Diverse

Vad är djupinlärning och varför är det mer relevant än någonsin?

Vad är djupinlärning och varför är det mer relevant än någonsin?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Maskininlärning? Djup lärning? Artificiell intelligens? Dessa termer har blivit synonyma med den moderna eran; termer som människor älskar att kasta runt i samtal på sociala medier och i tankestycken. Ändå kommer att förstå dessa termer att sättas i perspektiv hur en del av världens mest avancerade teknik kommer att påverka ditt liv.

Vi har redan berört artificiell intelligens och maskininlärning men idag ska du utforska den mindre kända kusinen till dessa tekniker, djupt lärande. Så det väcker frågan, hur mycket vet du om djupinlärning?

SE OCH: TA DIN AI OCH DYP LÄRANDEKUNSKAP TILL NÄSTA NIVÅ MED DENNA AVANCERADE BUND

För de oinvigda är djupt lärande en delmängd av maskininlärning där artificiella neurala nätverk, algoritmer inspirerade av den mänskliga hjärnan, lär sig av stora mängder data. Deep learning är en del av den bredare familjen av maskininlärningsmetoder baserade på representationer av inlärningsdata.

En kort introduktion

Du kanske har läst det och blivit lite förvirrad. Kort sagt, djupinlärning och alla aspekter av modern AI använder data för att fatta mänskliga ”intelligenta” beslut. Djupt lärande lär datorer att i grunden lära sig genom exempel eller data.

För att sätta detta i perspektiv används djupinlärning för förarlösa bilar, vilket gör det möjligt för fordon att känna igen andra fordon, stoppskyltar och till och med fotgängare, medan djupinlärning också ligger i centrum för konsumentprodukter som röstassistent körde smarta högtalare, ansiktsigenkänningsteknik, och även på några populära webbsidor.

Idag ska du dyka djupare in i djupinlärningsvärlden och undersöka hur denna delmängd av maskininlärning kommer att förändra ditt liv.

The World of Deep Learning

Återigen är data nyckeln och ligger i hjärtat av djupt lärande. Du kan lära dig en ny färdighet genom övning och erfarenhet. Deep learning modeller gör detsamma. Om vi ​​går tillbaka till exemplet med självkörande bil kan en datormodell undersöka tusentals stoppskyltar innan de får förmågan att identifiera ett stoppskylt.

Djuplärande datormodeller lär sig att utföra klassificeringsuppgifter direkt från bilder, text eller till och med ljud. En djupinlärningsmodell kan "lära sig" att vara exakt och till och med överträffa dess mänskliga skapare.

Dessa modeller är "utbildade" för att använda stora uppsättningar märkta data samt neurala nätverksarkitekturer, något som vi kommer att utforska senare i artikeln.

Varför nu?

Djupinlärning ligger i framkant av AI och hjälper till att forma de verktyg vi använder för att uppnå enorma nivåer av noggrannhet. Framsteg inom djupinlärning har drivit detta verktyg till den punkt där djupinlärning överträffar människor i vissa uppgifter som att klassificera objekt i bilder.

Kräver högpresterande GPU: er och djupinlärningsmodeller använder stora mängder märkt data. Den förarlösa Tesla-bilen som du sitter bakom behövde miljontals bilder och tusentals timmar av video innan du fick möjlighet att köra dig hem.

Lära sig att fatta rätt beslut

Några av de vanligaste djupinlärningsmetoderna som används idag använder det som kallas en neural nätverksarkitektur. Nu är ett neuralt nätverk en serie algoritmer som strävar efter att känna igen underliggande förhållanden i en uppsättning data genom en process som efterliknar hur den mänskliga hjärnan fungerar.

Skönheten i ett neuralt nätverk är dess förmåga att generera det bästa resultatet utan behovet av att omforma output-kriterierna. De kan känna igen mönster genom data och fortsätta att fatta ett exakt beslut.

Återigen förlitar sig djupinlärningstekniker på komplexa och lager tunga neurala nätverk för att identifiera en bild, ljud eller texter. Traditionella neurala nätverk kan bara innehålla 2-3 dolda lager, medan djupa nätverk kan ha så många som 150.

Efter att du har skapat din algoritmiska modell är vad du har en djup inlärningsmodell som efterliknar hjärnans biologiska struktur. Deep Learning är i grunden maskininlärning på steroider. Varje lager bearbetar funktioner, och i allmänhet extraherar varje lager någon värdefull information.

Som beskrivits av MIT News, "Modellerat löst på den mänskliga hjärnan, består ett neuralt nät av tusentals eller till och med miljoner enkla bearbetningsnoder som är tätt sammankopplade."

"De flesta av dagens neurala nät är organiserade i lager av noder och de är" feed-forward ", vilket innebär att data bara går igenom dem i en riktning."

"En enskild nod kan vara ansluten till flera noder i skiktet under den, från vilken den tar emot data, och flera noder i skiktet ovanför den, till vilken den skickar data."

Så det här ställer frågan, hur används djupinlärning idag?

Djupt lärande över hela branschen

Djupinlärningsmodeller har redan infiltrerat din värld och inlett lika många genombrott i stora branscher, allt från konsumentelektronikens värld som sträcker sin kraft till rymden och försvaret.

Mer vanligt används djupinlärning i automatiserade hörsel- och talöversättningsapplikationer som finns på appar och smarta enheter. Deep learning-applikationer hjälper dessa system att känna igen din röst och ge korrekta svar.

I det medicinska området använder forskare djupinlärning för att upptäcka cancerceller. Även industriföretag använder djupinlärning för att förbättra anställdas liv och identifierar när arbetstagare riskerar att skada sig själva när de använder tunga maskiner.

Verktyg för djupinlärning kommer att fortsätta att förändra hur människor arbetar, skapa och till och med designa produkter. Detta är bara början.


Titta på videon: Informationskompetens i högre utbildning (Juni 2022).


Kommentarer:

  1. Ceawlin

    undeniably impressive!

  2. Felkis

    Jag satsar fem!



Skriv ett meddelande