מהי למידה עמוקה? תחילת העבודה עם למידה עמוקה

בלוג זה בנושא מהי למידה עמוקה יספק לך סקירה של בינה מלאכותית, למידה ממוחשבת ולמידה עמוקה על יישומיה.

מהי למידה עמוקה?

בבלוג זה אדבר על מה זה למידה עמוקה המהווה רעש חם בימינו והניח היטב את שורשיו בהמון עצום של תעשיות שמשקיעות בתחומים כמו בינה מלאכותית, ביג דאטה ואנליטיקס. לדוגמא, גוגל משתמשת בלמידה עמוקה באלגוריתמים לזיהוי קול ותמונות ואילו נטפליקס ואמזון משתמשים בה כדי להבין את התנהגות הלקוח שלהם. למעשה, לא תאמינו, אבל חוקרים ב- MIT מנסים לחזות עתיד באמצעות למידה עמוקה.כעת, דמיין כמה למידה עמוקה יש פוטנציאל במהפכה בעולם וכיצד החברות יחפשו אחר .לפני שמדברים על למידה עמוקה, יש להבין את הקשר שלה עם למידת מכונה ובינה מלאכותית. הדרך הקלה ביותר להבין את הקשר הזה היא לעבור על התרשים להלן:

ציר זמן AI - מהי למידה עמוקה - אדוריקה תאנה: מהי למידה עמוקה - ציר הזמן של טכנולוגיות AI





כאן, בתמונה אתה יכול לראות כי Machine Learning היא קבוצת משנה של AI. זה מרמז על העובדה שאנחנו יכולים לבנות מכונות חכמות שיכולות ללמוד על סמך מערך הנתונים המסופק בפני עצמו. יתרה מכך תבחין כי הלמידה העמוקה היא קבוצת משנה של למידה ממוחשבת בה משתמשים באלגוריתמים דומים של מכונת למידה להכשרת רשתות עצביות עמוקות כדי להשיג דיוק טוב יותר במקרים בהם לשעבר לא ביצע עד הסימן. Foהנושאים שבהם אני הולך לדון בהדרכת למידה עמוקה זו:

  • בינה מלאכותית
  • למידת מכונה
  • חסרונות של ML
  • מהי למידה עמוקה?
  • יישום למידה עמוקה

קבל הסמכה בפרויקטים ברמה התעשייתית ועקוב במהירות אחר הקריירה שלך

בינה מלאכותית



תאנה: מהי למידה עמוקה - בינה מלאכותית

המונח AI הוטבע בשנת 1956 על ידי ג'ון מקארתי, המכונה גם אבי הבינה המלאכותית. הרעיון מאחורי AI הוא פשוט למדי אך מרתק, והוא להכין מכונות חכמות שיכולות לקבל החלטות לבד. אתם עשויים לחשוב זאת כפנטזיה מדעית, אך ביחס להתפתחויות האחרונות בתחום הטכנולוגיה וכוח המחשוב, נראה כי עצם הרעיון מתקרב למציאות מיום ליום.

למידת מכונה: צעד לקראת בינה מלאכותית

עכשיו, כשאתה מכיר את AI, תן לנו לדבר בקצרה על Machine Learning ולהבין מה זה אומר כשאנחנו אומרים שאנחנו מתכנתים מכונות ללמוד. נתחיל בהגדרה מפורסמת מאוד של Machine Learning:



'אומרים שתוכנת מחשב לומדת מניסיון E ביחס למשימה כלשהי T ולמדדת ביצועים מסוימת P, אם הביצועים שלה ב- T, כפי שנמדדים על ידי P, משתפרים עם החוויה E.' - טום מיטשל, אוניברסיטת קרנגי מלון

לכן, אם אתה רוצה שהתוכנית שלך תחזית, דפוסי תנועה בצומת עמוס (משימה T), אתה יכול להריץ אותה באמצעות אלגוריתם למידת מכונה עם נתונים על דפוסי תנועה קודמים (ניסיון E). כעת, דיוק החיזוי (מדד הביצועים P) יהיה תלוי בעובדה האם התוכנית למדה בהצלחה ממערך הנתונים או לא (ניסיון E).

ביסודו של דבר, למידת מכונה מכונה סוג של בינה מלאכותית (AI) המספקת למחשבים את היכולת ללמוד מבלי להיות מתוכנת במפורש על ידי חשיפתם לכמות עצומה של נתונים. עקרון הליבה שעומד מאחורי Machine Learning הוא ללמוד ממערכי נתונים ולנסות למזער שגיאות או למקסם את הסבירות שהתחזיות שלהם יהיו נכונות.

חסרונות של למידת מכונה

  • אלגוריתמים מסורתיים של ML אינם שימושיים בעבודה עם נתונים ממדיים גבוהים, שם יש לנו מספר רב של תשומות ופלטים. לדוגמא, במקרה של זיהוי בכתב יד יש לנו קלט רב שבו יהיו לנו סוגים שונים של קלט המשויכים לכתב יד מסוג אחר.
  • האתגר השני השני הוא לספר למחשב מהם התכונות שהוא צריך לחפש שישחקו תפקיד חשוב בחיזוי התוצאה וכן להשיג דיוק טוב יותר תוך כדי כך. עצם התהליך הזה מכונה חילוץ תכונה .

