Што треба да знаете за еволуцијата на вештачката интелигенција
Длабокото учење е моќна форма на машинско учење (ML) што гради сложени математички структури наречени нервни мрежи користејќи огромни количини на податоци (информации).
Дефиниција за длабоко учење
Длабоко учење е начин на имплементирање на ML користејќи повеќе слоеви на нервните мрежи за обработка на посложени типови на податоци. Понекогаш се нарекува хиерархиско учење, длабоко учење користи различни типови на невронски мрежи за да ги научи карактеристиките (исто така наречени репрезентации) и да ги најдат во големи множества сурови, неетирани податоци (неструктурирани податоци). Една од првите пробивни демонстрации за длабоко учење беше програма која успешно ги избра сликите на мачките од множествата на видеа на YouTube.
Примери за длабоко учење во секојдневниот живот
Длабокото учење не се користи само за препознавање слики, туку и за превод на јазици, за откривање на измами и за анализа на податоците собрани од компаниите за нивните клиенти. На пример, Netflix користи длабоко учење за да ги анализира навиките за гледање и да предвиди кои емисии и филмови сакате да ги гледате. Така Netflix знае да ги става акционите филмови и документарците за природата во вашата редица. Амазон користи длабоко учење да ги анализира вашите неодамнешни купувања и предмети неодамна побара да креирате сугестии за новите албуми за музика во кои веројатно ќе бидете заинтересирани и дека сте на пазарот за еден пар сиви и жолти тенис чевли. Додека длабокото учење обезбедува се повеќе и повеќе увид од неструктурирани и необработени податоци, корпорациите можат подобро да ги предвидат потребите на своите клиенти додека вие, поединечниот клиент добивате повеќе персонализирана услуга за корисници.
Вештачки нервни мрежи и длабоко учење
Да се направи длабоко учење полесно да се разбере, ајде да ја преиспитаме нашата споредба на вештачката нервна мрежа (ANN). За длабоко учење, замислете нашата 15-приказна канцеларија зграда зазема град блок со пет други згради. Постојат три згради на секоја страна од улицата. Нашата зграда е изградба на А и ја дели истата страна на улицата како зградите Б и Ц. Четиринаесет од улицата од зградата А се гради 1, а на другата страна од зградата Б се гради 2 и така натаму. Секоја зграда има различен број подови, е направена од различни материјали и има различен архитектонски стил од другите. Сепак, секоја зграда сеуште е наредена во посебни подови (слоеви) на канцелариите (јазли) -За секоја зграда е единствен ANN.
Замислете дека дигиталниот пакет пристигнува во зградата А, која содржи многу различни видови на информации од повеќе извори, како што се текстуални податоци, видео струи, аудио струи, телефонски повици, радио бранови и фотографии - сепак, пристигнува во еден голем скок и не е етикетиран или сортиран на било кој логичен начин (неструктурирани податоци). Информациите се испраќаат преку секој кат од 1 до 15 -ти за обработка. Откако информативниот скок достигнува 15 -тиот кат (излез), тој се испраќа на 1- ви кат (влез) од зградата 3 заедно со конечниот резултат од обработката од зградата А. Зграда 3 учи од и го инкорпорира резултатот испратен од зградата А и потоа процесира информацијата со помош на секој кат на ист начин. Кога информациите ќе стигнат до горниот кат на зградата 3, се испраќа од таму со резултатите на таа зграда до зградата 1. Зградата 1 учи од и ги инкорпорира резултатите од зградата 3 пред да ја обработува подот по подот. Зграда 1 ги пренесува информациите и резултатите на истиот начин на градење на Ц, која ги обработува и испраќа до зграда 2, која ги обработува и испраќа до зградата Б.
Секоја ANN (градење) во нашиот пример бара поинаква функција во неструктурираните податоци (скачање на информации) и ги пренесува резултатите до следната зграда. Следната зграда ги вклучува (учи) излезот (резултатите) од претходниот. Бидејќи податоците се обработени од секој ANN (зграда), тие се организираат и се означуваат (класифицираат) со одредена особина така што кога податоците ќе го достигнат конечниот резултат (горниот спрат) од последниот ANN (зграда), тој е класифициран и обележан (поструктуриран).
Вештачка интелигенција, Машинско учење и длабоко учење
Како длабокото учење се вклопува во целокупната слика на вештачката интелигенција (AI) и ML? Длабокото учење ја зголемува моќта на ML и го зголемува опсегот на задачи AI е способен за изведување. Бидејќи длабокото учење се потпира на користењето на нервните мрежи и препознавањето на функции во рамките на збирките на податоци, наместо поедноставни задачи специфични за алгоритми , може да најде и да користи детали од неструктурирани (сурови) податоци без потреба програмерот рачно да го етикетира тоа прво - задача која може да предизвика грешки. Длабокото учење им помага на компјутерите да се подобрат и подобро да користат податоци за да им помогнат на корпорациите и на поединците.