Mély tanulási útmutató: Mesterséges intelligencia a mély tanulás segítségével

Ez a mély tanulási útmutató blog segít megérteni mindent a mély tanulásról és annak kapcsolatáról a gépi tanulással és a mesterséges intelligenciával.

Mivel a gépi tanulás fontos részhalmaza, a kereslet óriási emelkedést tapasztalt, különösen azok körében, akik érdekeltek az AI korlátlan lehetőségeinek kiaknázásában.A Deep Learning növekvő népszerűségének inspirálására gondoltam egy blogsorozattal, amely oktatni fogja Önt erről az új trendről a mesterséges intelligencia területén, és segít megérteni, miről is van szó. Ez az első a sok blog közül a sorozatban - Mély tanulási bemutató .



A mély tanulási bemutató

Ebben a Deep Learning Tutorial blogban a következő dolgokat ismertetem meg, amelyek a következő blogok alapjait szolgálják:



  • Mi engedte, hogy a mély tanulás létrejöjjön
  • Mi a mély tanulás és hogyan működik?

Végigviheti a mély tanulási oktatóanyag ezen felvételét, ahol oktatónk részletesen elmagyarázta a témákat példákkal, amelyek segítenek jobban megérteni ezt a koncepciót.

Mély tanulási útmutató | A neurális hálózatok mély tanulása Edureka

A mesterséges intelligencia és a mély tanulás alkalmazásai

Most gondolkodjon el ezen, ahelyett, hogy minden munkáját elvégezné, van egy gépe, amellyel befejezheti az Ön számára, vagy képes olyasmire, amelyről azt gondolta, hogy egyáltalán nem lehetséges. Például:



Jövő előrejelzése - Mély tanulási útmutató - Edureka

Jövő megjósolása: Ez segítségünkre lehet a földrengések, a szökőár stb. Előzetes előrejelzésében, így megelőző intézkedéseket lehet hozni annak érdekében, hogy sok életet megmentsünk a természetes csapások karmai elől.

hogyan kell használni a bitenkénti operátorokat a java-ban
Chat-botok: Mindannyian hallottak volna a Siriről, amely az Apple hangvezérelt virtuális asszisztense. Hidd el, a Deep Learning segítségével ezek a virtuális segítségek napról napra egyre okosabbak. Valójában a Siri alkalmazkodni tud a felhasználóhoz és jobban személyre szabott segítséget nyújt.
Önvezető autók: Képzelje el, milyen hihetetlen lenne a mozgáskorlátozottak és az idős emberek számára, akiknek nehéz a saját vezetésük. Ettől eltekintve több millió ártatlan életet fog megmenteni, akik emberi tévedés miatt évente találkoznak a közúti balesetekkel.

Google AI szemorvos: A Google nemrégiben kezdeményezte, hogy egy indiai szemgondozási lánccal dolgoznak egy olyan AI szoftver fejlesztésén, amely megvizsgálhatja a retina vizsgálatát és azonosíthatja a vakságot okozó diabéteszes retinopathia nevű állapotot.

AI zeneszerző: Nos, ki gondolta, hogy lehet egy AI zeneszerzőnk a Deep Learning segítségével. Ezért nem lennék meglepve, ha azt hallanám, hogy a következő legjobb zenét egy gép adja.
Álomolvasó gép: Ez az egyik kedvencem, egy olyan gép, amely képes megörökíteni álmait videó formájában, vagy valami más. Az AI és a Deep Learning oly sok nem reális alkalmazásával, amit eddig láttunk, nem lepődtem meg, amikor kiderült, hogy ezt néhány évvel ezelőtt Japánban kipróbálták három tesztalanyon, és közel 60% -os pontosságot tudtak elérni. Ez valami egészen hihetetlen, mégis igaz.


Biztos vagyok benne, hogy az AI és a Deep Learning ezen valós alkalmazásainak némelyike ​​libabőrös lett volna. Rendben, akkor ez megalapozza az Ön számára, és most már készen állunk továbblépni ebben a mély tanulási útmutatóban, és megérteni, mi is a mesterséges intelligencia.



