Was ist Deep Learning?
In diesem Blog werde ich über Was ist sprechen Tiefes Lernen Das ist heutzutage ein heißer Trend und hat seine Wurzeln in einer Vielzahl von Branchen, die in Bereiche wie künstliche Intelligenz, Big Data und Analytik investieren, fest verankert. Zum Beispiel verwendet Google Deep Learning in seinen Sprach- und Bilderkennungsalgorithmen, während Netflix und Amazon es verwenden, um das Verhalten ihrer Kunden zu verstehen. Sie werden es nicht glauben, aber Forscher am MIT versuchen, die Zukunft mithilfe von Deep Learning vorherzusagen.Stellen Sie sich nun vor, wie viel Potenzial Deep Learning für die Revolutionierung der Welt hat und wie die Unternehmen danach suchen werden .Bevor man über tiefes Lernen spricht, muss man seine Beziehung zu maschinellem Lernen und künstlicher Intelligenz verstehen. Der einfachste Weg, diese Beziehung zu verstehen, besteht darin, das folgende Diagramm durchzugehen:
Feige: Was ist Deep Learning - AI Technologies Timeline
Hier im Bild sehen Sie, dass das maschinelle Lernen eine Teilmenge der KI ist. Dies impliziert die Tatsache, dass wir intelligente Maschinen bauen können, die basierend auf dem bereitgestellten Datensatz selbst lernen können. Außerdem werden Sie feststellen, dass Deep Learning eine Teilmenge des maschinellen Lernens ist, bei der ähnliche Algorithmen für maschinelles Lernen zum Trainieren von tiefen neuronalen Netzen verwendet werden, um eine bessere Genauigkeit in den Fällen zu erzielen, in denen erstere nicht die erforderliche Leistung erbrachten. FoDas Folgende sind die Themen, die ich in diesem Deep-Learning-Tutorial diskutieren werde:
- Künstliche Intelligenz
- Maschinelles Lernen
- Nachteile von ML
- Was ist Deep Learning?
- Deep Learning-Anwendung
Lassen Sie sich mit Projekten auf Branchenebene zertifizieren und verfolgen Sie Ihre Karriere
Künstliche Intelligenz
Feige: Was ist Deep Learning - Künstliche Intelligenz
Der Begriff KI wurde 1956 von John McCarthy geprägt, der auch als Vater der künstlichen Intelligenz bezeichnet wird. Die Idee hinter AI ist ziemlich einfach und doch faszinierend: Intelligente Maschinen zu entwickeln, die selbst Entscheidungen treffen können. Sie mögen es als eine wissenschaftliche Fantasie betrachten, aber in Bezug auf die jüngsten Entwicklungen in Bezug auf Technologie und Rechenleistung scheint die Idee Tag für Tag der Realität näher zu kommen.
Maschinelles Lernen: Ein Schritt in Richtung künstliche Intelligenz
Nachdem Sie mit KI vertraut sind, lassen Sie uns kurz über maschinelles Lernen sprechen und verstehen, was es bedeutet, wenn wir sagen, dass wir Maschinen zum Lernen programmieren. Beginnen wir mit einer sehr berühmten Definition des maschinellen Lernens:
'Ein Computerprogramm soll aus der Erfahrung E in Bezug auf eine Aufgabe T und ein Leistungsmaß P lernen, wenn sich seine Leistung an T, gemessen durch P, mit der Erfahrung E verbessert.' - Tom Mitchell, Carnegie Mellon University
Unterschied zwischen Hashmap und Hashtable in Java
Wenn Sie also möchten, dass Ihr Programm Verkehrsmuster an einer belebten Kreuzung vorhersagt (Aufgabe T), können Sie es durch einen Algorithmus für maschinelles Lernen mit Daten über vergangene Verkehrsmuster ausführen (Erfahrung E). Die Genauigkeit der Vorhersage (Leistungsmaß P) hängt nun davon ab, ob das Programm erfolgreich aus dem Datensatz gelernt hat oder nicht (Erfahrung E).
