Närvivõrgud ja Sügav õpe on praegu kaks kuumat buzzword, mida tänapäeval kasutatakse tehisintellektiga. Neid kahte hiljutisi arenguid kunstliku intelligentsuse maailmas võib seostada nendega, sest nad on mänginud olulist rolli AI intelligentsi parandamisel.
Vaadake ringi ja leiad rohkem ja rohkem intelligentseid masinaid. Tänu neuralvõrkudele ja sügavale õppimisele on töökohad ja võimalused, mida kunagi peeti inimestele, tehakse masinatega. Tänapäeval pole masinaid enam keerulisemate algoritmide söömiseks enam võimalik, kuid selle asemel saavad nad autonoomseks, enesekehtestamise süsteemid, mis on võimelised murranguliselt muutma paljudes tööstusharudes kõikjal.
Närvivõrgud ja Sügav õpe on andnud teadlastele tohutu edu sellistes ülesannetes nagu pildi tuvastamine, kõnetuvastus, andmekogumites sügavamate suhete leidmine. Toetudes tohutu hulga andmemahtude ja arvutusvõimsuse olemasolule, saavad masinad objekte ära tunda, tõlkida kõne, rongid ise välja selgitada keerukaid mustreid, õppida strateegiate väljatöötamist ja tegema situatsiooniplaane reaalajas.
Niisiis, kuidas täpselt see töötab? Kas teadsite, et mõlemad Neutral Networks ja Deep learning on tegelikult seotud sügava õppimisega, peate esmalt mõistma neuralvõrke? Loe edasi, et rohkem teada saada.
Mis on neural võrgustik?
Neuralvõrk on põhimõtteliselt programmeerimismudel või algoritmide komplekt, mis võimaldab arvutil vaatlusandmetest õppida. Närvivõrk sarnaneb inimese aju, mis toimib mudeleid tunnustades. Meelelisi andmeid tõlgendatakse masina tajumise, märgistamise või toores sisendmaterjalide rühmitamise teel. Tunnustatud mustrid on arvulised, vektorites ümbritsetud, millesse sellised andmed nagu pildid, heli, tekst jne tõlgitakse.
Mõtle neural võrgustikku! Mõelge, kuidas inimese aju töötab
Nagu eespool mainitud, toimib neuronite võrgustik nagu inimese aju; ta omandab kõik teadmised õppeprotsessi kaudu. Seejärel hoiab sünaptilised kaalud omandatud teadmisi. Õppeprotsessi käigus reformeeritakse võrgu sünaptilised kaalud soovitud eesmärgi saavutamiseks.
Nii nagu inimese aju, töötavad Neural Networks sarnaselt mittelineaarsete paralleelsete infotöötlussüsteemidega, mis viivad kiiresti välja arvutused, nagu mustri äratundmine ja taju. Selle tulemusena toimivad need võrgud väga hästi sellistes valdkondades nagu kõne, heli ja kujutise tuvastamine, kus sisendid / signaalid on põhimõtteliselt mittelineaarsed.
Lihtsamalt öeldes võite meelde tuletada, et Neuralvõrk on midagi, mis suudab koguda teadmisi nagu inimese aju ja kasutada seda ennustuste tegemiseks.
Närvivõrkude struktuur
Neural Networks koosneb kolmest kihist
- Sisendkiht
- Varjatud kiht ja
- Väljundkiht.
Iga kiht koosneb ühest või mitmest sõlmpunktist, nagu väikesed ringid allpool joonisel näidatud. Nende sõlmpunktide vaheline joon näitab teabe voogu ühest sõlmisest teise. Andmevoog siseneb väljundisse, st vasakult paremale (mõnel juhul võib see olla paremalt vasakule või mõlemale poole).
Sisendkihi sõlmed on passiivsed, mis tähendab, et need ei muuda andmeid. Nad saavad oma sisendisse ühe väärtuse ja dubleerivad nende mitme väljundi väärtuse. Kui peidetud ja väljundkiht sõlmed on aktiivsed. Seega saavad nad muuta andmeid.
Ühendatud struktuuris dubleeritakse iga väärtus sisendkihist ja saadetakse kõigile varjatud sõlmedele. Varjatud sõlme sisestatud väärtused korrutatakse raskustega, programmis salvestatud eelnevalt määratletud numbrite kogumiga. Seejärel lisatakse kaalutud sisendid ühe numbri saamiseks. Närvivõrkudel võib olla mitu kihti ja ükskõik milline arv kihti. Enamik rakendusi kasutab kolmekihilist struktuuri, kus on maksimaalselt paarsada sisendpunkti
Neural Networki näide
Mõtle neuronivõrku, mis tuvastab sonari signaali objektid, ja arvutisse on salvestatud 5000 signaalitüüpi. Arvuti peab välja selgitama, kas need proovid kujutavad endast allveelaeva, vaalu, jäämägi, mere kivid või üldse mitte midagi? Tavalised DSP-meetodid käsitleksid seda probleemi matemaatika ja algoritmidega, nagu korrelatsiooni ja sagedusspektri analüüs.
