บทช่วยสอนการเรียนรู้เชิงลึก: ปัญญาประดิษฐ์โดยใช้การเรียนรู้เชิงลึก

บล็อกเกี่ยวกับบทช่วยสอนการเรียนรู้เชิงลึกนี้จะช่วยให้คุณเข้าใจทุกอย่างเกี่ยวกับ Deep Learning และความสัมพันธ์กับ Machine Learning และปัญญาประดิษฐ์

เป็นส่วนย่อยที่สำคัญของ Machine Learning ความต้องการ ได้เห็นการเพิ่มขึ้นอย่างมากโดยเฉพาะในกลุ่มผู้ที่สนใจในการปลดล็อกความเป็นไปได้ที่ไร้ขีด จำกัด ของ AIด้วยแรงบันดาลใจจากความนิยมที่เพิ่มขึ้นของ Deep Learning ฉันจึงคิดที่จะสร้างชุดบล็อกที่จะให้ความรู้คุณเกี่ยวกับเทรนด์ใหม่นี้ในด้านปัญญาประดิษฐ์และช่วยให้คุณเข้าใจว่ามันคืออะไร นี่เป็นบล็อกแรกของหลาย ๆ บล็อกในชุดที่เรียกว่า - การสอนการเรียนรู้เชิงลึก .

บทช่วยสอนการเรียนรู้เชิงลึก

ในบล็อกการสอนการเรียนรู้เชิงลึกนี้ฉันจะนำคุณไปสู่สิ่งต่างๆต่อไปนี้ซึ่งจะใช้เป็นพื้นฐานสำหรับบล็อกที่กำลังจะมาถึง:

ความแตกต่างระหว่าง bigdata และ hadoop
  • สิ่งที่ทำให้ Deep Learning เกิดขึ้นได้
  • Deep Learning คืออะไรและทำงานอย่างไร?

คุณสามารถอ่านบันทึกของ Deep Learning Tutorial ซึ่งผู้สอนของเราได้อธิบายหัวข้อโดยละเอียดพร้อมตัวอย่างที่จะช่วยให้คุณเข้าใจแนวคิดนี้ได้ดีขึ้น

บทช่วยสอนการเรียนรู้เชิงลึก | Deep Learning Neural Networks | Edureka

การประยุกต์ใช้ปัญญาประดิษฐ์และการเรียนรู้เชิงลึก

ตอนนี้คิดเกี่ยวกับเรื่องนี้แทนที่จะทำงานทั้งหมดของคุณคุณมีเครื่องจักรที่จะทำงานให้คุณเสร็จหรือสามารถทำบางสิ่งที่คุณคิดว่าไม่มีทางเป็นไปได้เลย ตัวอย่างเช่น:

การทำนายอนาคต - บทช่วยสอนการเรียนรู้เชิงลึก - Edureka

การทำนายอนาคต: สามารถช่วยเราในการทำนายแผ่นดินไหวสึนามิ ฯลฯ ล่วงหน้าเพื่อให้สามารถใช้มาตรการป้องกันเพื่อช่วยชีวิตคนจำนวนมากไม่ให้ตกอยู่ในเงื้อมมือของภัยพิบัติทางธรรมชาติ

แชทบอท: ทุกคนคงเคยได้ยินเกี่ยวกับ Siri ซึ่งเป็นผู้ช่วยเสมือนที่ควบคุมด้วยเสียงของ Apple เชื่อฉันเถอะว่าด้วยความช่วยเหลือของ Deep Learning ความช่วยเหลือเสมือนจริงเหล่านี้จะฉลาดขึ้นทุกวัน ในความเป็นจริง Siri สามารถปรับตัวเองตามผู้ใช้และให้ความช่วยเหลือเฉพาะบุคคลได้ดีขึ้น
รถยนต์ขับเอง: ลองนึกภาพดูสิว่าจะเป็นเรื่องน่าเหลือเชื่อเพียงใดสำหรับผู้พิการทางร่างกายและผู้สูงอายุที่ขับรถด้วยตัวเองได้ยาก นอกจากนี้ยังช่วยชีวิตผู้บริสุทธิ์นับล้านที่ประสบอุบัติเหตุทางถนนทุกปีเนื่องจากความผิดพลาดของมนุษย์

