Einführung in Deep Learning

Deep Learning ist eine der Techniken des maschinellen Lernens, mit denen wir Computer lehren / trainieren, um das zu tun, was Menschen tun. Zum Beispiel spielt das autofreie Lernen eine Schlüsselrolle in der fahrerlosen Fahrzeugtechnologie, indem es ihnen ermöglicht, verschiedene Verkehrszeichen, Verkehrszeichen, Fußgängerzeichen usw. zu identifizieren. Weitere Schlüsselbereiche des tiefen Lernens sind die Sprachsteuerung in Heimsystemen, Mobiltelefonen und drahtlosen Lautsprechern, Alexa, Smart-TVs usw. Beim Tiefenlernen für Anfänger geht es hauptsächlich um mehrere Abstraktions- und Darstellungsebenen, mit denen Computermodelle lernen, Bilder, Töne und Text usw. zu klassifizieren. Tiefenlernen-Modelle erzielen in einigen Modellen eine bessere Genauigkeit und Leistung als Menschen . Im Allgemeinen werden diese Computermodelle durch einen großen Datensatz trainiert, der gekennzeichnet und unbeschriftet ist, um Objekte und neuronale Netzwerke zu identifizieren, die mehrere Schichten in jedem Netzwerk aufweisen.

Was ist tiefes Lernen?

Ich werde im Folgenden erläutern, was Deep Learning im Laienbegriff ist: Im Allgemeinen werden wir zwei Aufgaben die ganze Zeit bewusst oder unbewusst erledigen, dh das, was wir durch unsere Sinne empfunden haben (wie z. B. das Fühlen eines heißen, kalten Bechers usw.) und die Vorhersage zum Beispiel kategorisieren, sagt die zukünftige Temperatur basierend auf den vorherigen Temperaturdaten voraus. Wir erledigen Kategorisierungs- und Vorhersageaufgaben für verschiedene Ereignisse oder Aufgaben in unserem täglichen Leben, wie z.

  • Halten Sie eine Tasse Tee / Wasser / Kaffee usw., die heiß oder kalt sein kann.
  • E-Mail-Kategorisierung wie Spam / kein Spam.
  • Tageslicht-Kategorisierung wie Tag oder Nacht.
  • Langfristige Zukunftsplanung auf der Grundlage unserer aktuellen Position und der Dinge, die wir haben, nennt man Vorhersage.
  • Jede Kreatur auf der Welt wird diese Aufgaben in ihrem Leben erledigen. Bedenken Sie beispielsweise, dass Tiere wie die Krähe einen Ort zum Bauen ihres Nestes kategorisieren oder nicht. Eine Biene wird über einige Faktoren entscheiden, wann und wo sie Honig bekommt. Eine Fledermaus wird in der Nacht kommen und schläft morgens basierend auf der Kategorisierung von Tag und Nacht.

Lassen Sie uns die Kategorisierung und Vorhersage dieser Aufgaben visualisieren. Sie sehen ähnlich aus wie in der folgenden Abbildung. Bei der Kategorisierung wird eine Kategorisierung zwischen Katzen und Hunden durchgeführt, indem eine Linie durch Datenpunkte gezogen wird. Bei der Vorhersage wird eine Linie durch Datenpunkte zu gezogen prognostizieren, wann es zunimmt und abnimmt.

1) Kategorisierung

  • Um zwischen Katzen und Hunden oder Männern und Frauen zu unterscheiden, ziehen wir im Allgemeinen keine Linie in unserem Gehirn, und die Position von Hunden und Katzen ist nur zu Illustrationszwecken willkürlich, und es ist unnötig zu erwähnen, wie wir zwischen Katzen und Tieren unterscheiden Hunde in unserem Gehirn sind viel komplexer als das Zeichnen einer roten Linie wie oben.
  • Wir werden zwischen zwei Dingen anhand von Form, Größe, Größe, Aussehen usw. unterscheiden. Manchmal ist es schwierig, diese Merkmale wie einen kleinen Hund mit Wut und eine neugeborene Katze zu kategorisieren, daher handelt es sich nicht um eine eindeutige Kategorisierung in Katzen und Hunde.
  • Sobald wir in der Lage sind, als Kinder zwischen Katzen und Hunden zu unterscheiden, können wir jeden Hund und jede Katze, die wir vorher noch nicht gesehen haben, kategorisieren.

2) Vorhersage

  • Zur Vorhersage auf der Grundlage der Linie zeichnen wir durch Datenpunkte, wenn wir vorhersagen können, wo es am wahrscheinlichsten ist, nach oben oder unten zu gehen.
  • Die Kurve ist auch eine Vorhersage für die Anpassung neuer Datenpunkte innerhalb des Bereichs vorhandener Datenpunkte, dh wie nahe der neue Datenpunkt an der Kurve liegt.
  • Die Datenpunkte, die im obigen Bild (rechts) in roter Farbe dargestellt sind, sind Beispiele sowohl innerhalb als auch außerhalb des Bereichs der vorhandenen Datenpunkte, und die Kurve versucht, beide vorherzusagen.

