Què és l'aprenentatge profund?
En aquest bloc, parlaré de Què és Aprenentatge profund que actualment és una moda popular i ha arrelat fermament en una gran multitud d’indústries que inverteixen en camps com la Intel·ligència Artificial, el Big Data i l’Analytics. Per exemple, Google utilitza un aprenentatge profund en els seus algorismes de reconeixement de veu i imatge, mentre que Netflix i Amazon l’utilitzen per entendre el comportament dels seus clients. De fet, no us ho creureu, però els investigadors del MIT intenten predir el futur mitjançant un aprenentatge profund.Ara, imagineu-vos el potencial que té l'aprenentatge profund per revolucionar el món i com buscaran les empreses .Abans de parlar d’aprenentatge profund, s’ha d’entendre la seva relació amb l’aprenentatge automàtic i la intel·ligència artificial. La forma més fàcil d’entendre aquesta relació és mitjançant el diagrama següent:
fig: Què és l'aprenentatge profund: cronologia de les tecnologies d'IA
Aquí, a la imatge, podeu veure que l'aprenentatge automàtic és un subconjunt d'IA. Això implica que podem construir màquines intel·ligents que puguin aprendre basant-se en el conjunt de dades proporcionades per si sols. A més, notareu que l'aprenentatge profund és un subconjunt de l'aprenentatge automàtic en què s'utilitzen algorismes d'aprenentatge automàtic similars per entrenar les xarxes neuronals profundes, amb la finalitat d'aconseguir una millor precisió en aquells casos en què el primer no funcionava fins al màxim. FoA continuació, es detallen els temes que tractaré en aquest tutorial d'aprenentatge profund:
excepció de punter nul al programa d'exemple java
- Intel · ligència artificial
- Aprenentatge automàtic
- Inconvenients de ML
- Què és l'aprenentatge profund?
- Aplicació d'aprenentatge profund
Obteniu la certificació amb projectes de nivell industrial i feu un seguiment ràpid de la vostra carrera professional
Intel · ligència artificial
fig: Què és l’aprenentatge profund: intel·ligència artificial
El terme AI va ser encunyat el 1956 per John McCarthy, a qui també es coneix com a Pare de la Intel·ligència Artificial. La idea darrere de la IA és bastant senzilla però fascinant, que consisteix a fabricar màquines intel·ligents que puguin prendre decisions per si soles. Podeu pensar-ho com una fantasia científica, però pel que fa als desenvolupaments recents en tecnologia i potència informàtica, la mateixa idea sembla apropar-se a la realitat dia a dia.
Aprenentatge automàtic: un pas cap a la intel·ligència artificial
Ara, ja que ja coneixeu la intel·ligència artificial, deixeu-nos parlar breument sobre l’aprenentatge automàtic i entenem què vol dir quan estem programant màquines per aprendre. Comencem per una definició molt famosa de Machine Learning:
'Es diu que un programa d'ordinador aprèn de l'experiència E respecte d'alguna tasca T i d'alguna mesura de rendiment P, si el seu rendiment a T, mesurat per P, millora amb l'experiència E.' - Tom Mitchell, Universitat Carnegie Mellon
Per tant, si voleu que el vostre programa prediui patrons de trànsit en una intersecció ocupada (tasca T), podeu executar-lo a través d’un algoritme d’aprenentatge automàtic amb dades sobre patrons de trànsit passats (experiència E). Ara, la precisió de la predicció (mesura de rendiment P) dependrà del fet que el programa hagi après o no del conjunt de dades (experiència E).
Bàsicament, l’aprenentatge automàtic es coneix com un tipus d’intel·ligència artificial (IA) que proporciona als ordinadors la capacitat d’aprendre sense programar-los explícitament exposant-los a una gran quantitat de dades. El principi bàsic darrere de l’aprenentatge automàtic és aprendre dels conjunts de dades i intentar minimitzar els errors o maximitzar la probabilitat que les seves prediccions siguin certes.
Inconvenients de l'aprenentatge automàtic
- Els algoritmes tradicionals de ML no són útils mentre treballem amb dades d’alta dimensió, és aquí on tenim un gran nombre d’entrades i sortides. Per exemple, en cas de reconeixement d’escriptura a mà, disposem d’una gran quantitat d’entrada, on tindrem diferents tipus d’entrades associades a diferents tipus d’escriptura a mà.
- El segon gran desafiament és dir a l’ordinador quines són les funcions que hauria de buscar i que tindran un paper important en la predicció del resultat i en aconseguir una millor precisió mentre ho fan. Aquest mateix procés es coneix com extracció de característiques .