Google AI Eye Doctor: Google เป็นความคิดริเริ่มล่าสุดที่ดำเนินการร่วมกับ Indian Eye Care Chain เพื่อพัฒนาซอฟต์แวร์ AI ซึ่งสามารถตรวจสอบการสแกนเรตินาและระบุสภาพที่เรียกว่าเบาหวานขึ้นตาซึ่งอาจทำให้ตาบอดได้

นักแต่งเพลง AI: ใครคิดว่าเราสามารถมีนักแต่งเพลง AI โดยใช้ Deep Learning ดังนั้นฉันจะไม่แปลกใจเลยที่ได้ยินว่าเพลงที่ดีที่สุดถัดไปจะมอบให้โดยเครื่อง
เครื่องอ่านความฝัน: นี่คือหนึ่งในรายการโปรดของฉันซึ่งเป็นเครื่องที่สามารถจับภาพความฝันของคุณในรูปแบบวิดีโอหรืออะไรก็ได้ ด้วยการใช้งาน AI และการเรียนรู้เชิงลึกที่ไม่เหมือนจริงมากมายที่เราได้เห็นมาจนถึงตอนนี้ฉันจึงไม่แปลกใจเลยที่พบว่าสิ่งนี้ได้รับการทดลองในญี่ปุ่นเมื่อไม่กี่ปีที่ผ่านมาในการทดสอบสามเรื่องและพวกเขาสามารถบรรลุความแม่นยำได้เกือบ 60% นั่นเป็นสิ่งที่ไม่น่าเชื่อ แต่ก็เป็นความจริง


ฉันค่อนข้างมั่นใจว่าการใช้งาน AI และการเรียนรู้เชิงลึกในชีวิตจริงเหล่านี้จะทำให้คุณขนลุก เอาล่ะนี่เป็นพื้นฐานสำหรับคุณและตอนนี้เราพร้อมที่จะดำเนินการต่อในบทช่วยสอนการเรียนรู้เชิงลึกนี้และทำความเข้าใจว่าปัญญาประดิษฐ์คืออะไร

ปัญญาประดิษฐ์คืออะไร?

ปัญญาประดิษฐ์ไม่ใช่อะไรนอกจากความสามารถของเครื่องจักรในการเลียนแบบพฤติกรรมของมนุษย์ที่ชาญฉลาด AI เกิดขึ้นได้จากการเลียนแบบสมองของมนุษย์โดยการทำความเข้าใจว่ามันคิดอย่างไรเรียนรู้ตัดสินใจและทำงานอย่างไรในขณะที่พยายามแก้ปัญหา

ตัวอย่างเช่น: เครื่องเล่นหมากรุกหรือซอฟต์แวร์สั่งงานด้วยเสียงซึ่งช่วยให้คุณทำสิ่งต่างๆใน iPhone ของคุณหรือระบบจดจำป้ายทะเบียนซึ่งจะจับป้ายทะเบียนรถที่วิ่งเร็วเกินกำหนดและประมวลผลเพื่อแยกหมายเลขทะเบียนและระบุเจ้าของรถ . สิ่งเหล่านี้ไม่ใช่เรื่องง่ายที่จะนำมาใช้ก่อนหน้านี้ การเรียนรู้เชิงลึก . ตอนนี้เรามาทำความเข้าใจชุดย่อยต่างๆของปัญญาประดิษฐ์

ชุดย่อยของปัญญาประดิษฐ์

ถึงตอนนี้คุณคงเคยได้ยินเกี่ยวกับปัญญาประดิษฐ์การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกมามากแล้ว อย่างไรก็ตามคุณรู้ความสัมพันธ์ระหว่างทั้งสามคนหรือไม่? โดยพื้นฐานแล้ว Deep learning เป็นสาขาย่อยของ Machine Learning และ Machine Learning เป็นสาขาย่อยของ Artificial Intelligence ดังที่แสดงในภาพด้านล่าง:

เมื่อเราดูสิ่งที่ชอบ AlphaGo ซึ่งมักจะแสดงให้เห็นว่าเป็นความสำเร็จครั้งใหญ่สำหรับการเรียนรู้เชิงลึก แต่จริงๆแล้วเป็นการผสมผสานระหว่างแนวคิดจาก AI และการเรียนรู้ของเครื่องหลายสาขา ในความเป็นจริงคุณจะต้องประหลาดใจเมื่อทราบว่าแนวคิดเบื้องหลังโครงข่ายประสาทเทียมนั้นไม่ใช่เรื่องใหม่ แต่ย้อนกลับไปในปี 1950 อย่างไรก็ตามมันเป็นไปได้ที่จะนำไปใช้ได้จริงเนื่องจากความสามารถของทรัพยากรระดับไฮเอนด์ที่มีอยู่ในปัจจุบัน

