Pembelajaran yang mendalam: apakah dan bagaimana ia berkaitan dengan pembelajaran mesin?

Meneruskan beberapa artikel yang telah kami lakukan, di sini kita akan membincangkan tentang Pembelajaran Deep dan hubungannya dengan Pembelajaran Mesin . Kedua-dua istilah semakin penting dalam masyarakat di mana kita hidup dan ia akan membantu untuk mengetahui apa yang mengelilingi kita.

Indeks kandungan

Apakah Pembelajaran Deep ?

Pembelajaran Deep adalah subset teknik yang dilahirkan sekitar tahun 2000 sebagai hasil Pembelajaran Mesin . Atas sebab ini, kita harus mengklasifikasikannya sebagai salah satu cawangannya, yang pada gilirannya sebahagian daripada sains komputer.

Sistem-sistem ini lebih autonomi daripada saudara-saudara mereka yang lebih tua, walaupun struktur mereka juga jauh lebih rumit. Ini memberi mereka kelebihan yang jelas apabila melakukan pelbagai jenis tugas di mana mereka melakukan kerja sama atau lebih baik daripada sistem lain dengan algoritma Pembelajaran Mesin.

Juga terdapat kerja-kerja lain di mana Deep Learning menonjolkan pendahulunya. Salah satu kes yang paling terkenal adalah Kecerdasan Buatan Alfa- gaya , Intelijen Google mampu mengalahkan juara dunia Go .

Mungkin ia berbunyi orang Cina kecil untuk anda, tetapi Go adalah permainan yang sangat terkenal dan, juga, sangat menuntut. Untuk meletakkannya dalam konteks, ahli matematik dengan tegas mendakwa bahawa hobi ini jauh lebih kompleks daripada catur.

Sebaliknya, Deep Learning berkait rapat dengan Big Data, kerana sumber maklumat yang besar ini boleh digunakan untuk belajar dan menggabungkan pengalaman. Selain itu, terima kasih kepada keadaan yang kita ada, persekitaran untuk perkembangan dan perkembangan teknologi ini sesuai untuk tiga perkara utama:

1. Pengumpulan data yang hebat, kerana dengan alat yang kami miliki hari ini, data dapat diperoleh dan disimpan dari hampir semua orang. Tahap teknologi yang kita ada, kerana komponen yang baik untuk secara kolektif menawarkan kuasa yang besar. Keinginan syarikat untuk memperbaiki metodologi mereka, sejak mengambil keuntungan dari dua mata sebelumnya, semakin banyak syarikat bertaruh pada Kecerdasan Buatan . Jika syarikat anda telah menyimpan data dari beribu-ribu pelanggan dan teknologi memberi anda peluang untuk belajar dari mereka dan menggunakannya, itu adalah taruhan yang selamat.

Struktur Pembelajaran Deep

Walaupun mempunyai perkembangan yang agak sama dengan Pembelajaran Mesin , algoritma ini mempunyai beberapa perbezaan nuklear. Yang paling penting ialah struktur dalamannya, iaitu kod yang membentuk algoritmanya.

Idea umum mengenai Pembelajaran Deep

Seperti yang anda lihat dalam imej, Pembelajaran Deep berkaitan erat dengan rangkaian saraf. Konsep ini bukanlah sesuatu yang baru, tetapi ia tidak lama bersama kami, jadi anda mungkin tidak tahu.

Untuk mempermudahkannya, kita dapat menentukan rangkaian saraf sebagai satu set algoritma (setiap satu dipanggil lapisan) yang merawat dan menghantar maklumat. Setiap lapisan menerima nilai input dan mengembalikan output, dan ketika ia melewati seluruh rangkaian, nilai hasil terakhir dikembalikan. Semua ini, berlaku secara berurutan, biasanya, di mana setiap lapisan mempunyai berat yang berbeza, bergantung pada hasil yang diinginkan.

