубокое обучение пытается запомнить каждый путь к победе, позволяя ему соревноваться и даже побеждать игроков мирового класса в таких играх, как шахматы и го.
Рассматривайте поле как математическую основу, которая позволяет нам изучать представления и идеи на основе данных. Это очень многообещающая область, потому что она предлагает множество возможностей для автоматизации на основе исторических данных, чего раньше нельзя было сделать с помощью алгоритма.
Вывод
В этой статье объясняется, почему стоит взглянуть на Deep Learning и отойти от традиционных методов машинного обучения, особенно когда вы имеете дело с большим объемом данных.
Эта статья также развенчивает миф о том, что мы моделируем человеческий мозг. Хотя, безусловно, можно создавать интересные приложения, которые превосходят людей в определенных задачах, в ближайшее время невозможно будет создать людей лучше, похожих на роботов.