Mi az a mesterséges intelligencia?

A mesterséges intelligencia nem más, mint egy gép azon képessége, hogy utánozza az intelligens emberi viselkedést. Az AI-t úgy érik el, hogy utánozzák az emberi agyat, megértik, hogyan gondolkodik, hogyan tanul, dönt és dolgozik, miközben megpróbálja megoldani a problémát.

Például: Sakkozó gép, vagy egy hanggal aktivált szoftver, amely segít az iPhone különböző dolgaiban vagy a rendszámfelismerő rendszerben, amely rögzíti a túllépő autó rendszámát, és feldolgozza azt, hogy kivonja a rendszámot és azonosítsa az autó tulajdonosát . Mindezeket korábban nem volt nagyon könnyű megvalósítani Mély tanulás . Most pedig értsük meg a mesterséges intelligencia különböző részhalmazait.

A mesterséges intelligencia részhalmazai

Mostanáig sokat hallottál volna a mesterséges intelligenciáról, a gépi tanulásról és a mély tanulásról. Tudja azonban mindhármuk kapcsolatát? Alapvetően a mély tanulás a gépi tanulás és a gépi tanulás a mesterséges intelligencia egyik részterülete, amint az az alábbi képen látható:

Amikor olyasmit nézünk AlphaGo , gyakran a mély tanulás nagy sikereinek tekintik, de valójában ötleteinek kombinációja az AI és a gépi tanulás több különböző területéről. Valójában meglepődne, ha azt hallaná, hogy a mély neurális hálózatok mögött álló ötlet nem új, hanem az 1950-es évekig nyúlik vissza. Ennek gyakorlati megvalósítása azonban lehetővé vált a manapság elérhető csúcskategóriás erőforrás-képesség miatt.

Tehát haladva ebben a mély tanulási oktató blogban, fedezzük fel a Gépi tanulást és annak korlátait.

Mi az a gépi tanulás?

A gépi tanulás a mesterséges intelligencia egy olyan halmaza, amely kifejezetten programozás nélkül biztosítja a számítógépek számára a tanulást. A gépi tanulás során nem kell minden lépést vagy feltételt egyértelműen meghatároznunk, mint bármely más programozási alkalmazást. Éppen ellenkezőleg, a gépet egy olyan képzési adatkészletre képezik ki, amely elég nagy ahhoz, hogy létrehozzon egy modellt, amely segíti a gépet abban, hogy a tanulása alapján döntéseket hozzon.

Például: Gépi tanulással szeretnénk meghatározni a virág fajait szirma és csészealja (virág levelei) hossza alapján. Akkor hogyan fogjuk csinálni?

A fenti képen látható módon betápláljuk gépünkbe a virágadat-készletet, amely a különböző virágok különféle jellemzőit tartalmazza a fajokkal együtt. Ezen bemeneti adatsor felhasználásával a gép létrehoz és kiképez egy modellt, amely felhasználható a virágok különböző kategóriákba sorolására.
Miután a modellünket betanították, továbbadunk egy jellemzőkészletet, amely a modell inputjaként szolgál.
Végül modellünk kinyomtatja az új bemeneti adatkészletben jelen lévő virágfajokat. Ezt a folyamatot, amely egy gépet képez egy modell létrehozására és a döntéshozatalban való felhasználására, hívják Gépi tanulás . Ennek a folyamatnak azonban vannak korlátai.

A gépi tanulás korlátai

A gépi tanulás nem képes nagy dimenziós adatok kezelésére, ahol a bemenet és a kimenet elég nagy. Az ilyen típusú adatok kezelése és feldolgozása nagyon összetetté és erőforrás-kimerítővé válik. Ezt nevezik A dimenzió átka . Ennek egyszerűbb megértése érdekében vegyük figyelembe a következő képet:

