Что Является Глубокое Изучение?

Глубокое обучение-это подмножество машинного обучения, филиал искусственного интеллекта, который настраивает компьютеры для выполнения задач, через опыт. Вот глубокое погружение.

What Is Deep Learning?

Глубокое обучение, продвинутый искусственный интеллект технику, становится все более популярным в последние несколько лет, благодаря обильной данных и повышения вычислительной мощности. Это основная технология, лежащая в основе многих приложений, которыми мы пользуемся каждый день, включая онлайн перевода на иностранные языки и автоматизированная лица-тегов в социальных сетях.

Эта технология также доказала свою полезность в здравоохранении: ранее в этом году ученые Массачусетского технологического института (MIT) использовали глубокого обучения для создания новой компьютерной программы для выявления рака молочной железы.

Классические модели потребовалось инженерам, чтобы вручную определить правила и логику для обнаружения рака, но для этой новой модели, ученые дали глубокий-алгоритм обучения 90,000 полном разрешении маммографию сканы от 60 000 пациентов, И пусть он найти общие закономерности между сканированиями пациентов, которые закончили с раком молочной железы и тех, кто не. Он способен предсказать рак молочной железы до пяти лет вперед, значительное улучшение по сравнению с предыдущими риск-моделей прогнозирования.

Что Такое Машинное Обучение?

Глубокое обучение-это подмножество машинного обучения, филиал искусственного интеллекта, который настраивает компьютеры для выполнения задач, через опыт. В отличие от классических, основанных на правилах систем искусственного интеллекта, машинного обучения, развивать их поведение путем обработки аннотированных примеров, этот процесс называется “обучение”.

Например, чтобы создать обнаружения мошенничества программу, вы ж машину-алгоритм обучения с перечнем банковских операций и их конечного результата (законного или незаконного). Модель машинного обучения, рассматриваются примеры и разрабатывает статистические представления общих характеристик между законными и мошеннических операций. После этого, когда вы предоставляете алгоритм с данными нового банка сделки, она будет классифицировать его как законного или незаконного, основанного на модели он почерпнул из обучающих примеров.

Как правило, чем больше данных вы предоставите, тем более точный машинного обучения алгоритм переходит на выполнение своих задач.

Машинное обучение является особенно полезной в решении проблем, где правила четко не определены и не могут быть закодированы в различных командах. Различные типы алгоритмов Excel на разные задачи.

Глубинное обучение и нейронные сети

В то время как классические алгоритмы машинного обучения решаются многие проблемы, которые правило, на основе программ боролся с, они бедные при работе с мягкими данных, таких как изображения, видео, звуковые файлы, и неструктурированный текст.

Например, создавая рака молочной железы в модели прогнозирования с помощью классических подходов к машинному обучению потребуются усилия десятков специалистов, программистов и математиков, по мнению исследователя искусственного интеллекта и обработке данных, Джереми Ховард. Исследователи придется делать много реконструирования, трудный процесс, который программы на компьютере, чтобы найти известные картины в рентгеновских и МРТ. После этого инженеры используют машинное обучение на верхней части извлеченных признаков. Создание такой модели ИИ уходят годы.

Изучить алгоритмы решения такой задачи на основе глубоких нейронных сетей, тип архитектуры программного обеспечения вдохновленный человеческого мозга (хотя нейронные сети отличаются от биологических нейронов). Нейронные сети являются слоях переменные, которые автоматически адаптируются к свойствам данных они обучаются и становятся способными делать такие задачи, как классификация изображений и преобразования речи в текст.

What Is Deep Learning?

Искусственные нейронные сети (Источник: Википедия)

Нейронные сети особенно хорошо самостоятельно находить общие закономерности в неструктурированных данных. Например, когда вы тренируете глубокие нейронные сети на изображения разных объектов, он находит способы, чтобы извлечь из этих образов. Каждый слой нейронной сети обнаруживает специфические черты, такие как кромки, углы, грани, глаза и т. д.

What Is Deep Learning?

Верхние слои нейросети обнаружить общие черты. Глубокие слои обнаружить реальных объектов (источник: arxiv.org)

С помощью нейронных сетей, изучить алгоритмы устраняет необходимость реконструирования. В случае рака молочной железы-прогноз МТИ модель, благодаря глубокому изучению, проект требовал гораздо меньше усилий компьютерных ученых и специалистов в данной области, и это заняло меньше времени для разработки. Кроме того, эта модель позволяет найти характеристики и узоры на маммограмме сканирует, что человеческие аналитики пропустили.

Нейронные сети существуют с 1950-х годов (по крайней мере, концептуально). Но до недавнего времени сообщества ИИ в значительной степени отклонил их, потому что они требуют огромных объемов данных и вычислительных мощностей. В последние несколько лет, наличие и доступность хранилищ данных и вычислительных ресурсов подтолкнули нейронных сетей в авангарде инноваций ИИ.

Что Такое Глубокое Обучение Используется?