Kuigi neuralvõrguga sisestatakse sisendkihile 5000 proovi, tulemuseks on väljundkihist tulevad väärtused. Valides sobivate kaalude, saab väljundit konfigureerida nii, et see annaks teada suure hulga informatsiooni. Näiteks võivad olla väljundid: allveelaev (jah / ei), merepõhi (jah / ei), vaal (jah / ei) jne
Teiste masside puhul võivad väljundid objekte klassifitseerida metalli- või mittemetalsetena, bioloogiliseks või mittebioloogiliseks, vaenlaseks või liitlaseks jne. Ei ole algoritme, eeskirju ega protseduure; ainult suhe sisendi ja väljundi vahel, mis on määratud valitud kaalude väärtustega.
Nüüd mõistame Deep Learning kontseptsiooni.
Mis on sügav õpe?
Deep learning on põhiliselt neuralvõrkude alagrupp; Võib-olla võite öelda kompleksse neuralvõrgu, millel on palju peidetud kihte.
Tehniliselt võib öelda, et sügavat õppimist saab määratleda võimsate närvivõrkude õppimise meetodite kogumina. See viitab kunstlikele neuronivõrkudele (ANN), mis koosnevad paljudest kihtidest, massiivsetest andmekogudest, võimsatest arvutiriistadest, mis muudavad keerulise koolitusmudeli võimalikuks. See sisaldab klasside meetodeid ja tehnikaid, mis kasutavad kunstlikke neuronite võrgustikke, millel on üha rikkamate funktsioonide kihid.
Deep õppe võrgustiku struktuur
Deep-õppe võrgustikud kasutavad enamasti neuronivõrkude arhitekte ja seetõttu nimetatakse neid sageli sügavatele närvivõrkudele. Töö "sügav" tähendab närvivõrgus peidetud kihtide arvu. Tavaline närvivõrk sisaldab kolme peidetud kiht, samas kui sügavvõrgustikus võib olla kuni 120-150.
Sügav õpe hõlmab arvutisüsteemi toomist palju andmeid, mida saab kasutada teiste andmete otsuste tegemiseks. Neid andmeid edastatakse neuronitevõrkude kaudu, nagu ka masinaõpetuse puhul. Süvendatud õppevõrgud saavad õppida funktsioone otse andmetelt, ilma et oleks vaja käsitsi funktsiooni eraldamist.
Deep Learning näited
Praegu kasutatakse põhjalikku õppimist peaaegu igas tööstuses, alates Automobile, Aerospace ja automatiseerimisest kuni meditsiini. Siin on mõned näited.
- Google, Netflix ja Amazon: Google kasutab seda oma hääle ja pildi tuvastamise algoritmides. Netflix ja Amazon kasutavad ka sügavat õppimist, et otsustada, mida soovite järgmisena vaadata või osta
- Autojuhtimine ilma juhita: teadlased kasutavad sügavaid õpiraskusi, et automaatselt tuvastada objekte, nagu stopp-märgid ja lüüsi tuled. Kaugõpet kasutatakse ka jalakäijate avastamiseks, mis aitab vähendada õnnetusi.
- Lennunduse ja kosmosetööstus: sügavat õppimist kasutatakse objektide tuvastamiseks satelliitidelt, mis asuvad huvipakkuvates valdkondades, ning määratlema vägede ohutud või ohtlikud alad.
- Tänu sügavale õppimisele leiab Facebook teie fotodelt sõpru automaatselt. Skype saab tõlkida kõneldud side reaalajas ja päris täpselt ka.
- Meditsiiniuuringud: meditsiinitöötajad kasutavad vähktõve rakke automaatselt tuvastades sügavat õppimist
- Tööstusautomaatika: sügav õpe aitab parandada töötajate ohutust raskete masinate ümber, tuvastades automaatselt, kui inimesed või esemed paiknevad masinate ohutul kaugusel.
- Elektroonika: sügavat õppimist kasutatakse automatiseeritud kuulmis- ja kõneprintsiibis.
Järeldus
Närvivõrkude kontseptsioon pole uus, ja teadlased on viimase kümne aasta jooksul saavutanud mõõdukat edu. Kuid tõeline mängukonsool on sügavate närvivõrkude areng.
Traditsiooniliste masinõlkuvõimaluste väljundis on näidatud, et sügavaid neuronitevõrke saab koolitada ja katsetada mitte ainult vähesed teadlased, vaid rahvusvaheliste tehnoloogiaettevõtete jaoks on see võimalus saada lähitulevikus paremaid uuendusi.
Tänu sügavale õppimisele ja neuralvõrgule ei võta AI ülesandeid vaid ette, vaid on hakanud mõtlema!
