Cos'è il deep learning?
In questo blog parlerò di cosa è Apprendimento approfondito che è un ronzio al giorno d'oggi e ha saldamente messo le sue radici in una vasta moltitudine di settori che stanno investendo in campi come Intelligenza Artificiale, Big Data e Analytics. Ad esempio, Google utilizza il deep learning nei suoi algoritmi di riconoscimento vocale e delle immagini, mentre Netflix e Amazon lo utilizzano per comprendere il comportamento dei loro clienti. In effetti, non ci crederai, ma i ricercatori del MIT stanno cercando di prevedere il futuro utilizzando il deep learning.Ora, immagina quanto potenziale ha il deep learning nel rivoluzionare il mondo e come le aziende cercheranno .Prima di parlare di deep learning, bisogna capire il suo rapporto con Machine Learning e Intelligenza Artificiale. Il modo più semplice per capire questa relazione è passare attraverso il diagramma seguente:
Figura: Cos'è il deep learning - Cronologia delle tecnologie AI
Qui, nell'immagine puoi vedere che il Machine Learning è un sottoinsieme dell'AI. Ciò implica il fatto che possiamo costruire macchine intelligenti in grado di apprendere in base ai dati forniti da sole. Inoltre noterai che il Deep Learning è un sottoinsieme del Machine Learning in cui vengono utilizzati algoritmi di Machine Learning simili per addestrare le reti neurali profonde in modo da ottenere una migliore precisione nei casi in cui il primo non funzionava fino al segno. Following sono gli argomenti di cui parlerò in questo tutorial di deep learning:
- Intelligenza artificiale
- Apprendimento automatico
- Inconvenienti di ML
- Cos'è il deep learning?
- Applicazione di deep learning
Ottieni la certificazione con progetti a livello di settore e segui rapidamente la tua carriera
Intelligenza artificiale
differenza tra java e class
Figura: Cos'è l'apprendimento profondo - Intelligenza artificiale
Il termine AI è stato coniato nel 1956 da John McCarthy, noto anche come padre dell'intelligenza artificiale. L'idea alla base dell'IA è abbastanza semplice ma affascinante, ovvero creare macchine intelligenti in grado di prendere decisioni da sole. Si può pensare che sia una fantasia scientifica, ma rispetto ai recenti sviluppi della tecnologia e della potenza di calcolo, l'idea stessa sembra avvicinarsi alla realtà giorno dopo giorno.
Machine learning: un passo verso l'intelligenza artificiale
Ora che hai familiarità con l'IA, parliamo brevemente di Machine Learning e capiamo cosa significa quando diciamo che stiamo programmando macchine per imparare. Cominciamo con una definizione molto famosa di Machine Learning:
'Si dice che un programma per computer impari dall'esperienza E rispetto a qualche compito T e qualche misura di prestazione P, se la sua prestazione su T, misurata da P, migliora con l'esperienza E.' - Tom Mitchell, Carnegie Mellon University
Quindi, se desideri che il tuo programma preveda i modelli di traffico in un incrocio trafficato (attività T), puoi eseguirlo attraverso un algoritmo di apprendimento automatico con dati sui modelli di traffico passati (esperienza E). Ora, l'accuratezza della previsione (misura delle prestazioni P) dipenderà dal fatto che il programma abbia appreso con successo dal set di dati o meno (esperienza E).
Fondamentalmente, l'apprendimento automatico viene definito un tipo di intelligenza artificiale (AI) che fornisce ai computer la capacità di apprendere senza essere programmati esplicitamente esponendoli a una grande quantità di dati. Il principio fondamentale alla base del Machine Learning è imparare dai set di dati e cercare di ridurre al minimo gli errori o massimizzare la probabilità che le loro previsioni siano vere.
Svantaggi dell'apprendimento automatico
- Gli algoritmi ML tradizionali non sono utili quando si lavora con dati ad alta dimensione, che è dove abbiamo un gran numero di input e output. Ad esempio, in caso di riconoscimento della grafia abbiamo una grande quantità di input in cui avremo diversi tipi di input associati a diversi tipi di scrittura a mano.
- La seconda grande sfida è dire al computer quali sono le caratteristiche che dovrebbe cercare che giocheranno un ruolo importante nella previsione del risultato e per ottenere una migliore precisione mentre lo fa. Questo stesso processo è indicato come estrazione delle caratteristiche .