הזנת נתונים גולמיים לאלגוריתם עובדת לעיתים נדירות וזו הסיבה שחילוץ תכונות הוא חלק קריטי בתהליך העבודה של למידת מכונה מסורתית. לכן, ללא מיצוי תכונות, האתגר של המתכנת גדל מכיוון שהיעילות של האלגוריתם תלויה מאוד במידת התובנות של המתכנת. לפיכך, קשה מאוד ליישם מודלים אלה או אלגוריתמים של Machine Learning לבעיות מורכבות כמו זיהוי אובייקטים, זיהוי כתב יד, NLP (Natural Language Processing) וכו '.

למידה עמוקה

למידה עמוקה היא אחת השיטות היחידות בהן אנו יכולים להתגבר על האתגרים של מיצוי תכונות. הסיבה לכך היא שמודלים של למידה עמוקה מסוגלים ללמוד להתמקד בתכונות הנכונות בפני עצמם, ודורשים מעט הדרכה מצד המתכנת. בעיקרון, למידה עמוקה מחקה את האופן שבו המוח שלנו מתפקד כלומר הוא לומד מניסיון. כידוע, המוח שלנו מורכב ממיליארדי נוירונים שמאפשרים לנו לעשות דברים מדהימים. אפילו מוח של ילד בן שנה יכול לפתור בעיות מורכבות שקשה מאוד לפתור אפילו באמצעות מחשבי על. לדוגמה:

  • הכירו את פני הוריהם וגם חפצים שונים.
  • להפלות קולות שונים ואף יכולה לזהות אדם מסוים על סמך קולו.
  • הסיקו מחוות פנים של אנשים אחרים ורבים אחרים.

למעשה, המוח שלנו אימן את עצמו באופן מודע לעשות דברים כאלה לאורך השנים. עכשיו, נשאלת השאלה, עד כמה למידה עמוקה מחקה את הפונקציונליות של המוח? ובכן, למידה עמוקה משתמשת במושג נוירונים מלאכותיים המתפקד באופן דומה לנוירונים הביולוגיים הקיימים במוחנו. לכן אנו יכולים לומר כי למידה עמוקה היא תת תחום של מְכוֹנָה לְמִידָה עוסק באלגוריתמים בהשראת המבנה והתפקוד של המוח הנקראים רשתות עצביות מלאכותיות.

בואו ניקח דוגמא להבנתה. נניח שאנחנו רוצים ליצור מערכת שתוכל לזהות פנים של אנשים שונים בתמונה.אם נפתור זאת כבעיה טיפוסית בלמידת מכונה, נגדיר תווי פנים כמו עיניים, אף, אוזניים וכו 'ואז המערכת תזהה אילו תכונות חשובות יותר עבור איזה אדם בפני עצמה.

עכשיו, למידה עמוקה לוקחת את זה צעד אחד קדימה. למידה עמוקה מגלה אוטומטית את התכונות החשובות לסיווג בגלל רשתות עצביות עמוקות, ואילו במקרה של למידת מכונה היינו צריכים להגדיר ידנית את התכונות הללו.

תאנה: זיהוי פנים באמצעות רשתות עמוקות

כפי שמוצג בתמונה לעיל למידה עמוקה פועלת באופן הבא:

  • ברמה הנמוכה ביותר, רשת מקבעת על דפוסי ניגודיות מקומית כחשובה.
  • אז השכבה הבאה מסוגלת להשתמש בדפוסים של ניגודיות מקומית כדי לתקן דברים הדומים לעיניים, לאף ולפה.
  • לבסוף, השכבה העליונה מסוגלת ליישם את תווי הפנים הללו על תבניות פנים.
  • רשת עצבית עמוקה מסוגלת להרכיב תכונות מורכבות יותר ויותר בכל אחת משכבותיה העוקבות.

האם תהית אי פעם כיצד פייסבוק מתייגת או מתייגת אוטומטית את כל האדם שנמצא בתמונה שהועלתה על ידך? ובכן, פייסבוק משתמשת בלמידה עמוקה בצורה דומה כאמור בדוגמה לעיל. עכשיו היית מבין את היכולת של למידה עמוקה וכיצד היא יכולה לעלות על למידת מכונה במקרים שבהם יש לנו מעט מאוד מושג לגבי כל התכונות שיכולות להשפיע על התוצאה. לכן, רשת Deep יכולה להתגבר על החיסרון של Machine Learning על ידי הסקת מסקנות ממערך נתונים המורכב מנתוני קלט ללא תיוג מתאים.

מהי למידה עמוקה | למידה עמוקה מפושטת | אדוריקה

יישומים של למידה עמוקה

אם נתקדם בבלוג זה של למידה עמוקה, הבה נבחן כמה מהיישומים האמיתיים של Deep Learning כדי להבין את הכוחות האמיתיים שלו.

