Það sem þú þarft að vita um þróun gervigreindar
Djúpt nám er öflugt form námsmats (ML) sem byggir flókna stærðfræðilega mannvirki sem kallast taugakerfi með miklu magni gagna (upplýsingar).
Deep Learning Definition
Deep Learning er leið til að framkvæma ML með mörgum lögum af tauga netum til að vinna úr flóknari gerðum gagna. Stundum kallast hierarchical nám, notar djúpt nám mismunandi gerðir tauga neta til að læra eiginleika (einnig kallað framsetning) og finna þær í stórum settum af hráum, ómerktum gögnum (óuppbyggðum gögnum). Eitt af fyrstu sýnunum um djúpt nám var forrit sem tókst vel með myndum af ketti úr settum YouTube myndböndum.
Djúpnám dæmi í daglegu lífi
Djúpt nám er ekki aðeins notað í myndgreiningu, heldur einnig þýðing tungumála, svikakönnun og að greina gögn sem safnað er af fyrirtækjum um viðskiptavini sína. Til dæmis notar Netflix djúpt nám til að greina skoðunarvenjur þínar og spá fyrir um hvaða sýningar og kvikmyndir þú kýst að horfa á. Þannig veit Netflix að setja upp aðgerð kvikmyndir og náttúru heimildarmyndir í tillögu biðröð þinni. Amazon notar djúpt nám til að greina nýlegar kaupir þínar og hluti sem þú hefur nýlega leitað að til að búa til tillögur fyrir nýju tónlistaralbúmana sem þú hefur líklega áhuga á og að þú sért á markaði fyrir par af gráum og gulum tennis skór. Þar sem djúpt nám veitir betur innsýn frá óuppbyggðum og hrálegum gögnum, geta fyrirtæki betur gert ráð fyrir þörfum viðskiptavina sinna meðan þú færð einstaka viðskiptavini persónulega þjónustu við viðskiptavini.
Artificial tauga net og Deep Learning
Til að gera djúpt nám auðveldara að skilja, skulum við skoða samanburð okkar á tilbúnu tauga neti (ANN). Til að læra djúpt, ímyndaðu þér að 15 hæða skrifstofustofnun okkar er með borgarbyggingu með fimm öðrum skrifstofubyggingum. Það eru þrjár byggingar á hvorri hlið götunnar. Húsið okkar er að byggja A og deila sömu hlið götunnar og byggingar B og C. Yfir götuna frá byggingu A er bygging 1 og yfir bygging B er bygging 2 og svo framvegis. Hver bygging er með mismunandi fjölda hæða, er gerð úr mismunandi efnum og hefur mismunandi byggingarlistar stíl frá hinum. Hins vegar er hver bygging enn raðað í aðskildum hæðum (lög) af skrifstofum (hnúður) - þannig að hver bygging er einstök ANN.
Ímyndaðu þér að stafrænn pakki komi til byggingar A, sem inniheldur margar mismunandi upplýsingar frá mörgum heimildum, svo sem gögn sem byggjast á gögnum, myndbandum, hljóðstraumum, símtölum, útvarpsbylgjum og ljósmyndir - það kemur hins vegar í einn stóran jumble og er ekki merkt eða raðað á hvaða rökréttan hátt sem er (óbyggð gögn). Upplýsingarnar eru sendar í gegnum hverja hæð í röð frá 1 til 15 í vinnslu. Eftir að upplýsingarnar hafa náð 15 höggum (framleiðsla) er það sent á 1. hæð (inntak) í byggingu 3 ásamt endanlegri vinnslu vegna byggingar A. Bygging 3 lærir frá og felur í sér niðurstöðuna sem send er með því að byggja A og þá vinnur upplýsingarnar jumble í gegnum hverja hæð á sama hátt. Þegar upplýsingarnar ná í efstu hæð í byggingu 3 er það send þar með niðurstöður byggingarinnar að byggingu 1. Bygging 1 lærir frá og byggir niðurstöðum úr byggingu 3 áður en hún vinnur með gólfi. Building 1 sendir upplýsingar og niðurstöður á sama hátt til að byggja C, sem vinnur og sendir til byggingar 2, sem vinnur og sendir til byggingar B.
Hver ANN (bygging) í dæminu okkar leitar að annarri eiginleiki í óuppbyggðum gögnum (jumble upplýsinga) og sendir niðurstöðurnar til næsta byggingar. Næsta bygging felur í sér (læra) framleiðsluna (niðurstöður) frá fyrri. Þar sem gögnin eru meðhöndluð af hverri ANN (byggingu) verður það skipulagt og merkt (flokkað) með sérstökum eiginleikum þannig að þegar gögnin ná endanlegu framleiðslunni (efstu hæð) síðasta ANN (bygging) er hún flokkuð og merkt (meira uppbyggð).
Artificial Intelligence, Machine Learning, og Deep Learning
Hvernig passar djúpt nám í heildarmynd gervigreindar (AI) og ML? Djúp nám eykur kraft ML og eykur fjölda verkefna AI er fær um að framkvæma. Vegna þess að djúpt nám byggir á notkun tauga neta og þekkingu á eiginleikum innan gagnasettanna í stað einfaldara verkefnispákerfa, getur það fundið og notað upplýsingar úr óuppbyggðum (hráum) gögnum án þess að forritari þurfi að merkja hann fyrst - neikvætt verkefni sem getur kynnt villur. Djúpt nám er að hjálpa tölvum að verða betri og betri með því að nota gögn til að hjálpa bæði fyrirtækjum og einstaklingum.