Fornire dati grezzi all'algoritmo raramente funziona e questo è il motivo per cui l'estrazione delle caratteristiche è una parte fondamentale del flusso di lavoro di apprendimento automatico tradizionale. Pertanto, senza l'estrazione delle funzionalità, la sfida per il programmatore aumenta poiché l'efficacia dell'algoritmo dipende in gran parte da quanto è perspicace il programmatore. Pertanto, è molto difficile applicare questi modelli o algoritmi di Machine Learning a problemi complessi come il riconoscimento degli oggetti, il riconoscimento della grafia, la PNL (Natural Language Processing), ecc.
Apprendimento approfondito
Il deep learning è uno degli unici metodi con cui possiamo superare le sfide dell'estrazione delle caratteristiche. Questo perché i modelli di deep learning sono in grado di imparare a concentrarsi sulle giuste funzionalità da soli, richiedendo poca guida da parte del programmatore. Fondamentalmente, l'apprendimento profondo imita il modo in cui funziona il nostro cervello, ovvero apprende dall'esperienza. Come sai, il nostro cervello è composto da miliardi di neuroni che ci permettono di fare cose sorprendenti. Anche il cervello di un bambino di un anno può risolvere problemi complessi che sono molto difficili da risolvere anche utilizzando supercomputer. Per esempio:
- Riconosci il volto dei loro genitori e anche i diversi oggetti.
- Discrimina voci diverse e può persino riconoscere una persona in particolare in base alla sua voce.
- Trarre conclusioni dai gesti facciali di altre persone e di molti altri.
In realtà, il nostro cervello si è allenato inconsciamente a fare queste cose nel corso degli anni. Ora, la domanda arriva, come l'apprendimento profondo imita la funzionalità di un cervello? Ebbene, l'apprendimento profondo utilizza il concetto di neuroni artificiali che funzionano in modo simile ai neuroni biologici presenti nel nostro cervello. Pertanto, possiamo dire che il Deep Learning è un sottocampo di macchina apprendimento si occupa di algoritmi ispirati alla struttura e alla funzione del cervello chiamate reti neurali artificiali.
Ora, facciamo un esempio per capirlo. Supponiamo di voler creare un sistema in grado di riconoscere i volti di persone diverse in un'immagine.Se risolviamo questo come un tipico problema di apprendimento automatico, definiremo le caratteristiche del viso come occhi, naso, orecchie ecc. E quindi il sistema identificherà quali caratteristiche sono più importanti per quale persona da solo.
Ora, l'apprendimento profondo fa un passo avanti. Il deep learning rileva automaticamente le funzionalità importanti per la classificazione a causa delle reti neurali profonde, mentre nel caso del Machine Learning dovevamo definire manualmente queste funzionalità.
implementando una coda di priorità in java
Figura: Riconoscimento facciale tramite Deep Networks
Come mostrato nell'immagine sopra, il Deep Learning funziona come segue:
- Al livello più basso, la rete fissa i modelli di contrasto locale come importanti.
- Il livello successivo è quindi in grado di utilizzare quegli schemi di contrasto locale per fissarsi su cose che assomigliano a occhi, nasi e bocche
- Infine, il livello superiore è in grado di applicare quelle caratteristiche del viso ai modelli del viso.
- Una rete neurale profonda è in grado di comporre caratteristiche sempre più complesse in ciascuno dei suoi strati successivi.
Ti sei mai chiesto come Facebook etichetta o tagga automaticamente tutte le persone presenti in un'immagine caricata da te? Ebbene, Facebook utilizza il Deep Learning in modo simile a quanto affermato nell'esempio sopra. Ora, avresti capito la capacità del Deep Learning e come può sovraperformare il Machine Learning in quei casi in cui abbiamo pochissime idee su tutte le funzionalità che possono influenzare il risultato. Pertanto, Deep network può superare l'inconveniente dell'apprendimento automatico tracciando inferenze da un set di dati costituito da dati di input senza un'adeguata etichettatura.
Cos'è il deep learning | Apprendimento approfondito semplificato | Edureka
Applicazioni del deep learning
Andando avanti in questo blog di deep learning, diamo un'occhiata ad alcune delle applicazioni reali del Deep Learning per comprenderne i veri poteri.
Riconoscimento vocale
Tutti voi avreste sentito parlare di Siri, l'assistente intelligente a comando vocale di Apple. Come altri grandi colossi, anche Apple ha iniziato a investire sul Deep Learning per rendere i suoi servizi migliori che mai.
