Ano ang Deep Learning at Neural Network

Neural Networks at Deep Learning ay kasalukuyang dalawang hot buzzwords na ginagamit ngayon sa Artificial Intelligence. Ang kamakailang mga pagpapaunlad sa mundo ng Artipisyal na katalinuhan ay maaaring maiugnay sa dalawang ito kung paano nila nilalaro ang isang makabuluhang papel sa pagpapabuti ng katalinuhan ng AI.

Tumingin sa paligid, at makikita mo ang higit pa at mas matalinong mga machine sa paligid. Salamat sa Neural Networks at Deep Learning, ang mga trabaho at kakayahan na dating itinuturing na forte ng mga tao ay ginagampanan ngayon ng mga makina. Ngayon, ang mga Machine ay hindi na kumain ng mas kumplikadong mga algorithm, ngunit sa halip, ang mga ito ay pinakain upang bumuo ng isang autonomous, self-teaching system na may kakayahang revolutionizing ng maraming industriya sa buong paligid.

Neural Network at Deep Ang pag-aaral ay nagpahiwatig ng malaking tagumpay sa mga mananaliksik sa mga gawain tulad ng pagkilala ng imahe, pagkilala sa pagsasalita, paghahanap ng mas malalim na relasyon sa isang hanay ng data. Sa tulong ng pagkakaroon ng napakalaking dami ng data at kapangyarihan ng computational, makikilala ng mga bagay ang mga makina, isalin ang pananalita, sanayin ang kanilang mga sarili upang makilala ang mga kumplikadong mga pattern, alamin kung paano mag-isip ng mga estratehiya at gumawa ng mga plano ng contingency sa real time.

trabaho? Alam mo ba na ang parehong Neutral Networks at Deep learning na may kaugnayan, sa katunayan, upang maunawaan ang Deep pag-aaral, dapat mo munang maunawaan ang tungkol sa Neural Network? Magbasa nang higit pa.

Ano ang isang Neural Network

Ang isang Neural network ay karaniwang isang programming pattern o isang hanay ng mga algorithm na nagbibigay-daan sa isang computer upang matuto mula sa pagmamasid na data. Ang isang Neural network ay katulad ng isang utak ng tao, na gumagana sa pamamagitan ng pagkilala sa mga pattern. Ang sensory data ay binibigyang-kahulugan gamit ang isang pandama ng makina, labelling o clustering raw input. Ang mga pattern na kinikilala ay numerikal, nakapaloob sa mga vectors, kung saan ang mga data tulad ng mga imahe, tunog, teksto, atbp ay isinalin.

Mag-isip ng Neural Network! Isipin kung paano gumagana ang utak ng tao

Tulad ng nabanggit sa itaas, ang isang neural network ay gumaganap tulad ng isang utak ng tao; Nakukuha nito ang lahat ng kaalaman sa pamamagitan ng proseso ng pag-aaral. Pagkatapos nito, ang synaptic weights ay nagtatabi ng nakuhang kaalaman. Sa panahon ng proseso ng pag-aaral, ang mga synaptic na timbang ng network ay binago upang makamit ang ninanais na layunin.

Tulad ng utak ng tao, ang Neural Networks ay gumagana tulad ng mga di-linear parallel na sistema ng pagproseso ng impormasyon na mabilis na nagsasagawa ng mga pag-compute tulad ng pattern recognition pananaw. Bilang resulta, mahusay ang mga network na ito sa mga lugar tulad ng pagsasalita, audio at imaheng pagkilala kung saan ang mga input / signal ay likas na di-linear.

Sa madaling salita, maaari mong matandaan ang Neural Network bilang isang bagay na may kakayahang mag-stock ng kaalaman tulad ng isang tao utak at gamitin ito upang gumawa ng mga paghuhula.

Istraktura ng Neural Network

(Image Credit: Mathworks)

Neural Network ay binubuo ng tatlong layer,

1. Input layer,
2. Nakatagong layer, at
3. Output layer

Ang bawat layer ay binubuo ng isa o higit pang mga node, tulad ng ipinapakita sa diagram sa ibaba ng mga maliit na lupon. Ang mga linya sa pagitan ng mga node ay nagpapahiwatig ng daloy ng impormasyon mula sa isang node hanggang sa susunod. Ang impormasyon ay dumadaloy mula sa input sa output, ie mula kaliwa hanggang kanan (sa ilang mga kaso maaaring ito ay mula sa kanan papuntang kaliwa o parehong paraan).

Ang mga node ng input layer ay passive, ibig sabihin hindi nila baguhin ang data. Nakatanggap sila ng isang halaga sa kanilang input at dobleng ang halaga sa kanilang maraming output. Sapagkat, ang mga node ng nakatagong at output layer ay aktibo. Sa gayon ay maaari nilang baguhin ang data.

Sa isang interconnected na istraktura, ang bawat halaga mula sa layer ng input ay nadoble at ipinadala sa lahat ng mga nakatagong node. Ang mga halaga na nagpapasok ng nakatagong node ay pinarami ng mga timbang, isang hanay ng mga natukoy na numero na nakaimbak sa programa. Ang mga tinimbang na input ay idinagdag upang makabuo ng isang solong numero. Ang mga network ng neural ay maaaring magkaroon ng anumang bilang ng mga layer, at anumang bilang ng mga node sa bawat layer. Karamihan sa mga application ay gumagamit ng tatlong-layer na istraktura na may maximum ng ilang daang mga node ng input

Halimbawa ng Neural Network

Isaalang-alang ang isang neural network na kinikilala ang mga bagay sa isang sonar signal, at mayroong 5000 sample na signal na nakaimbak sa PC. Ang PC ay dapat malaman kung ang mga sampol na ito ay kumakatawan sa isang submarino, balyena, malaking bato ng yelo, dagat bato, o wala sa lahat? Ang mga konbensyonal na paraan ng DSP ay maaaring lumapit sa problemang ito sa matematika at mga algorithm, tulad ng pag-aaral ng correlation at frequency spectrum.