Vegyünk egy 100 yardos vonalat, és valahol a vonalon ledobtál egy érmét. Most nagyon kényelmes megtalálni az érmét egyszerűen a vonalon sétálva. Ez a vonal egydimenziós entitás.
Ezután vegye fontolóra, hogy van egy négyzet oldala 100 yard, amint a fenti képen látható, és ismét valahol a kettő közé dobott egy érmét. Most már teljesen nyilvánvaló, hogy az előző forgatókönyvhöz képest több időre van szüksége, hogy megtalálja az érmét ezen a téren. Ez a négyzet kétdimenziós entitás.
Tegyük meg egy lépéssel előre, figyelembe véve egy-egy 100 méteres kockát, és valahol a kettő közé dobtál egy érmét. Most még nehezebb megtalálni az érmét. Ez a kocka háromdimenziós entitás.

Ennélfogva megfigyelheti, hogy a méret egyre növekszik.És a való életben a nagy dimenziójú adatoknak, amelyekről beszéltünk, több ezer dimenziója van, ami nagyon bonyolulttá teszi a kezelését és feldolgozását. A nagy dimenziós adatok könnyen megtalálhatók olyan felhasználási esetekben, mint a képfeldolgozás, az NLP, a képfordítás stb.

A gépi tanulás nem volt képes megoldani ezeket a felhasználási eseteket, ezért a mély tanulás ment meg. A mély tanulás képes kezelni a nagy dimenziós adatokat, és önmagában is hatékonyan összpontosíthat a megfelelő tulajdonságokra. Ezt a folyamatot funkciókivonásnak nevezzük. Most lépjünk előre ebben a mély tanulási útmutatóban, és értsük meg, hogyan működik a mély tanulás.

c ++ rendezési függvény

Hogyan működik a mély tanulás?

Az emberi agy újratervezésének megkísérlésével a Deep Learning az agy alapvető egységét, az úgynevezett agysejtet vagy neuront vizsgálja. Idegsejtből ihletve mesterséges neuront vagy perceptront fejlesztettek ki. Most pedig értsük meg a biológiai idegsejtek funkcionalitását és azt, hogy miként utánozzuk ezt a funkcionalitást a perceptronban vagy egy mesterséges idegsejtben:

  • Ha egy biológiai idegsejt szerkezetére összpontosítunk, annak vannak dendritjei, amelyeket a bemenetek fogadására használnak. Ezeket a bemeneteket összegezzük a sejttestben, és az Axon segítségével továbbadjuk a következő biológiai idegsejtnek, amint az a fenti képen látható.

  • Hasonlóképpen, a perceptron több bemenetet is fogad, különféle átalakításokat és funkciókat alkalmaz, és kimenetet biztosít.

  • Mint tudjuk, hogy agyunk több összekapcsolt idegsejtből áll, úgynevezett ideghálózatból, rendelkezhetünk mesterséges idegsejtek hálózatával, úgynevezett perceptronokkal, hogy kialakítsuk a mély ideghálót. Tehát haladjunk tovább ebben a mély tanulási útmutatóban, hogy megértsük, hogyan néz ki egy mély neurális hálózat.

Mély tanulási útmutató: Mi a mély tanulás?

  • Bármely mély neurális hálózat három típusú rétegből áll:
    • A bemeneti réteg
    • A rejtett réteg
    • A kimeneti réteg
A fenti ábrán az első réteg az összes bemenetet befogadó bemeneti réteg, az utolsó pedig a kívánt kimenetet biztosító kimeneti réteg.
A rétegek között található összes réteget rejtett rétegnek nevezzük. A napjainkban elérhető csúcskategóriás erőforrásoknak köszönhetően n számú rejtett réteg lehet.
A rejtett rétegek és az egyes rétegekben lévő perceptronok száma teljes mértékben attól a felhasználási esettől függ, amelyet megpróbál megoldani.

Most, hogy van képe egy mély neurális hálózatokról, lépjünk előre ebben a mély tanulási útmutatóban, hogy magas szintű képet kapjunk arról, hogy a mély neurális hálózatok hogyan oldják meg a képfelismerés problémáját.