Nell'area del riconoscimento vocale e dell'assistente intelligente a comando vocale come Siri, è possibile sviluppare un modello acustico più accurato utilizzando una rete neurale profonda ed è attualmente uno dei campi più attivi per l'implementazione del deep learning. In parole semplici, puoi costruire un tale sistema che può apprendere nuove funzionalità o adattarsi a te stesso e quindi fornire una migliore assistenza prevedendo in anticipo tutte le possibilità.
Traduzione automatica automatica
Sappiamo tutti che Google può tradurre istantaneamente tra 100 differenti linguaggi umani, troppo velocemente come per magia. La tecnologia dietro Google Traduttore è chiamato Traduzione automatica ed è stato un salvatore per le persone che non possono comunicare tra loro a causa della differenza nella lingua parlata. Ora, staresti pensando che questa funzione è disponibile da molto tempo, quindi, cosa c'è di nuovo in questo? Lascia che ti dica che negli ultimi due anni, con l'aiuto del deep learning, Google ha completamente riformato l'approccio alla traduzione automatica nel suo Google Translate. In effetti, i ricercatori del deep learning che non sanno quasi nulla della traduzione linguistica stanno proponendo soluzioni di machine learning relativamente semplici che stanno battendo i migliori sistemi di traduzione linguistica costruiti da esperti al mondo. La traduzione del testo può essere eseguita senza alcuna pre-elaborazione della sequenza, consentendo all'algoritmo di apprendere le dipendenze tra le parole e la loro mappatura in una nuova lingua. Per eseguire questa traduzione vengono utilizzate reti in pila di grandi reti neurali ricorrenti.
- Traduzione visiva istantanea
Come sapete, il deep learning viene utilizzato per identificare le immagini che hanno lettere e dove si trovano le lettere sulla scena. Una volta identificati, possono essere trasformati in testo, tradotti e l'immagine ricreata con il testo tradotto. Questo è spesso chiamato traduzione visiva istantanea .
Ora, immagina una situazione in cui hai visitato un altro paese la cui lingua madre non ti è nota. Bene, non c'è bisogno di preoccuparsi, utilizzando varie app come Google Translate puoi andare avanti ed eseguire traduzioni visive istantanee per leggere cartelli o bacheche scritte in un'altra lingua. Questo è stato possibile solo grazie al Deep Learning.
Nota: Puoi andare avanti e scaricare l'app Google Translate e controllare la straordinaria traduzione visiva istantanea utilizzando l'immagine sopra.
Comportamento: auto automatizzate a guida autonoma
Google sta cercando di portare la sua iniziativa di auto a guida autonoma, nota come WAYMO, a un livello completamente nuovo di perfezione utilizzando il Deep Learning. Pertanto, invece di utilizzare vecchi algoritmi codificati a mano, ora possono programmare sistemi in grado di apprendere da soli utilizzando i dati forniti da sensori diversi. L'apprendimento profondo è ora l'approccio migliore alla maggior parte delle attività di percezione, nonché a molte attività di controllo di basso livello. Quindi, ora anche le persone che non sanno guidare o sono disabili, possono andare avanti e fare il giro senza dipendere da nessun altro.
Qui ho menzionato solo alcuni famosi casi d'uso nella vita reale in cui il Deep Learning viene ampiamente utilizzato e mostra risultati promettenti. Ci sono molte altre applicazioni dell'apprendimento profondo insieme a molti campi che devono ancora essere esplorati.
Quindi, questo è tutto sull'apprendimento profondo in poche parole. Sono sicuro che a questo punto avresti capito la differenza tra Machine Learning e Deep Learning e come il Deep Learning può essere molto utile per varie applicazioni della vita reale. Ora, nel mio prossimo blog in questa serie di tutorial sul deep learning, approfondiremo i vari concetti e algoritmi Deep Learning insieme alla loro applicazione in dettaglio.
unire il codice c ++ di ordinamento
Ora che conosci il Deep Learning, dai un'occhiata al da Edureka, una società di formazione online affidabile con una rete di oltre 250.000 studenti soddisfatti sparsi in tutto il mondo. Il corso di formazione sulla certificazione Edureka Deep Learning con TensorFlow aiuta gli studenti a diventare esperti nella formazione e nell'ottimizzazione delle reti neurali di base e convoluzionali utilizzando progetti e incarichi in tempo reale insieme a concetti come la funzione SoftMax, le reti neurali con codificatore automatico, la macchina Boltzmann ristretta (RBM).
Hai domande per noi? Per favore menzionalo nella sezione commenti e ti risponderemo.