L’alimentació de dades en brut a l’algoritme poques vegades funciona i aquesta és la raó per la qual l’extracció de funcions és una part fonamental del flux de treball d’aprenentatge automàtic tradicional. Per tant, sense l'extracció de funcions, el desafiament del programador augmenta ja que l'eficàcia de l'algorisme depèn en gran mesura de la perspicàcia del programador. Per tant, és molt difícil aplicar aquests models o algoritmes d’aprenentatge automàtic a problemes complexos com el reconeixement d’objectes, el reconeixement d’escriptura a mà, el PNL (processament del llenguatge natural), etc.
Aprenentatge profund
L’aprenentatge profund és un dels únics mètodes mitjançant els quals podem superar els desafiaments de l’extracció de funcions. Això es deu al fet que els models d’aprenentatge profund són capaços d’aprendre a centrar-se en les funcions adequades per si mateixos, necessitant poca orientació del programador. Bàsicament, l’aprenentatge profund imita la manera com funciona el nostre cervell, és a dir, aprèn de l’experiència. Com ja sabeu, el nostre cervell està format per milers de milions de neurones que ens permeten fer coses sorprenents. Fins i tot el cervell d’un nen d’un any pot resoldre problemes complexos que són molt difícils de resoldre fins i tot amb superordinadors. Per exemple:
- Reconèixer també la cara dels seus pares i diferents objectes.
- Discriminar diferents veus i fins i tot pot reconèixer una persona en funció de la seva veu.
- Deduïu inferències a partir de gestos facials d’altres persones i de moltes més.
En realitat, el nostre cervell s’ha entrenat subconscientment per fer aquestes coses al llarg dels anys. Ara, arriba la pregunta, com l’aprenentatge profund imita la funcionalitat d’un cervell? Bé, l'aprenentatge profund utilitza el concepte de neurones artificials que funciona de manera similar a les neurones biològiques presents al nostre cervell. Per tant, podem dir que l'aprenentatge profund és un subcamp de màquina aprenentatge preocupats per algorismes inspirats en l’estructura i la funció del cervell anomenades xarxes neuronals artificials.
Ara, prenem un exemple per entendre-ho. Suposem que volem fer un sistema que pugui reconèixer rostres de diferents persones en una imatge.Si ho resolem com un problema d’aprenentatge automàtic típic, definirem trets facials com ara ulls, nas, orelles, etc. i, a continuació, el sistema identificarà quines són les característiques més importants per a quina persona.
Ara, l'aprenentatge profund fa aquest pas endavant. L’aprenentatge profund descobreix automàticament les característiques que són importants per a la classificació a causa de les xarxes neuronals profundes, mentre que en el cas de l’aprenentatge automàtic havíem de definir-les manualment.
fig: Reconeixement facial mitjançant Deep Networks
Com es mostra a la imatge superior, Deep Learning funciona de la següent manera:
- Al nivell més baix, la xarxa es fixa en patrons de contrast local tan importants.
- La següent capa pot utilitzar aquests patrons de contrast local per fixar-se en coses que s’assemblen als ulls, als nassos i a la boca.
- Finalment, la capa superior és capaç d'aplicar aquestes característiques facials a les plantilles de cares.
- Una xarxa neuronal profunda és capaç de compondre característiques cada vegada més complexes en cadascuna de les seves capes successives.
Us heu preguntat mai com Facebook etiqueta o etiqueta automàticament tota la persona present en una imatge que heu penjat? Bé, Facebook utilitza l'aprenentatge profund d'una manera similar a la que es diu a l'exemple anterior. Ara, ja s’hauríeu adonat de la capacitat de l’aprenentatge profund i de com pot superar l’aprenentatge automàtic en aquells casos en què tenim molt poca idea de totes les funcions que poden afectar el resultat. Per tant, la xarxa profunda pot superar l’inconvenient de l’aprenentatge automàtic traient inferències d’un conjunt de dades que consisteix en dades d’entrada sense etiquetar adequadament.
Què és l'aprenentatge profund | Aprenentatge profund simplificat | Edureka
Aplicacions de l'aprenentatge profund
Avançant en aquest bloc d’aprenentatge profund, vegem algunes de les aplicacions de la vida real de Deep Learning per comprendre els seus vertaders poders.
Reconeixement de veu
Tots vostès haurien sentit a parlar de Siri, que és l’assistent intel·ligent controlat per veu d’Apple. Com altres grans gegants, Apple també ha començat a invertir en Deep Learning per millorar els seus serveis que mai.