Grundsätzlich wird maschinelles Lernen als eine Art künstliche Intelligenz (KI) bezeichnet, die Computern die Möglichkeit bietet, zu lernen, ohne explizit programmiert zu werden, indem sie einer großen Datenmenge ausgesetzt werden. Das Kernprinzip des maschinellen Lernens besteht darin, aus Datensätzen zu lernen und zu versuchen, Fehler zu minimieren oder die Wahrscheinlichkeit zu maximieren, dass ihre Vorhersagen wahr sind.
Nachteile des maschinellen Lernens
- Herkömmliche ML-Algorithmen sind beim Arbeiten mit hochdimensionalen Daten nicht nützlich. Hier haben wir eine große Anzahl von Ein- und Ausgängen. Im Fall der Handschrifterkennung haben wir beispielsweise eine große Menge an Eingaben, bei denen unterschiedliche Arten von Eingaben mit unterschiedlichen Arten von Handschriften verknüpft sind.
- Die zweite große Herausforderung besteht darin, dem Computer mitzuteilen, nach welchen Funktionen er suchen sollte, die eine wichtige Rolle bei der Vorhersage des Ergebnisses spielen und dabei eine bessere Genauigkeit erzielen. Dieser Prozess wird als bezeichnet Merkmalsextraktion .
Das Einspeisen von Rohdaten in den Algorithmus funktioniert selten und dies ist der Grund, warum die Merkmalsextraktion ein kritischer Bestandteil des traditionellen Workflows für maschinelles Lernen ist. Ohne Merkmalsextraktion steigt daher die Herausforderung für den Programmierer, da die Effektivität des Algorithmus sehr stark davon abhängt, wie aufschlussreich der Programmierer ist. Daher ist es sehr schwierig, diese Modelle oder Algorithmen des maschinellen Lernens auf komplexe Probleme wie Objekterkennung, Handschrifterkennung, NLP (Natural Language Processing) usw. anzuwenden.
Tiefes Lernen
Deep Learning ist eine der wenigen Methoden, mit denen wir die Herausforderungen der Merkmalsextraktion bewältigen können. Dies liegt daran, dass Deep-Learning-Modelle lernen können, sich selbst auf die richtigen Funktionen zu konzentrieren, ohne dass der Programmierer sie anleiten muss. Grundsätzlich ahmt Deep Learning die Funktionsweise unseres Gehirns nach, d. H. Es lernt aus Erfahrung. Wie Sie wissen, besteht unser Gehirn aus Milliarden von Neuronen, die es uns ermöglichen, erstaunliche Dinge zu tun. Sogar das Gehirn eines einjährigen Kindes kann komplexe Probleme lösen, die selbst mit Supercomputern sehr schwer zu lösen sind. Beispielsweise:
- Erkennen Sie auch das Gesicht ihrer Eltern und verschiedene Objekte.
- Unterscheiden Sie verschiedene Stimmen und können Sie eine bestimmte Person sogar anhand ihrer Stimme erkennen.
- Ziehen Sie Rückschlüsse auf Gesichtsgesten anderer Personen und vieles mehr.
Tatsächlich hat sich unser Gehirn im Laufe der Jahre unbewusst darauf trainiert, solche Dinge zu tun. Nun kommt die Frage: Wie tief ahmt das Lernen die Funktionalität eines Gehirns nach? Nun, Deep Learning verwendet das Konzept künstlicher Neuronen, das auf ähnliche Weise funktioniert wie die in unserem Gehirn vorhandenen biologischen Neuronen. Daher können wir sagen, dass Deep Learning ein Teilgebiet von ist Maschine Lernen befasst sich mit Algorithmen, die von der Struktur und Funktion des Gehirns inspiriert sind und künstliche neuronale Netze genannt werden.
Nehmen wir nun ein Beispiel, um es zu verstehen. Angenommen, wir möchten ein System erstellen, das Gesichter verschiedener Personen in einem Bild erkennen kann.Wenn wir dies als ein typisches Problem des maschinellen Lernens lösen, definieren wir Gesichtsmerkmale wie Augen, Nase, Ohren usw. und dann identifiziert das System selbst, welche Merkmale für welche Person wichtiger sind.