Di sini, kami menunjukkan kepada anda video pendek (dalam bahasa Inggeris) mengenai pembelajaran Inteligensi Buatan untuk bermain Super Mario World :

Dan anda mungkin tertanya-tanya, "Mengapa semua kaedah ini begitu rumit?" . Sudah tentu Deep Learning masih tergolong dalam apa yang kita panggil Kecerdasan Buatan Lemah , tetapi ia mungkin merupakan langkah pertama ke arah yang kuat.

Metodologi ini terinspirasi secara berlebihan oleh cara kerja otak. Sama seperti apa yang kita lihat dalam "dunia fizikal" , lapisan sistem membentuk dan setiap lapisan berfungsi dengan cara yang sama dengan neuron. Dengan cara ini, lapisan berkaitan dengan satu sama lain, berkongsi maklumat dan perkara yang paling penting ialah segala - galanya dilakukan secara autonomi.

Skim sangat mudah tentang bagaimana Deep Learning berfungsi

Berikutan peraturan ini, Perisikan yang paling lengkap adalah, biasanya, mereka yang mempunyai lebih banyak lapisan dan algoritma yang lebih canggih.

Bagaimanakah Kecerdasan Buatan berfungsi dengan algoritma ini?

Sekiranya anda telah melihat artikel kami sebelum ini, anda akan melihat gif ini. Di sini anda boleh melihat artikel kami mengenai Kecerdasan Buatan dan di sini anda boleh membaca sedikit tentang Pembelajaran Mesin .

tetapi kami akan menunjukkan kepada anda satu kali terakhir.

Imej ini mencerminkan dengan baik dan sangat mudah bagaimana Perisikan menggunakan rangkaian saraf berfungsi. Seperti yang anda dapat lihat, tugasnya mudah: mengklasifikasikan imej dan belajar untuk mengesan anjing dalam foto yang berbeza yang dihantar kepadanya.

Setiap imej bermula dengan memasukkan suapan masukan, iaitu Lapisan Masukan di mana pengiraan pertama akan bermula. Hasil yang diperoleh akan dikongsi ke lapisan kedua atau neuron dan, dengan jelas, dimaklumkan bahawa neuron telah membuat pengiraan ini. Proses ini diulang seberapa banyak kali lapisan sistem kita sehingga kita mencapai yang terakhir.

Neuron terakhir dinamakan sebagai Lapisan Keluaran dan merupakan contoh yang dalam contoh ini menunjukkan hasilnya. Dalam kes lain, Lapisan Keluaran berakhir melaksanakan tindakan yang dikira. Juga, jika kita memasukkan formula untuk bertindak secepat mungkin (seperti dalam permainan video) , hasilnya hendaklah hampir seketika. Bagaimanapun, terima kasih kepada titik teknologi yang kami ada, ini sudah mungkin.

Salah satu contoh yang paling jelas ialah AlphaStar Intelligence Artificial, penciptaan Google sendiri.

Kecerdasan Buatan Google Deepmind

Kami telah memberitahu anda mengenai AlphaGo , AI mampu bertarung melawan pemain Go terbaik di dunia. Walau bagaimanapun, ini mempunyai adik-beradik yang mampu mencapai beberapa kejayaan yang mengagumkan.

AlphaZero

Perisikan ini belajar hanya dalam 24 jam tingkat catur, shoji dan pergi dengan mana ia memenangi beberapa pemain terkenal. Juga, dalam senarai lawan yang dikalahkan, dia juga menunjuk kepada versi AlphaGo Zero selama 3 hari pengalaman, sesuatu yang sangat luar biasa. Di sini , kelajuan pembelajaran Kecerdasan Buatan ini keluar .

Yang paling mengesankan, pasukan itu tidak mempunyai akses kepada buku atau pangkalan data pembelajaran, jadi semua taktik mereka dipelajari dengan praktik.

Dalam pertemuan lain, beliau menghadapi Stockfish , program sumber terbuka veteran yang bermain catur. Walau bagaimanapun, dalam masa empat jam ia didominasi oleh AlphaZero.