Schließlich werden die Aufgabenkategorisierung und -vorhersage an einem ähnlichen Punkt beendet, dh es wird eine kurvige Linie aus Datenpunkten gezogen. Wenn wir das Computermodell so trainieren können, dass es die Kurvenlinie basierend auf den Datenpunkten zeichnet, die wir erstellt haben, können wir dies auf verschiedene Modelle ausweiten, z. B. das Zeichnen einer Kurvenlinie in dreidimensionalen Ebenen und so weiter. Das obige kann erreicht werden, indem ein Modell mit einer großen Menge an markierten und unmarkierten Daten trainiert wird, das als Deep Learning bezeichnet wird.

Beispiele für tiefes Lernen:

Wie wir wissen, sind Tiefenlernen und maschinelles Lernen Teilmengen der künstlichen Intelligenz, aber die Tiefenlernen-Technologie repräsentiert die nächste Evolution des maschinellen Lernens. Da maschinelles Lernen auf Algorithmen und Programmen basiert, die von Menschen entwickelt wurden, lernt Deep Learning durch ein neuronales Netzwerkmodell, das sich ähnlich wie Menschen verhält und es Maschinen oder Computern ermöglicht, die Daten auf ähnliche Weise wie Menschen zu analysieren. Dies wird möglich, wenn wir die neuronalen Netzwerkmodelle mit einer großen Datenmenge trainieren, da Daten der Brennstoff oder die Nahrung für neuronale Netzwerkmodelle sind. Im Folgenden finden Sie einige Beispiele für tiefes Lernen in der realen Welt.

  • Computer Vision:

Computer Vision befasst sich mit Algorithmen, mit denen Computer die Welt anhand von Bild- und Videodaten und Aufgaben wie Bilderkennung, Bildklassifizierung, Objekterkennung, Bildsegmentierung, Bildwiederherstellung usw. verstehen können.

  • Sprach- und natürliche Sprachverarbeitung:

Bei der Verarbeitung natürlicher Sprachen handelt es sich um Algorithmen, mit denen Computer die menschliche Sprache verstehen, interpretieren und manipulieren können. NLP-Algorithmen arbeiten mit Text- und Audiodaten und wandeln sie in Audio- oder Textausgaben um. Mit NLP können Aufgaben wie Stimmungsanalyse, Spracherkennung, Sprachübergang und Generierung natürlicher Sprache usw. durchgeführt werden.

  • Autonome Fahrzeuge:

Deep-Learning-Modelle werden mit einer Vielzahl von Daten zur Identifizierung von Straßenschildern trainiert. Einige Modelle sind auf die Identifizierung von Fußgängern, Menschen usw. für fahrerlose Autos während der Fahrt spezialisiert.

  • Texterstellung:

Mithilfe von Deep-Learning-Modellen, die nach Sprache, Grammatik und Textarten usw. trainiert wurden, kann ein neuer Text mit korrekter Rechtschreibung und Grammatik von Wikipedia bis Shakespeare erstellt werden.

  • Bildfilterung:

Durch die Verwendung von Deep-Learning-Modellen, z. B. das Hinzufügen von Farbe zu Schwarzweißbildern, können Deep-Learning-Modelle verwendet werden, die manuell mehr Zeit in Anspruch nehmen.

Fazit

Schließlich gibt es einen Überblick über die Deep Learning-Technologie und ihre Anwendungen in der realen Welt. Ich hoffe, dass Sie nach dem Lesen dieses Artikels ein gutes Verständnis dafür haben, was Deep Learning ist. Wie wir heute wissen, ist die Bilderkennung durch Maschinen, die durch tiefes Lernen trainiert wurden, in einigen Fällen besser als beim Menschen, dh bei der Identifizierung von Krebs in Blut und Tumoren in MRT-Scans. Googles alphaGo lernte das Spiel und trainierte es für sein 'Go'-Match durch Training seines neuronalen Netzwerks indem man immer und immer wieder dagegen spielt.

Empfohlene Artikel

Dies war ein Leitfaden für Was ist tiefes Lernen. Hier haben wir die Grundkonzepte und Beispiele für tiefes Lernen diskutiert. Sie können sich auch folgende Artikel ansehen:

  1. Karrieren in Deep Learnings
  2. 13 Nützliche Fragen zum Deep Learning-Vorstellungsgespräch
  3. Betreutes Lernen gegen tiefes Lernen
  4. Neuronale Netze vs Deep Learning
  5. Top-Vergleich von maschinellem Lernen zu Deep Learning

Kategorie:

Große Daten