  • זיהוי דיבור

כולכם הייתם שומעים על סירי, שהיא העוזרת החכמה הנשלטת על ידי אפל. כמו ענקיות גדולות אחרות, גם אפל החלה להשקיע ב- Deep Learning בכדי להפוך את שירותיה לטובים מאי פעם.

בתחום זיהוי הדיבור ועוזר אינטליגנטי בשליטה קולית כמו סירי, ניתן לפתח מודל אקוסטי מדויק יותר באמצעות רשת עצבית עמוקה וכיום הוא אחד התחומים הפעילים ביותר ליישום למידה עמוקה. במילים פשוטות, אתה יכול לבנות מערכת כזו שתוכל ללמוד תכונות חדשות או להתאים את עצמה בהתאם לך, ולכן לספק סיוע טוב יותר על ידי ניבוי כל האפשרויות מראש.

  • תרגום מכונה אוטומטי

קווי דמיון בין java ל- javascript

כולנו יודעים שגוגל יכולה לתרגם באופן מיידי בין 100 שפות אנושיות שונות, זאת מהר מדי כאילו באמצעות קסם. הטכנולוגיה שמאחורי גוגל תרגום נקרא מכונת תרגום והיה מושיע לאנשים שלא יכולים לתקשר אחד עם השני בגלל ההבדל בשפת הדיבור. עכשיו היית חושב שהתכונה הזו הייתה שם הרבה זמן, אז מה חדש בזה? אני אגיד לך שבשנתיים האחרונות, בעזרת למידה מעמיקה, גוגל רפורמה לחלוטין את הגישה לתרגום מכונה ב- Google Translate שלה. למעשה, חוקרי למידה עמוקה שלא יודעים כמעט דבר על תרגום שפה, מציעים פתרונות פשוטים יחסית ללימוד מכונה שמכות את מערכות התרגום הטובות ביותר שנבנו על ידי מומחים בעולם. ניתן לבצע תרגום טקסט ללא כל עיבוד מקדים של הרצף, מה שמאפשר לאלגוריתם ללמוד את התלות בין מילים למיפוין לשפה חדשה. רשתות מוערמות של רשתות עצביות גדולות חוזרות משמשות לביצוע תרגום זה.

  • תרגום חזותי מיידי

כידוע, למידה עמוקה משמשת לזיהוי תמונות שיש בהן אותיות והיכן האותיות במקום. לאחר הזיהוי, ניתן להפוך אותם לטקסט, לתרגם ולבצע מחדש את התמונה עם הטקסט המתורגם. זה נקרא לעתים קרובות תרגום ויזואלי מיידי .

כעת, דמיין מצב שבו ביקרת בכל מדינה אחרת ששפת האם שלה אינה ידועה לך. ובכן, אין צורך לדאוג, באמצעות יישומים שונים כמו Google Translate תוכלו להמשיך ולבצע תרגומים חזותיים מיידיים לקריאת שלטים או לוחות חנויות הכתובים בשפה אחרת. זה התאפשר רק בגלל למידה עמוקה.

הערה: אתה יכול להמשיך ולהוריד את אפליקציית Google Translate ולבדוק את התרגום החזותי המיידי המדהים באמצעות התמונה לעיל.

  • התנהגות: מכוניות מונעות עצמיות אוטומטיות

גוגל מנסה לקחת את יוזמת המכוניות שלהם לנהיגה עצמית, המכונה WAYMO, לרמת שלמות חדשה לגמרי באמצעות Deep Learning. לכן, במקום להשתמש באלגוריתמים ישנים המקודדים ביד, הם יכולים כעת לתכנת מערכת שיכולה ללמוד בעצמם באמצעות נתונים המסופקים על ידי חיישנים שונים. למידה עמוקה היא כעת הגישה הטובה ביותר למרבית משימות התפיסה, כמו גם למשימות בקרה רבות ברמה נמוכה. מכאן שכעת, גם אנשים שאינם יודעים לנהוג או נכים יכולים להמשיך ולנסוע בנסיעה מבלי להיות תלויים באף אחד אחר.

הנה, הזכרתי רק כמה מקרי שימוש מפורסמים בחיים האמיתיים שבהם נעשה שימוש נרחב בלמידה עמוקה ומציג תוצאות מבטיחות. ישנם יישומים רבים אחרים של למידה עמוקה יחד עם תחומים רבים שעוד לא נחקרו.

אז, זה הכל על למידה עמוקה בקצרה. אני בטוח שעד עכשיו היית מבין את ההבדל בין למידת מכונה ללימוד עמוק וכן כיצד למידה עמוקה יכולה להיות שימושית מאוד ליישומים שונים בחיים האמיתיים. כעת, בבלוג הבא שלי בסדרת הדרכות למידה עמוקה זו, נצלול עמוק למושגים ואלגוריתמים שונים למידה עמוקה יחד עם יישומם בפירוט.

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.