Jetzt geht Deep Learning einen Schritt voraus. Deep Learning ermittelt automatisch die Merkmale, die aufgrund tiefer neuronaler Netze für die Klassifizierung wichtig sind, während wir beim maschinellen Lernen diese Merkmale manuell definieren mussten.
Feige: Gesichtserkennung mit Deep Networks
Was ist eine Methode Javascript
Wie im obigen Bild gezeigt, funktioniert Deep Learning wie folgt:
- Auf der untersten Ebene ist das Netzwerk auf lokale Kontrastmuster als wichtig fixiert.
- Die folgende Ebene kann dann diese Muster des lokalen Kontrasts verwenden, um Dinge zu fixieren, die Augen, Nasen und Mündern ähneln
- Schließlich kann die oberste Ebene diese Gesichtsmerkmale auf Gesichtsvorlagen anwenden.
- Ein tiefes neuronales Netzwerk kann in jeder seiner aufeinanderfolgenden Schichten immer komplexere Merkmale zusammensetzen.
Haben Sie sich jemals gefragt, wie Facebook automatisch alle Personen markiert oder markiert, die in einem von Ihnen hochgeladenen Bild vorhanden sind? Nun, Facebook verwendet Deep Learning auf ähnliche Weise wie im obigen Beispiel angegeben. Jetzt hätten Sie die Fähigkeit von Deep Learning erkannt und festgestellt, wie es das maschinelle Lernen in den Fällen übertreffen kann, in denen wir nur sehr wenig Ahnung von allen Funktionen haben, die das Ergebnis beeinflussen können. Daher kann Deep Network den Nachteil des maschinellen Lernens überwinden, indem Schlussfolgerungen aus einem Datensatz gezogen werden, der aus Eingabedaten ohne ordnungsgemäße Kennzeichnung besteht.
Was ist Deep Learning? Deep Learning vereinfacht | Edureka
Anwendungen des Deep Learning
Lassen Sie uns in diesem Blog über Deep Learning einige der realen Anwendungen von Deep Learning betrachten, um seine wahren Kräfte zu verstehen.
Spracherkennung
Sie alle hätten von Siri gehört, dem sprachgesteuerten intelligenten Assistenten von Apple. Wie andere große Giganten hat auch Apple begonnen, in Deep Learning zu investieren, um seine Dienste besser als je zuvor zu machen.
Auf dem Gebiet der Spracherkennung und des sprachgesteuerten intelligenten Assistenten wie Siri kann man mithilfe eines tiefen neuronalen Netzwerks ein genaueres akustisches Modell entwickeln und ist derzeit eines der aktivsten Gebiete für die Implementierung von tiefem Lernen. Mit einfachen Worten, Sie können ein solches System erstellen, das neue Funktionen erlernen oder sich an Ihre Bedürfnisse anpassen kann und daher eine bessere Unterstützung bietet, indem Sie alle Möglichkeiten im Voraus vorhersagen.
Automatische maschinelle Übersetzung
Wir alle wissen, dass Google sofort zwischen 100 verschiedenen menschlichen Sprachen übersetzen kann, zu schnell wie durch Zauberei. Die Technologie dahinter Google Übersetzer wird genannt Maschinenübersetzung und war ein Retter für Menschen, die aufgrund der unterschiedlichen Sprechsprache nicht miteinander kommunizieren können. Sie würden jetzt denken, dass diese Funktion schon lange verfügbar ist. Was ist also neu daran? Lassen Sie mich Ihnen sagen, dass Google in den letzten zwei Jahren mithilfe von Deep Learning den Ansatz der maschinellen Übersetzung in Google Translate grundlegend reformiert hat. In der Tat schlagen Deep-Learning-Forscher, die fast nichts über Sprachübersetzung wissen, relativ einfache Lösungen für maschinelles Lernen vor, die die besten von Experten entwickelten Sprachübersetzungssysteme der Welt schlagen. Die Textübersetzung kann ohne Vorverarbeitung der Sequenz durchgeführt werden, sodass der Algorithmus die Abhängigkeiten zwischen Wörtern und deren Zuordnung zu einer neuen Sprache lernen kann. Zur Durchführung dieser Übersetzung werden gestapelte Netzwerke großer wiederkehrender neuronaler Netzwerke verwendet.