ดังนั้นก้าวไปข้างหน้าในบล็อกบทแนะนำการเรียนรู้เชิงลึกนี้มาสำรวจ Machine Learning ตามด้วยข้อ จำกัด

Machine Learning คืออะไร?

การเรียนรู้ของเครื่องเป็นชุดย่อยของปัญญาประดิษฐ์ที่ช่วยให้คอมพิวเตอร์สามารถเรียนรู้ได้โดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน ในการเรียนรู้ของเครื่องเราไม่จำเป็นต้องกำหนดขั้นตอนหรือเงื่อนไขทั้งหมดอย่างชัดเจนเหมือนแอปพลิเคชันการเขียนโปรแกรมอื่น ๆ ในทางตรงกันข้ามเครื่องได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลการฝึกอบรมซึ่งมีขนาดใหญ่พอที่จะสร้างแบบจำลองซึ่งจะช่วยให้เครื่องทำการตัดสินใจตามการเรียนรู้

ตัวอย่างเช่น: เราต้องการกำหนดชนิดของดอกไม้โดยพิจารณาจากกลีบดอกและความยาวกลีบเลี้ยง (ใบของดอกไม้) โดยใช้การเรียนรู้ของเครื่อง แล้วเราจะทำอย่างไร?

เราจะป้อนชุดข้อมูลดอกไม้ซึ่งมีลักษณะต่างๆของดอกไม้ที่แตกต่างกันพร้อมทั้งชนิดพันธุ์ลงในเครื่องของเราดังที่คุณเห็นในภาพด้านบน การใช้ชุดข้อมูลอินพุตนี้เครื่องจะสร้างและฝึกโมเดลที่สามารถใช้ในการจำแนกดอกไม้ออกเป็นประเภทต่างๆ
เมื่อแบบจำลองของเราได้รับการฝึกอบรมแล้วเราจะส่งต่อชุดคุณสมบัติเป็นข้อมูลป้อนเข้าให้กับโมเดล
สุดท้ายแบบจำลองของเราจะแสดงพันธุ์ของดอกไม้ที่มีอยู่ในชุดข้อมูลอินพุตใหม่ กระบวนการฝึกอบรมเครื่องจักรเพื่อสร้างแบบจำลองและใช้ในการตัดสินใจนี้เรียกว่า การเรียนรู้ของเครื่อง . อย่างไรก็ตามกระบวนการนี้มีข้อ จำกัด บางประการ

ข้อ จำกัด ของ Machine Learning

แมชชีนเลิร์นนิงไม่สามารถจัดการข้อมูลมิติสูงที่อินพุตและเอาต์พุตมีขนาดค่อนข้างใหญ่ การจัดการและการประมวลผลข้อมูลประเภทนี้มีความซับซ้อนและใช้ทรัพยากรอย่างครบถ้วน นี้เรียกว่า คำสาปแห่งมิติ . เพื่อให้เข้าใจง่ายขึ้นลองพิจารณาภาพต่อไปนี้:

พิจารณาเส้น 100 หลาและคุณได้ทิ้งเหรียญไว้ที่ไหนสักแห่งบนเส้น ตอนนี้มันค่อนข้างสะดวกสำหรับคุณในการค้นหาเหรียญเพียงแค่เดินบนเส้น เส้นนี้เป็นเอนทิตีมิติเดียว
จากนั้นให้พิจารณาว่าคุณมีสี่เหลี่ยมจัตุรัสด้านละ 100 หลาตามที่แสดงในภาพด้านบนและอีกครั้งคุณได้ทิ้งเหรียญไว้ที่ไหนสักแห่งในระหว่างนั้น ตอนนี้ค่อนข้างชัดเจนแล้วว่าคุณจะต้องใช้เวลามากขึ้นในการค้นหาเหรียญภายในสี่เหลี่ยมนั้นเมื่อเทียบกับสถานการณ์ก่อนหน้านี้ สแควร์นี้เป็นเอนทิตี 2 มิติ
ให้ก้าวไปข้างหน้าโดยพิจารณาลูกบาศก์ด้านละ 100 หลาและคุณได้ทิ้งเหรียญไว้ที่ไหนสักแห่งระหว่างนั้น ปัจจุบันการหาเหรียญในครั้งนี้ยากยิ่งขึ้น คิวบ์นี้เป็นเอนทิตี 3 มิติ