Mély tanulás - eset

Képfelismerést szeretnénk végrehajtani a Deep Networks segítségével:

Itt továbbítjuk a nagy dimenziós adatokat az input rétegnek. A bemeneti adatok dimenzióinak megfelelővé tétele érdekében a bemeneti réteg több perceptron alréteget tartalmaz, hogy a teljes bemenetet fel tudja használni.
A bemeneti rétegből kapott kimenet mintákat fog tartalmazni, és csak a kontraszt szintje alapján lesz képes azonosítani a képek széleit.
Ez a kimenet a Rejtett 1 rétegbe kerül, ahol képes lesz azonosítani a különböző arcvonásokat, mint a szem, az orr, a fül stb.
Most ez kerül a rejtett 2 rétegbe, ahol képes lesz a teljes arcokat kialakítani. Ezután a 2. réteg kimenetét elküldjük a kimeneti rétegnek.
Végül a kimeneti réteg az előzőből kapott eredmény alapján osztályozást végez, és megjósolja a nevet.

Hadd tegyek fel egy kérdést, mi fog történni, ha ezek közül a rétegek közül bármelyik hiányzik, vagy az ideghálózat nem elég mély? Egyszerű, nem tudjuk pontosan azonosítani a képeket. Éppen ezért ezeknek a felhasználási eseteknek nem volt megoldásuk a mély tanulás előtt. Ahhoz, hogy ezt tovább vigyük, megpróbáljuk a Deep hálózatokat alkalmazni egy MNIST adatkészleten.

  • Az Mnist adatkészlet 60 000 képzési mintából és 10 000 kézírásos képminta tesztmintájából áll. A feladat egy olyan modell kiképzése, amely pontosan képes azonosítani a képen lévő számjegyet.

  • Ennek a felhasználási esetnek a megoldására létrejön egy mély hálózat, több rejtett réteggel, hogy az összes 60 000 képet pixelenként feldolgozza, végül pedig egy kimeneti réteget kapunk.
  • A kimeneti réteg 0 és 9 közötti index tömb lesz, ahol minden index megfelel a megfelelö számjegynek. A 0. index annak valószínűségét tartalmazza, hogy 0 a bemeneti képen szereplő számjegy legyen.
  • Hasonlóképpen, a 2 index, amelynek értéke 0,1, valójában annak a valószínűségét képviseli, hogy 2 legyen a bemeneti képen szereplő számjegy. Tehát, ha ebben a tömbben a legnagyobb valószínűség 0,8, amely a tömb 7 indexében van. Ezért a képen lévő szám 7.

Következtetés

Szóval srácok, mindez dióhéjban a mély tanulásról szólt. Ebben a mély tanulási bemutatóban a mély tanulás különféle alkalmazásait láttuk meg, és megértettük az AI és a Machine Learning kapcsolatát. Ezután megértettük, hogyan használhatjuk a perceptront vagy egy mesterséges neuron alapelemeit olyan mély ideghálózat létrehozásához, amely komplex feladatokat képes végrehajtani. Végül átéltük a mély tanulás egyik felhasználási esetét, ahol mély neurális hálózatok segítségével végeztünk képfelismerést, és megértettük a színfalak mögött zajló összes lépést. A Deep Learning Tutorial sorozat következő blogjában megtudhatjuk, hogyan kell megvalósítani a perceptront a TensorFlow segítségével, amely egy Python alapú könyvtár a mély tanuláshoz.

Most, hogy tud a mély tanulásról, nézze meg a az Edureka, egy megbízható online tanulási vállalat, amelynek több mint 250 000 elégedett tanulóval rendelkező hálózata elterjedt az egész világon. Az Edureka mély tanulás a TensorFlow tanúsítással tanfolyam segít a tanulóknak abban, hogy szakértőkké váljanak az alap- és konvolúciós ideghálózatok képzésében és optimalizálásában valós idejű projektek és feladatok felhasználásával, olyan koncepciókkal együtt, mint a SoftMax funkció, az Auto-encoder Neural Networks, a Restricted Boltzmann Machine (RBM).

Van egy kérdésünk? Kérjük, említse meg a megjegyzések részben, és kapcsolatba lépünk Önnel.