Harus diingat bahawa sementara ini mengira kira-kira 70 juta pergerakan, AlphaZero, dalam catur, hanya mengambil kira 80 ribu keluar yang berbeza. Perbezaan dalam ramalan telah diimbangi oleh pertimbangan yang lebih baik tentang apa yang akan menjanjikan.

Dengan demonstrasi kuasa seperti ini kita dapat melihat kuasa Kecerdasan Buatan baru.

AlphaStar

Sebaliknya, AlphaStar adalah AI yang, pada hari ini, mampu bermain RTS Starcraft II (Real Time Strategy, dalam bahasa Sepanyol).

Pada masa demonya, AlphaStar bertarung beberapa pemain profesional di pertandingan tengah pertandingan sepuluh berturut-turut dan hanya kalah yang terakhir.

Tidak seperti catur atau pergi, Starcraft II adalah perlawanan masa sebenar, jadi setiap detik anda perlu melakukan sesuatu. Disebabkan ini, kita dapat melihat bahawa teknologi semasa mampu mengekalkan irama-irama kegilaan pengiraan dan keputusan itu.

Bagi penyediaan Perisikan , untuk tarikh ujian hidup dia mempunyai sekitar 200 tahun pengalaman latihan hanya dengan protos (salah satu perlumbaan yang ada) . Ia juga dilatih supaya ia hanya dapat melakukan tindakan jika ia mempunyai kamera secara fizikal di dalam unit, dengan itu menyerap lebih kepada bagaimana seseorang akan bermain.

Walau bagaimanapun, walaupun mengalami kecacatan ini, AlphaStar berjaya mengalahkan kebanyakan pertemuan mereka menggunakan taktik yang ditinggalkan di sisi kompetitif permainan. Satu perkara yang perlu diberi perhatian ialah AlphaStar biasanya menyimpan APMs (Tindakan Setiap Minit) yang rendah, jadi keputusannya sangat berkesan.

Tindakan purata seminit yang dilakukan oleh AI dan pemain profesional

Walau bagaimanapun, apabila keadaan memanggilnya, dia menunjukkan kawalan orang ramai secara literal dengan mudah memecah kaunter.

Di sini anda dapat melihat salah satu demonya secara penuh:

Masa depan Kepintaran Buatan

Kami telah membincangkan topik ini, jadi kami tidak akan mengulangi perbualan yang sama terlalu banyak. Apa yang harus diketengahkan adalah kemungkinan niaga hadapan yang menanti Deep Learning .

Menurut Andrew Yan-Tak Ng, seorang pakar yang terkenal dalam Kecerdasan Buatan, Deep Learning adalah langkah yang baik ke arah Kepintaran masa depan. Tidak seperti kaedah pengajaran lain, yang satu ini jauh lebih cekap apabila kita meningkatkan sampel data.

KAMI MEREKOMENDASIKAN ANDA BABAHU X1: Berus gigi AI kini boleh didapati

Slide berikutnya tergolong dalam penyampaiannya "Apa Maklumat Ilmuwan Perlu Tahu Mengenai Pembelajaran Deep" . Jika anda berminat, anda boleh melihatnya di pautan ini.

Tidak sia-sia, perkembangan teknologi tidak berhenti. Setiap tahun kami akan mempunyai komponen yang lebih berkuasa, jadi kami akan mempunyai lebih banyak lagi teras untuk diuji. Seperti yang berlaku dengan AIs dan Pembelajaran Mesin lama , algoritma, metodologi dan sistem baru akan muncul dan menggantikan Inovasi Deep Learning hari ini .

Juga, seperti yang anda boleh bayangkan, masa depan ditangani oleh mesin separa pintar.

Seperti yang kita katakan dalam artikel lain, kebanyakan peranti elektronik akan ada (ada yang menggabungkannya) Kecerdasan Sokongan . Kes yang sangat ketara ialah Intelligence yang membantu mengambil gambar yang lebih baik.

