Ką reikia žinoti apie dirbtinio intelekto evoliuciją
Gilus mokymasis yra galinga mašininio mokymosi forma (ML), kuri sukuria sudėtingas matematines struktūras, vadinamas neuroniniais tinklais, naudojant didžiulius duomenų (informacijos) kiekius.
Giliojo mokymosi apibrėžimas
Gilus mokymasis - tai būdas įgyvendinti ML, naudojant keletą neuroninių tinklų sluoksnių, kad apdorotų sudėtingesnius duomenų tipus. Kartais vadinamas hierarchinis mokymasis, gilus mokymasis naudoja skirtingų tipų neuroninius tinklus, kad išmoktų funkcijų (taip pat vadinamų reprezentacijomis) ir juos rastų dideliuose rinkiniuose neapdorotų, nepažymėtų duomenų (nestruktūruotų duomenų). Viena iš pirmųjų gilios mokymosi pažangos demonstravimų buvo programa, kuri sėkmingai pasirinko kačių vaizdus iš "YouTube" vaizdo įrašų rinkinių.
Giliai mokymosi pavyzdžiai kasdieniame gyvenime
Gilus mokymasis naudojamas ne tik įvaizdžio atpažinimo, bet ir kalbų vertimo, sukčiavimo aptikimo ir analizuojant įmonių surinktus duomenis apie savo klientus. Pavyzdžiui, "Netflix" naudoja gilų mokymąsi, kad galėtumėte analizuoti jūsų žiūrėjimo įpročius ir prognozuoti, kokius filmus ir filmus norite žiūrėti. Štai kaip "Netflix" žino, kad jūsų pasiūlymų eilėje pasirodys veiksmo filmai ir gamtos dokumentiniai filmai. "Amazon" naudoja gilų mokymąsi, kad galėtumėte analizuoti nesenus jūsų pirkinius ir daiktus, kuriuos neseniai ieškojote, kad galėtumėte kurti pasiūlymus dėl naujų šalies muzikinių albumų, kuriuos galėtumėte sudominti, ir kad esate rinkoje pora pilkojo ir geltono teniso avalynė. Kadangi gilus mokymasis suteikia daugiau informacijos apie nestruktūruotus ir neapdorotus duomenis, korporacijos gali geriau numatyti savo klientų poreikius, o jūs, individualus klientas, gausite daugiau individualizuotos klientų aptarnavimo.
Dirbtiniai neuroniniai tinklai ir gilus mokymasis
Norint, kad gilus mokymas būtų lengviau suprantamas, pakartotinai apžiūrėkime dirbtinio neuroninio tinklo (ANN) palyginimą . Jei norite giliai mokytis, įsivaizduokite, kad mūsų 15 aukštų biurų pastatas užima miesto bloką su penkiais biurų pastatais. Kiekvienoje gatvės pusėje yra trys pastatai. Mūsų pastatas pastato A ir dalijasi toje pačioje gatvės pusėje, kaip pastatai B ir C. Per gatvę nuo pastato A pastato 1, o pastato B statyba - pastatas 2 ir tt Kiekvienas pastatas turi skirtingą aukštų skaičių, yra pagamintas iš skirtingų medžiagų ir turi skirtingą architektūrinį stilių iš kitų. Tačiau kiekvienas pastatas vis dar išdėstytas atskirose patalpose (mazgų) aukštuose (sluoksniuose), todėl kiekvienas pastatas yra unikalus ANN.
Įsivaizduokite, kad "A" pastatytas skaitmeninis paketas, kuriame yra daug skirtingos informacijos iš įvairių šaltinių, pvz., Teksto duomenų, vaizdo įrašų srautų, garso srautų, telefono skambučių, radijo bangų ir nuotraukų, tačiau jis patenka į vieną didžiulį kliūtį ir nėra logiškai pažymėtas ar rūšiuotas (nestruktūruoti duomenys). Informacija siunčiama per kiekvieną aukštą, nuo 1 iki 15, kad būtų galima apdoroti. Po informacijos iškilimo iki 15 aukšto (išėjimo) jis siunčiamas 3 pastato 1 - ame aukštui (įvedimas) kartu su galutiniu apdorojimo rezultatu iš pastato A. 3. pastatas išgyvena ir įtraukia rezultatą, išsiųstą statant A ir tada procesas informacijos perkraukite per kiekvieną grindų taip pat. Kai informacija pasiekia pastato 3 viršutinį aukštą, ji iš ten siunčiama su pastato rezultatais iki pastato 1. Pirmasis pastatas iš 3 pastato išmoksta ir įtraukia prieš pastato grindis. Pastatas 1 perduoda informaciją ir rezultatus tokiu pačiu būdu kaip ir pastatas C, kuris apdoroja ir siunčia pastatą 2, kuris apdoroja ir siunčia pastatą B.
Kiekvienas mūsų pavyzdyje pateiktas ANN (pastatas) ieško kitokios nestruktūrinių duomenų funkcijos (informacijos gedimas) ir perkelia rezultatus į kitą pastatą. Kitas pastatas apima (išmoksta) rezultatus (rezultatus) iš ankstesnio. Kadangi duomenis tvarko kiekvienas ANN (pastatas), jis organizuojamas ir ženklinamas (klasifikuojamas) pagal tam tikrą funkciją, taigi, kai duomenys pasiekia paskutinio ANN (pastato) galutinę produkciją (viršutinį aukštą), ji klasifikuojama ir žymima (labiau struktūrizuota).
Dirbtinis intelektas, mašininis mokymasis ir gilus mokymasis
Kaip gilus mokymasis tinka bendrajam dirbtinio intelekto (AI) ir ML vaizdavimui? Gilus mokymasis didina ML galingumą ir padidina užduočių asortimentą, kurį gali atlikti AI. Kadangi gilus mokymasis remiasi neuroninių tinklų naudojimu ir funkcijų atpažinimu duomenų rinkiniuose, o ne paprastesniam užduotiui būdingiems algoritmams , jis gali rasti ir naudoti duomenis iš nestruktūruotų (žaliavų) duomenų, be to, programuotojas turi rankiniu būdu jį pirmiausiai pažymėti pirmą kartą -naudinga užduotis, galinti sukelti klaidų. Gilus mokymasis padeda kompiuteriams geriau ir geriau naudoti duomenis, kad padėtų tiek korporacijoms, tiek asmenims.