Hluboké učení: Strojové učení v jeho nejlepším

Co potřebujete vědět o vývoji umělé inteligence

Hluboké učení je silná forma strojového učení (ML), která staví složité matematické struktury nazývané neuronové sítě s velkým množstvím dat (informací).

Deep Learning Definition

Hluboké učení je způsob, jak implementovat ML pomocí několika vrstev neuronových sítí pro zpracování složitějších typů dat. Někdy se nazývá hierarchické učení, hluboké učení využívá různé typy neuronových sítí, aby se naučil rysy (také nazývané reprezentace) a nacházelo je v rozsáhlých sériích surových neoznačených dat (nestrukturovaných dat). Jedním z prvních průlomových demonstrací hlubokého učení byl program, který úspěšně vybral snímky koček ze sady videí YouTube.

Příklady hlubokého učení v každodenním životě

Hluboké učení se používá nejen při rozpoznávání obrázků, ale také při překladu jazyků, detekci podvodů a analýze údajů shromážděných společností o jejich zákaznících. Netflix například používá hluboké učení k analýze vašich zvyků při sledování a předpovídá, které přehlídky a filmy chcete sledovat. Takto Netflix ví, že umí nasadit akční filmy a přírodní dokumenty do fronty návrhů. Amazon využívá hluboké učení k analýze vašich nedávných nákupů a položek, které jste nedávno vyhledávali, a vytvářet návrhy pro nové country music alba, o které se budete pravděpodobně zajímat, a že jste na trhu pro šedý a žlutý tenis obuv. Vzhledem k tomu, že hluboké učení poskytuje stále větší přehled o nestrukturovaných a nezpracovaných datech, mohou firmy lépe předvídat potřeby svých zákazníků, zatímco vy, individuální zákazník získáte personalizovanější zákaznický servis.

Umělé neuronové sítě a hluboké učení

Aby bylo hlubší učení snadnější pochopit, znovu se podíváme na srovnání umělé neuronové sítě (ANN). Pro hluboké učení si představte, že naše 15patrová kancelářská budova zaujímá městský blok s pěti dalšími kancelářskými budovami. Na každé straně ulice jsou tři budovy. Naše budova je budova A a sdílí stejnou stranu ulice jako budovy B a C. Na ulici od budovy A je budova 1 a naproti budově B je budova 2 a tak dále. Každá budova má různý počet podlaží, je vyrobena z různých materiálů a má jiný architektonický styl od ostatních. Každá budova je však uspořádána v samostatných podlažích (vrstev) kanceláří (uzlů), takže každá budova je unikátní ANN.

Představte si, že digitální balíček přichází do budovy A, která obsahuje spoustu různých druhů informací z více zdrojů, jako jsou textová data, video toky, zvukové toky, telefonní hovory, rádiové vlny a fotografie. není označen nebo tříděn žádným logickým způsobem (nestrukturované údaje). Informace jsou zasílány každým patrem v pořadí od 1. do 15. pro zpracování. Poté, co informační můstkem dosáhne 15. patra (výstup), je odeslán na 1. patro (vstup) budovy 3 spolu s výsledným výsledkem zpracování budovy A. Budova 3 se dozví a zahrnuje výsledek odeslaný budovou A a potom zpracovává informační můstek v každém patře stejným způsobem. Když se informace dostanou do nejvyššího patra budovy 3, je odtud odvedena s výsledky této budovy na budovu 1. Budova 1 se dozví a zkompletuje výsledky budovy 3 před zpracováním podlahy. Budova 1 předává informace a výsledky stejným způsobem jako budova C, která zpracovává a odešle do budovy 2, která zpracovává a odešle do budovy B.

Každý ANN (budova) v našem příkladu vyhledává jinou funkci v nestrukturovaných datech (míchání informací) a předává výsledky do další budovy. Další budova obsahuje (učí) výstup (výsledky) z předchozího. Vzhledem k tomu, že data jsou zpracovávána každou budovou (budovu), je organizována a označena (klasifikována) určitým prvkem, takže když data dosáhnou konečného výstupu (nejvyššího poschodí) posledního objektu ANN (budova), jsou klasifikovány a označeny (strukturovanější).

Umělá inteligence, strojní učení a hluboké učení

Jak se hluboce učí do celkového obrazu umělé inteligence (AI) a ML? Hluboké učení zvyšuje výkon ML a zvyšuje rozsah úkolů, které AI dokáže provádět. Vzhledem k tomu, že hluboké učení závisí na používání neuronových sítí a rozpoznává funkce uvnitř datových sad namísto jednodušších algoritmů specifických pro danou práci, může nalézt a používat podrobnosti z nestrukturovaných (surových) dat, aniž by bylo nutné, aby programátor manuálně označil to nejprve - úloha, která může způsobit chyby. Hluboké učení pomáhá počítačům lépe a lépe využívat údaje, které pomáhají jak korporacím, tak jednotlivcům.