Есть несколько доменов, где глубокое изучение помогает компьютерах решать ранее нерешаемые задачи.

Компьютерное зрение: компьютерное зрение-это наука об использовании программного обеспечения, чтобы понять содержание изображений и видео. Это одна из областей, где глубокое изучение добилась большого прогресса. Помимо рака молочной железы, глубокое изучение алгоритмов обработки изображения может обнаруживать другие виды рака, а также диагностировать другие заболевания.

Но глубокое изучение также укоренилась во многих приложениях, которые вы используете каждый день. Лицо идентификатора Apple использует глубокое обучение, как это делает Google Фото использует глубокое обучение для различных функций, таких как поиск объектов и сцен, а так же коррекции изображений. Facebook использует глубокое обучение, чтобы автоматически помечать людей на фото, которые вы загружаете.

Глубокое изучение также помогает кампаний в социальных медиа, автоматически выявлять и блокировать сомнительный контент, такой как насилие и обнаженка. И, наконец, глубокое обучение играет очень важную роль в обеспечении самостоятельного вождения автомобилей, чтобы придать смысл своему окружению.

Голосом и распознавание речи: когда вы произносите команду, чтобы ваш Amazon Эхо смарт-спикер или Google помощник, глубокие алгоритмов обучения конвертировать ваш голос в текст команды. Несколько онлайн-приложений, использовать глубокое обучение транскрибировать аудио и видеофайлы. Google недавно выпустила на устройстве, в режиме реального времени Gboard слова транскрипция смартфон приложение, которое использует глубокое обучение на тип, как вы говорите.

Обработка естественного языка (НЛП) и поколения (НЛГ): обработка естественных языков, наука об извлечении смысла из неструктурированных текстов, исторически болевую точку для классического программного обеспечения. Определения всех различных нюансов и скрытых смыслов письменного языка с правилами компьютере практически невозможно. Но нейронные сети, обученные на большие сулит текста может точно выполнять многие задачи НЛП.

Сервис перевода Google увидел неожиданный рост производительности, когда компания перешла к глубокому изучению. Умные ораторы используют глубокое обучение НЛП, чтобы понять различные нюансы команд, такие как различные способы, вы можете обратиться за погоды или направления.

Глубокое обучение-это также очень эффективны в генерации осмысленного текста, также называемого поколения естественного языка. Умный в Gmail ответить и умные сочиняют использовать глубокое обучение, чтобы поднять соответствующие ответы на ваши письма и предложения, чтобы завершить предложения. Текст-поколения модели, разработанной OpenAI в начале этого года создал длинные отрывки связного текста.

Границы глубокого обучения

Несмотря на все ее преимущества, глубокое изучение также имеет некоторые недостатки.

Данные зависимости: В общем, глубокие алгоритмы обучения требуют огромного количества обучающих данных, чтобы выполнять свои задачи качественно. К сожалению, для многих проблемы, там не хватает качественной подготовки данных для создания глубоких моделей обучения.

Explainability: нейронные сети развивать их поведение в чрезвычайно сложные способы—даже их создателей трудно понять их действия. Отсутствие интерпретируемости делает его чрезвычайно трудно устранить ошибки и исправить ошибки в глубокие алгоритмов обучения.

Алгоритмическим уклоном: изучить алгоритмы так хорошо, как данные, они обучены. Проблема в том, что обучение данных часто содержит скрытые или очевидные перекосы, и алгоритмы наследуют эти предубеждения. Например, распознавания лиц алгоритм, тренировался в основном на картинки белые люди будут выполнять менее точно на не-белых людей.

Отсутствие обобщения: изучить алгоритмы хороши в выполнении ориентированные задания, но плохое в обобщении их знаний. В отличие от людей, глубокие модели обучения учиться играть в Старкрафт не сможет сыграть похожую игру: скажем, Варкрафт. Кроме того, глубокое изучение бедна на обработку данных, что отклоняется от своего обучающих примеров, Также известные как “пограничные случаи”. Это может стать опасным в таких ситуациях, как самостоятельного вождения автомобилей, где ошибки могут иметь фатальные последствия.

Будущее глубокое изучение

Ранее в этом году, пионеры глубокого обучения были удостоены премии Тьюринга, информатика, эквивалентную Нобелевской премии. Но работа по глубинное обучение и нейронные сети далека от завершения. Различные усилия в работе по улучшению глубинного обучения.

Какая интересная работа включает глубокое изучение моделей, которые объяснимы и открыты для интерпретации, нейронных сетей, которые могут развиваться их поведение с меньшей подготовкой данных и моделей пограничного ИИ, глубокие алгоритмов обучения, которые могут выполнять свои задачи без опоры на крупных облачных вычислительных ресурсов.

И хотя в настоящее время глубокое изучение является наиболее передовой техники искусственного интеллекта, это не конечный пункт назначения промышленность ИИ. Эволюция глубинное обучение и нейронные сети могут дать нам совершенно новые архитектуры.

Понравилась статья? Поделиться с друзьями:
Гуру ПК
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: