להיות תת-קבוצה חשובה של למידת מכונה, הדרישה ל ראה עלייה עצומה, במיוחד בקרב המעוניינים לפתוח את האפשרויות הבלתי מוגבלות של AI.בהשראת הפופולריות הגוברת של Deep Learning, חשבתי להעלות סדרת בלוגים אשר ילמדו אותך על המגמה החדשה הזו בתחום הבינה המלאכותית ויעזרו לך להבין במה מדובר. זהו הראשון מבין הבלוגים הרבים בסדרה המכונים - מדריך למידה עמוקה .
מדריך הלמידה העמוקה
בבלוג זה של הדרכת למידה עמוקה אעביר אותך לדברים הבאים שישמשו יסודות לבלוגים הקרובים:
- מה איפשר למידה עמוקה להתקיים
- מהי למידה עמוקה ואיך זה עובד?
אתה יכול לעבור על ההקלטה הזו של הדרכת למידה עמוקה, שם המדריך שלנו הסביר את הנושאים בצורה מפורטת עם דוגמאות שיעזרו לך להבין טוב יותר את המושג הזה.
מדריך למידה עמוקה | רשתות עצביות למידה עמוקה | אדוריקה
יישומים של בינה מלאכותית ולמידה עמוקה
עכשיו חשוב על זה, במקום שתעשה את כל עבודתך, יש לך מכונה שתסיים אותה עבורך או שהיא יכולה לעשות משהו שלדעתך כלל אינו אפשרי. לדוגמה:
 | חיזוי העתיד: זה יכול לעזור לנו לחזות רעידות אדמה, צונאמי וכו 'מראש, כך שניתן יהיה לנקוט באמצעי מניעה כדי להציל חיים רבים מליפול בציפורי הפורענות הטבעיות. |
| צ'אט בוטים: כולכם הייתם שומעים על סירי, שהיא העוזרת הווירטואלית הנשלטת על ידי אפל. האמינו לי, בעזרת Deep Learning הסיוע הווירטואלי הזה נהיה חכם יותר מיום ליום. למעשה, סירי יכולה להתאים את עצמה בהתאם למשתמש ולספק סיוע אישי יותר טוב. |
| מכוניות עם נהיגה עצמית: תאר לעצמך, כמה מדהים זה יהיה עבור אנשים עם מוגבלות פיזית וקשישים שמתקשים לנהוג בכוחות עצמם. מלבד זאת, זה יציל מיליוני חיי חפים מפשע אשר נפגשים עם תאונות דרכים מדי שנה בגלל טעות אנוש. |
Google AI Eye Doctor: זו יוזמה שנעשתה לאחרונה על ידי גוגל בה הם עובדים עם שרשרת טיפוח עיניים אינדיאנית לפיתוח תוכנת AI שיכולה לבדוק סריקות רשתית ולזהות מצב הנקרא רטינופתיה סוכרתית, שעלול לגרום לעיוורון. |
| מלחין AI Music: ובכן, מי חשב שנוכל מלחין מוסיקת AI המשתמש בלמידה עמוקה. לפיכך, לא אתפלא לשמוע שהמוסיקה הבאה הטובה ביותר ניתנת על ידי מכונה. |
| מכונת קריאת חלומות: זו אחת הפייבוריטיות שלי, מכונה שיכולה לתפוס את החלומות שלך בצורה של וידאו או משהו כזה. עם כל כך הרבה יישומים לא מציאותיים של AI & Deep Learning שראינו עד כה, לא הופתעתי לגלות שהדבר נוסה ביפן לפני כמה שנים על שלושה נבדקים והם הצליחו להשיג דיוק קרוב ל -60%. זה משהו לא יאומן, אך נכון. |
אני די בטוח שחלק מהיישומים האמיתיים האלה של AI ולמידה עמוקה היו נותנים לך גוש אווז. בסדר, זה מהווה את הבסיס עבורך ועכשיו, אנו מוכנים להמשיך הלאה בהדרכת למידה עמוקה זו ולהבין מהי בינה מלאכותית.
טיפול חריג pl / sql
מהי בינה מלאכותית?
בינה מלאכותית אינה אלא יכולתה של מכונה לחקות התנהגות אנושית אינטליגנטית. AI מושגת על ידי חיקוי מוח אנושי, על ידי הבנה כיצד הוא חושב, כיצד הוא לומד, מחליט ופועל תוך ניסיון לפתור בעיה.
לדוגמה: מכונה שמשחקת שחמט, או תוכנה המופעלת באמצעות קול, המסייעת לך עם דברים שונים באייפון שלך או מערכת זיהוי לוחית מספר שתופסת את לוחית המספר של מכונית במהירות מופרזת ומעבדת אותה כדי לחלץ את מספר הרישום ולזהות את בעל המכונית. . כל אלה לא היו קלים במיוחד ליישום לפני כן למידה עמוקה . עכשיו, בואו נבין את קבוצות המשנה השונות של בינה מלאכותית.
תת קבוצות של בינה מלאכותית
עד עכשיו היית שומע הרבה על בינה מלאכותית, למידת מכונה ולמידה עמוקה. עם זאת, האם אתה מכיר את הקשר בין שלושתם? ביסודו של דבר, למידה עמוקה היא תת תחום של למידת מכונה ולמידת מכונה היא תת תחום של בינה מלאכותית כפי שמוצג בתמונה למטה:
כשאנחנו מסתכלים על משהו כמו AlphaGo , לרוב הוא מוצג כהצלחה גדולה ללמידה עמוקה, אך למעשה מדובר בשילוב של רעיונות מכמה תחומים שונים של AI ולמידת מכונה. למעשה, תתפלאו לשמוע שהרעיון שמאחורי רשתות עצביות עמוקות אינו חדש אלא מתחיל בשנות החמישים. עם זאת, ניתן היה ליישם אותו באופן מעשי בגלל יכולת המשאבים היוקרתית הקיימת בימינו.
אז, קדימה בבלוג הדרכה עמוק זה, בואו לחקור את הלמידה במכונה ואחריה את המגבלות שלה.
מהי למידת מכונה?
למידת מכונה היא קבוצת משנה של בינה מלאכותית המספקת למחשבים את היכולת ללמוד מבלי שתוכנתו במפורש. בלימוד מכונה, איננו צריכים להגדיר במפורש את כל השלבים או התנאים כמו כל יישום תכנות אחר. נהפוך הוא, המכונה מתאמנת במערך אימונים, גדול מספיק בכדי ליצור מודל המסייע למכונה לקבל החלטות על סמך הלמידה שלה.
לדוגמה: אנו רוצים לקבוע את זן הפרח על סמך אורכו של עלי הכותרת והגבעול (עלים של פרח) באמצעות למידת מכונה. ואז, איך נעשה את זה?
| אנו מזין את מערך נתוני הפרחים המכיל מאפיינים שונים של פרחים שונים יחד עם המינים שלהם בהתאמה למכונה שלנו כפי שניתן לראות בתמונה לעיל. באמצעות מערך נתוני קלט זה, המכונה תיצור ותאמן מודל אשר באמצעותו ניתן לסווג פרחים לקטגוריות שונות. |
| לאחר שהמודל שלנו הוכשר, נעביר סט מאפיינים כקלט למודל. |
| לבסוף, המודל שלנו יפיק את המין של הפרח הקיים בערכת נתוני הקלט החדשה. תהליך זה של הכשרת מכונה ליצירת מודל ושימוש בו לצורך קבלת החלטות נקרא למידת מכונה . עם זאת לתהליך זה יש כמה מגבלות. |
מגבלות של למידת מכונה
למידת מכונה אינה מסוגלת לטפל בנתונים ממדיים גבוהים, שם קלט ופלט גדול למדי. טיפול ועיבוד נתונים מסוג זה הופך להיות מורכב מאוד וממצה משאבים. זה מכונה קללת ממד . כדי להבין זאת במונחים פשוטים יותר, נבחן את התמונה הבאה:
| שקול קו של 100 מטר ושחררת מטבע איפשהו על הקו. עכשיו, די נוח לך למצוא את המטבע פשוט על ידי הליכה על הקו. קו זה ממש הוא ישות ממדית אחת. |
| לאחר מכן, שקול שיש לך ריבוע בצד של 100 מטר כל אחד כפי שמוצג בתמונה שלמעלה ושוב, הפילת מטבע איפשהו בין לבין. עכשיו ברור מאוד שתקדיש יותר זמן למצוא את המטבע בתוך הריבוע ההוא בהשוואה לתרחיש הקודם. ריבוע זה הוא ישות דו ממדית. |
| בואו ניקח את זה צעד קדימה על ידי התחשבות בקוביה של צד 100 מטר כל אחד והפלת מטבע איפשהו בין לבין. עכשיו קשה יותר למצוא את המטבע הפעם. קוביה זו היא ישות תלת מימדית. |
לפיכך, ניתן לצפות במורכבות גוברת ככל שהמימדים גוברים.ובחיים האמיתיים, הנתונים הממדים הגבוהים עליהם דיברנו כוללים אלפי ממדים שהופכים אותו למורכב מאוד לטיפול ועיבוד. ניתן למצוא בקלות את הנתונים הממדים הגבוהים במקרי שימוש כמו עיבוד תמונה, NLP, תרגום תמונות וכו '.
לימוד מכונה לא היה מסוגל לפתור את מקרי השימוש הללו ומכאן, למידה עמוקה נחלצה. למידה עמוקה מסוגלת להתמודד עם הנתונים הממדים הגבוהים וגם יעילה בהתמקדות בתכונות הנכונות בפני עצמה. תהליך זה נקרא חילוץ תכונות. עכשיו, בואו נתקדם בהדרכה זו של למידה עמוקה ונבין כיצד עובדת למידה עמוקה.
איך עובד למידה עמוקה?
בניסיון לתכנן מחדש מוח אנושי, Deep Learning חוקר את היחידה הבסיסית של מוח הנקראת תא מוח או נוירון. בהשראת נוירון התפתח נוירון מלאכותי או פרספטרון. עכשיו, הבה נבין את הפונקציונליות של נוירונים ביולוגיים וכיצד אנו מחקים פונקציונליות זו בפרספטרון או בתאי עצב מלאכותיים:
אם אנו מתמקדים במבנה של נוירון ביולוגי, יש לו דנדריטים המשמשים לקבלת תשומות. תשומות אלה מתמצות בגוף התא ובאקסון הוא מועבר לנוירון הביולוגי הבא כפי שמוצג בתמונה לעיל.
באופן דומה, פרספטרון מקבל כניסות מרובות, מחיל טרנספורמציות ופונקציות שונות ומספק פלט.
כפי שאנו יודעים שהמוח שלנו מורכב ממספר נוירונים מחוברים הנקראים רשת עצבית, אנו יכולים להיות גם ברשת של נוירונים מלאכותיים הנקראים פרספטרונים כדי ליצור רשת עצבית עמוקה. לכן, בואו להתקדם במדריך זה למידה עמוקה כדי להבין כיצד נראית רשת עצבית עמוקה.
מדריך למידה עמוקה: מהי למידה עמוקה?
- כל רשת עצבית עמוקה תורכב משלושה סוגים של שכבות:
- שכבת הקלט
- השכבה הנסתרת
- שכבת הפלט
| בתרשים לעיל, השכבה הראשונה היא שכבת הקלט המקבלת את כל הקלטים והשכבה האחרונה היא שכבת הפלט המספקת את הפלט הרצוי. |
| כל השכבות בין שכבות אלה נקראות שכבות נסתרות. יכולות להיות מספר שכבות נסתרות הודות למשאבים המתקדמים הזמינים בימינו. |
| מספר השכבות הנסתרות ומספר הפרספטרונים בכל שכבה יהיו תלויים לחלוטין במקרה השימוש אותו אתה מנסה לפתור. |
עכשיו שיש לך תמונה של רשתות עצביות עמוקות, בוא נתקדם במדריך זה למידה עמוקה כדי לקבל מבט ברמה גבוהה על האופן שבו רשתות עצביות עמוקות פותרות בעיה של זיהוי תמונות.
שימוש למידה עמוקה - מקרה
אנו רוצים לבצע זיהוי תמונות באמצעות Deep Networks:
| כאן אנו מעבירים את הנתונים הממדים הגבוהים לשכבת הקלט. כדי להתאים את הממדיות של נתוני הקלט, שכבת הקלט תכיל מספר שכבות משנה של תפיסות, כך שתוכל לצרוך את כל הקלט. |
| הפלט המתקבל משכבת הקלט יכיל תבניות ויוכל לזהות רק את קצוות התמונות על סמך רמות הניגודיות. |
| פלט זה יועבר לשכבה הנסתרת 1 שם היא תוכל לזהות תכונות פנים שונות כמו עיניים, אף, אוזניים וכו '. |
| כעת, זה יוזן לשכבה הנסתרת 2 שם היא תוכל ליצור את כל הפנים. לאחר מכן, הפלט של שכבה 2 נשלח לשכבת הפלט. |
| לבסוף, שכבת הפלט מבצעת סיווג על בסיס התוצאה שהתקבלה מהקודמת ומנבאת את השם. |
תן לי לשאול אותך שאלה, מה יקרה אם אחת מהשכבות הללו חסרה או שהרשת העצבית לא תהיה עמוקה מספיק? פשוט, לא נוכל לזהות את התמונות במדויק. זוהי הסיבה שבגללה למקרי השימוש הללו לא היה פתרון כל השנים שקדמו למידה עמוקה. רק כדי לקחת את זה הלאה, ננסה להחיל רשתות עמוקות על מערך נתונים של MNIST.
מערך הנתונים של Mnist מורכב מ- 60,000 דוגמאות הדרכה ו -10,000 דגימות בדיקה של תמונות ספרות בכתב יד. המשימה כאן היא להכשיר מודל שיכול לזהות במדויק את הספרה הקיימת בתמונה.
- כדי לפתור מקרה שימוש זה תיווצר רשת Deep עם מספר שכבות נסתרות לעיבוד כל 60,000 התמונות פיקסל אחר פיקסל ולבסוף נקבל שכבת פלט.
- שכבת הפלט תהיה מערך של אינדקס 0 עד 9, כאשר כל אינדקס תואם את הספרה המתאימה. אינדקס 0 מכיל את ההסתברות ש- 0 תהיה הספרה הקיימת בתמונת הקלט.
באופן דומה, אינדקס 2 בעל הערך 0.1 מייצג למעשה את ההסתברות ש -2 תהיה הספרה הקיימת בתמונת הקלט. לכן, אם אנו רואים שההסתברות הגבוהה ביותר במערך זה היא 0.8 הקיימת באינדקס 7 של המערך. מכאן שהמספר הקיים בתמונה הוא 7.
סיכום
אז חבר'ה, כל זה היה על למידה עמוקה בקצרה. במדריך זה למידה עמוקה ראינו יישומים שונים של למידה עמוקה והבנו את הקשר שלה עם AI ו- Machine Learning. ואז הבנו כיצד אנו יכולים להשתמש בפרספטרון או באבני בניין בסיסיות של נוירון מלאכותי ליצירת רשת עצבית עמוקה שיכולה לבצע משימות מורכבות כאלה. לבסוף עברנו את אחד ממקרי השימוש של למידה עמוקה, שם ביצענו זיהוי תמונה באמצעות רשתות עצביות עמוקות והבנו את כל הצעדים שקורים מאחורי הסצנה. כעת, בבלוג הבא של סדרת ההדרכה של Deep Learning, נלמד כיצד ליישם פרספטרון באמצעות TensorFlow, שהיא ספרייה מבוססת פיתון ללימוד עמוק.
עכשיו שאתה יודע על למידה עמוקה, בדוק את מאת אדוריקה, חברת למידה מקוונת מהימנה עם רשת של יותר מ -250,000 לומדים מרוצים הפזורים ברחבי העולם. קורס ההדרכה בנושא למידה עמוקה של אדוריקה עם TensorFlow עוזר ללומדים להתמחות באימון ואופטימיזציה של רשתות עצביות בסיסיות והתפתחות עם פרויקטים ומשימות בזמן אמת יחד עם מושגים כגון פונקציית SoftMax, רשתות עצביות מקודדות אוטומטיות, מכונת בולצמן מוגבלת (RBM).
יש לך שאלה עבורנו? אנא הזכיר זאת בסעיף ההערות ונחזור אליך.