A l’àrea de reconeixement de veu i assistent intel·ligent controlat per veu com Siri, es pot desenvolupar un model acústic més precís mitjançant una xarxa neuronal profunda i actualment és un dels camps més actius per a la implementació d’aprenentatge profund. En paraules simples, podeu crear aquest sistema que pugui aprendre noves funcions o adaptar-se segons vosaltres i, per tant, proporcionar una millor ajuda predint totes les possibilitats prèviament.
Traducció automàtica automàtica
Tots sabem que Google pot traduir instantàniament entre 100 llenguatges humans diferents, massa ràpidament com per art de màgia. La tecnologia darrere Traductor de Google es diu Traducció automàtica i ha estat salvador per a les persones que no poden comunicar-se entre elles a causa de la diferència en la llengua de parla. Ara, pensareu que aquesta funció existeix des de fa molt de temps, doncs, què hi ha de nou? Deixeu-me dir-vos que durant els darrers dos anys, amb l'ajut de l'aprenentatge profund, Google ha reformat totalment l'enfocament de la traducció automàtica al seu Google Translate. De fet, investigadors d’aprenentatge profund que no saben gairebé res sobre la traducció d’idiomes ofereixen solucions d’aprenentatge automàtic relativament senzilles que superen els millors sistemes de traducció d’idiomes creats per experts del món. La traducció de text es pot realitzar sense cap processament previ de la seqüència, cosa que permet a l'algorisme aprendre les dependències entre les paraules i la seva assignació a un nou idioma. Per realitzar aquesta traducció s’utilitzen xarxes apilades de grans xarxes neuronals recurrents.
- Traducció visual instantània
Com ja sabeu, l’aprenentatge profund s’utilitza per identificar imatges que tenen lletres i on hi ha les lletres a l’escena. Un cop identificats, es poden convertir en text, traduir i recrear la imatge amb el text traduït. Sovint s’anomena això traducció visual instantània .
Ara, imagineu una situació en què heu visitat qualsevol altre país que no conegueu la seva llengua materna. Bé, no us cal preocupar-vos, amb diverses aplicacions com el Traductor de Google podeu continuar i realitzar traduccions visuals instantànies per llegir rètols o taulers escrits en un altre idioma. Això només ha estat possible gràcies a l'aprenentatge profund.
Nota: Podeu continuar descarregant l’aplicació Google Translate i veure la increïble traducció visual instantània amb la imatge anterior.
Comportament: cotxes automàtics automàtics
Google intenta portar la seva iniciativa de conducció automàtica, coneguda com WAYMO, a un nivell de perfecció completament nou mitjançant l’aprenentatge profund. Per tant, en lloc d’utilitzar antics algoritmes codificats a mà, ara poden programar un sistema que pugui aprendre per si mateixos mitjançant les dades proporcionades per diferents sensors. L’aprenentatge profund és ara el millor enfocament per a la majoria de tasques de percepció, així com per a moltes tasques de control de baix nivell. Per tant, ara fins i tot les persones que no saben conduir o tenen discapacitats, poden seguir endavant i fer el viatge sense dependre de ningú més.
Aquí, només he esmentat alguns casos d’ús famosos de la vida real en què l’aprenentatge profund s’utilitza extensament i mostra resultats prometedors. Hi ha moltes altres aplicacions d’aprenentatge profund juntament amb molts camps que encara no s’han d’explorar.
Per tant, es tracta d’un aprenentatge profund en poques paraules. Estic segur que a hores d'ara ja s'hauríeu adonat de la diferència entre l'aprenentatge automàtic i l'aprenentatge profund, així com de com l'aprenentatge profund pot ser molt útil per a diverses aplicacions de la vida real. Ara, al meu pròxim bloc d’aquesta sèrie de tutorials d’aprenentatge profund, ens endinsarem en diversos conceptes i algorismes Deep Learning juntament amb la seva aplicació detallada.
Ara que ja coneixeu l'aprenentatge profund, consulteu el per Edureka, una empresa d'aprenentatge en línia de confiança amb una xarxa de més de 250.000 estudiants satisfets repartits per tot el món. El curs Edureka Deep Learning with TensorFlow Certification Training ajuda els estudiants a convertir-se en experts en formació i optimització de xarxes neuronals bàsiques i convolucionals mitjançant projectes i assignacions en temps real, juntament amb conceptes com la funció SoftMax, les xarxes neuronals de codificador automàtic, la màquina restringida de Boltzmann (RBM).
Tens alguna pregunta? Esmenta’l a la secció de comentaris i et respondrem.