Walau bagaimanapun, satu titik di mana teknologi ini boleh berkembang untuk kebanyakan pengguna adalah IOT (Internet of Things, in Spanish).

Internet Perkara

Istilah ini mempunyai lebih banyak berat dalam konferensi teknologi dan pengkomputeran dan bertujuan untuk menyatukan dirinya sekarang bahawa kita mempunyai cara.

Idea ini ialah peralatan rumah tangga, peralatan elektrik dan lain - lain objek yang boleh dikenalpasti, mereka boleh berkomunikasi antara satu sama lain dan, di samping itu, dikawal dengan peranti. Dengan cara ini, kita boleh mempunyai kiraan objek apa yang ada di tempat, di mana mereka, berinteraksi dengan mereka dan semua ini dari mudah alih. Begitu juga, objek juga dapat berinteraksi antara satu sama lain dan jika sebagai contoh makanan berakhir, mungkin peti sejuk akan dapat memberitahu anda apabila anda membukanya.

Sebaliknya, Kepintaran Buatan harus dapat memantau status dan prestasi peralatan rumah tangga. Dengan ini, anda boleh menubuhkan pelan elektrik dan mengoptimumkan tenaga yang digunakan.

Walau bagaimanapun, satu perkara yang relevan untuk kami memperbaiki adalah keselamatan Internet . Ia adalah sesuatu yang masih tidak kelihatan seperti gangguan, tetapi kita semua tahu bahawa ia akan menjadi penting jika kita mahu menjadi perkhidmatan yang selamat.

Ia adalah idea yang agak abstrak, tetapi kerana ia menyerang hidup kita, anda akan menjadi biasa.

Kepentingan teknologi baru dan Pembelajaran Deep

Ia tidak dapat dielakkan untuk berfikir bahawa pengkomputeran dan Kepintaran Buatan akan membentuk banyak masa depan yang menanti kita. Oleh itu, penting untuk sentiasa menyedari apa yang sedang berlaku di dunia yang ditadbir oleh bit.

Dengan semangat itu, kita sudah dapat melihat sejauh mana darjah, kursus dan darjah yang berbeza yang mengajar topik ini secara mendalam. Sebagai contoh, beberapa kejuruteraan data telah muncul, darjah lain pada Data Besar dan, dengan jelas, kursus dalam Pembelajaran Deep dan Kecerdasan Buatan .

Atas alasan yang sama, kami meminta anda untuk menyiasat perkara tersebut. Internet , dengan plus dan minusnya, tidak lagi autonomi, tidak sempurna, atau tidak selamat, tetapi ia adalah sumber pengetahuan yang hampir tidak terbatas. Dengan apa-apa nasib, anda akan mencari tempat untuk belajar dan anda boleh memulakan bahasa baru, atau sebaliknya, dunia baru.

Oleh kerana Pembelajaran Mesin adalah disiplin yang sedikit lebih ringan, terdapat program yang membolehkan anda mengawal data dengan sedikit. Jika anda berminat untuk mempelajari sedikit lebih lanjut mengenai subjek dan memeriksa sendiri / had teknologi ini, anda boleh melawat IBM Watson Developer Cloud atau Amazon Machine Learning. Kami memberi amaran kepada anda: anda perlu membuat akaun dan ia tidak akan menjadi cara mudah untuk belajar, tetapi mungkin suatu hari ia akan membantu anda mencapai matlamat yang hebat.

Di luar sini adalah dunia ide, jadi semuanya berada di tangan anda. Dan kepada anda, apa pendapat anda tentang teknologi baru yang berkaitan dengan Kepintaran Artificial? Apakah aplikasi Deep Learning lain yang anda ketahui atau ingin dilihat? Kongsi idea anda di dalam kotak di bawah.

Sumber Perniagaan Blog Fikirkan BigXatakaMachine Learning Mastery