Habang may isang neural network, ang 5000 sample ay ipinapasa sa layer ng input, na nagreresulta sa mga halaga na lumalabas mula sa output layer. Sa pamamagitan ng pagpili ng tamang timbang, maaaring i-configure ang output upang mag-ulat ng malawak na hanay ng impormasyon. Halimbawa, may mga output para sa: submarine (yes / no), rock ng dagat (oo / hindi), balyena (oo / hindi), atbp

Sa iba pang mga timbang, maaaring i-classify ng mga output ang mga bagay bilang metal o hindi -metal, biolohikal o di-biolohikal, kaaway o kapanalig, atbp. Walang mga algorithm, walang mga panuntunan, walang mga pamamaraan; lamang ng isang relasyon sa pagitan ng input at output dictated sa pamamagitan ng mga halaga ng mga weights napili.

Ngayon, ipaalam sa amin ang konsepto ng Deep Learning.

Ano ang isang Deep Learning

Deep pag-aaral ay karaniwang isang subset ng Neural Networks; marahil maaari mong sabihin ang isang kumplikadong Neural Network na may maraming mga nakatagong mga layer sa loob nito.

Sa teknikal na pagsasalita, ang Deep learning ay maaari ding tinukoy bilang isang malakas na hanay ng mga diskarte para sa pag-aaral sa mga neural network. Ito ay tumutukoy sa artipisyal na mga neural network (ANN) na binubuo ng maraming mga layer, napakalaking data set, malakas na hardware ng computer upang gumawa ng kumplikadong modelo ng pagsasanay na posible. Naglalaman ito ng klase ng mga pamamaraan at mga diskarte na gumagamit ng mga artipisyal na neural network na may maramihang mga layer ng increasingly richer functionality.

Structure of Deep learning network

Deep learning network ay kadalasang gumagamit ng neural network architecture at samakatuwid ay madalas na tinutukoy bilang malalim na neural network. Ang paggamit ng "malalim" ay tumutukoy sa bilang ng mga nakatagong layer sa neural network. Ang isang maginoo na neural network ay naglalaman ng tatlong mga nakatagong layer, samantalang ang mga malalalim na network ay maaaring magkaroon ng 120-150.

Ang Deep Learning ay nagsasangkot ng pagpapakain ng isang computer system ng maraming data, na magagamit nito upang gumawa ng mga desisyon tungkol sa ibang data. Ang data na ito ay kinain sa pamamagitan ng mga neural network, tulad ng kaso sa pag-aaral ng machine. Ang malalim na mga network ng pag-aaral ay maaaring matuto ng mga tampok nang direkta mula sa data nang walang pangangailangan para sa pagkuha ng manu-manong tampok.

Mga halimbawa ng Deep Learning

Deep learning ay kasalukuyang ginagamit sa halos bawat industriya na nagsisimula sa Automobile, Aerospace, at Automation sa Medikal. Narito ang ilan sa mga halimbawa.

• Google, Netflix, at Amazon: Ginagamit ito ng Google sa kanyang boses at mga algorithm ng pagkilala ng imahe. Ang Netflix at Amazon ay gumagamit din ng malalim na pag-aaral upang magpasya kung ano ang gusto mong panoorin o bumili ng susunod
• Pagmamaneho nang walang driver: Ang mga mananaliksik ay gumagamit ng malalim na pag-aaral ng mga network upang awtomatikong makita ang mga bagay tulad ng mga senyales ng stop at trapiko. Ang malalim na pag-aaral ay ginagamit din upang makita ang mga naglalakad, na tumutulong sa pagbawas ng mga aksidente.
• Aerospace at Defense: Ang malalim na pag-aaral ay ginagamit upang tukuyin ang mga bagay mula sa mga satellite na hanapin ang mga lugar ng interes, at tukuyin ang mga ligtas o hindi ligtas na zone para sa mga tropa. Malalim na Pag-aaral, awtomatikong hinahanap ng Facebook at nag-tag ng mga kaibigan sa iyong mga larawan.
• Medikal na Pananaliksik: Ang mga medikal na mananaliksik ay gumagamit ng malalim na pag-aaral upang awtomatikong makita ang mga selula ng kanser
• Industrial Automation: Ang malalim na pag-aaral ay tumutulong upang mapabuti ang kaligtasan ng manggagawa sa paligid ng mabibigat na makinarya sa pamamagitan ng awtomatikong
• Konklusyon
• Ang konsepto ng Neural Networks ay hindi bago, at ang mga mananaliksik ay natutugunan na may katamtamang tagumpay sa huling dekada o higit pa. Ngunit ang tunay na changer ng laro ay ang ebolusyon ng Deep Neural Network.

Sa pamamagitan ng paglabas ng mga tradisyunal na diskarte sa pag-aaral ng makina na ito ay nagpapakita na ang malalim na mga network ng neural ay maaaring sanayin at nasubok hindi lamang sa pamamagitan ng ilang mga mananaliksik, ngunit ito ay may saklaw sa ay pinagtibay ng mga kumpanya ng teknolohiyang multinasyunal na darating sa mas mahusay na mga pagbabago sa malapit na hinaharap.

Salamat sa Deep Learning at Neural Network, AI ay hindi lamang ginagawa ang mga gawain, ngunit nagsimula itong mag-isip!