- Sofortige visuelle Übersetzung
Wie Sie wissen, wird Deep Learning verwendet, um Bilder mit Buchstaben zu identifizieren und zu ermitteln, wo sich die Buchstaben in der Szene befinden. Sobald sie identifiziert sind, können sie in Text umgewandelt, übersetzt und das Bild mit dem übersetzten Text neu erstellt werden. Dies wird oft genannt sofortige visuelle Übersetzung .
Power Bi vs Tableau 2016
Stellen Sie sich nun eine Situation vor, in der Sie ein anderes Land besucht haben, dessen Muttersprache Ihnen nicht bekannt ist. Keine Sorge, mit verschiedenen Apps wie Google Translate können Sie sofort visuelle Übersetzungen durchführen, um Schilder oder Shop-Boards zu lesen, die in einer anderen Sprache geschrieben sind. Dies war nur aufgrund von Deep Learning möglich.
Hinweis: Sie können die Google Übersetzer-App herunterladen und die erstaunliche sofortige visuelle Übersetzung anhand des obigen Bildes überprüfen.
Verhalten: Automatisierte selbstfahrende Autos
Google versucht, seine als WAYMO bekannte Initiative für selbstfahrende Autos mit Deep Learning auf ein völlig neues Niveau der Perfektion zu bringen. Anstatt alte handcodierte Algorithmen zu verwenden, können sie jetzt ein System programmieren, das anhand der von verschiedenen Sensoren bereitgestellten Daten selbst lernen kann. Deep Learning ist jetzt der beste Ansatz für die meisten Wahrnehmungsaufgaben sowie für viele Kontrollaufgaben auf niedriger Ebene. Daher können jetzt auch Menschen, die nicht fahren können oder behindert sind, die Fahrt ohne Abhängigkeit von anderen Personen unternehmen.
Hier habe ich nur einige berühmte Anwendungsfälle aus der Praxis erwähnt, in denen Deep Learning in großem Umfang eingesetzt wird und vielversprechende Ergebnisse zeigt. Es gibt viele andere Anwendungen des tiefen Lernens zusammen mit vielen Bereichen, die noch erforscht werden müssen.
Hier geht es also um tiefes Lernen auf den Punkt gebracht. Ich bin mir sicher, dass Sie inzwischen den Unterschied zwischen maschinellem Lernen und Deep Learning erkannt haben und wie Deep Learning für verschiedene reale Anwendungen sehr nützlich sein kann. In meinem nächsten Blog in dieser Deep Learning-Lernserie werden wir uns nun eingehend mit verschiedenen Konzepten und Algorithmen von Deep Learning sowie deren detaillierter Anwendung befassen.
Nachdem Sie nun über Deep Learning Bescheid wissen, lesen Sie die von Edureka, einem vertrauenswürdigen Online-Lernunternehmen mit einem Netzwerk von mehr als 250.000 zufriedenen Lernenden auf der ganzen Welt. Der Edureka Deep Learning mit TensorFlow-Zertifizierungstraining hilft den Lernenden, Experten für das Training und die Optimierung grundlegender und faltungsbedingter neuronaler Netze zu werden, indem sie Echtzeitprojekte und -aufgaben zusammen mit Konzepten wie der SoftMax-Funktion, Auto-Encoder-Neuronalen Netzen und der eingeschränkten Boltzmann-Maschine (RBM) verwenden.
Hast du eine Frage an uns? Bitte erwähnen Sie es in den Kommentaren und wir werden uns bei Ihnen melden.