ดังนั้นคุณสามารถสังเกตได้ว่าความซับซ้อนเพิ่มขึ้นเมื่อขนาดเพิ่มขึ้นและในชีวิตจริงข้อมูลมิติสูงที่เราพูดถึงมีหลายพันมิติที่ทำให้ซับซ้อนมากในการจัดการและประมวลผล ข้อมูลมิติสูงสามารถพบได้ง่ายในกรณีการใช้งานเช่นการประมวลผลภาพ NLP การแปลรูปภาพเป็นต้น

การเรียนรู้ของเครื่องไม่สามารถแก้ไขกรณีการใช้งานเหล่านี้ได้ดังนั้น Deep Learning จึงเข้ามาช่วย การเรียนรู้เชิงลึกสามารถจัดการข้อมูลมิติสูงและยังมีประสิทธิภาพในการมุ่งเน้นไปที่คุณสมบัติที่เหมาะสมด้วยตัวมันเอง กระบวนการนี้เรียกว่าการแยกคุณลักษณะ ตอนนี้เรามาดูบทช่วยสอนการเรียนรู้เชิงลึกและทำความเข้าใจว่าการเรียนรู้เชิงลึกทำงานอย่างไร

Deep Learning ทำงานอย่างไร?

ในความพยายามที่จะออกแบบสมองมนุษย์ใหม่ Deep Learning จะศึกษาหน่วยพื้นฐานของสมองที่เรียกว่าเซลล์สมองหรือเซลล์ประสาท ได้รับแรงบันดาลใจจากเซลล์ประสาทซึ่งมีการพัฒนาเซลล์ประสาทเทียมหรือเพอร์เซปตรอน ตอนนี้ให้เราเข้าใจการทำงานของเซลล์ประสาททางชีววิทยาและวิธีที่เราเลียนแบบการทำงานนี้ในเพอร์เซปตรอนหรือเซลล์ประสาทเทียม:

  • ถ้าเรามุ่งเน้นไปที่โครงสร้างของเซลล์ประสาททางชีววิทยาก็จะมีเดนไดรต์ซึ่งใช้ในการรับอินพุต อินพุตเหล่านี้รวมอยู่ในร่างกายเซลล์และใช้แอกซอนมันจะถูกส่งต่อไปยังเซลล์ประสาททางชีววิทยาถัดไปดังที่แสดงในภาพด้านบน

    mysql workbench tutorial สำหรับผู้เริ่มต้น
  • ในทำนองเดียวกัน perceptron จะรับอินพุตหลายตัวใช้การแปลงและฟังก์ชันต่างๆและให้เอาต์พุต

  • ดังที่เราทราบว่าสมองของเราประกอบด้วยเซลล์ประสาทที่เชื่อมต่อกันหลายเซลล์เรียกว่าเครือข่ายประสาทนอกจากนี้เรายังสามารถมีเครือข่ายของเซลล์ประสาทเทียมที่เรียกว่าเพอร์เซปตรอนเพื่อสร้างเครือข่ายประสาทส่วนลึก ดังนั้นเรามาดูบทช่วยสอนการเรียนรู้เชิงลึกเพื่อทำความเข้าใจว่าโครงข่ายประสาทเทียมแบบลึกมีลักษณะอย่างไร

บทแนะนำการเรียนรู้เชิงลึก: Deep Learning คืออะไร?

  • เครือข่ายประสาทเทียมระดับลึกใด ๆ จะประกอบด้วยเลเยอร์สามประเภท:
    • ชั้นอินพุต
    • เลเยอร์ที่ซ่อนอยู่
    • เลเยอร์เอาต์พุต
ในแผนภาพด้านบนชั้นแรกคือชั้นอินพุตที่รับอินพุตทั้งหมดและชั้นสุดท้ายคือชั้นเอาต์พุตที่ให้เอาต์พุตที่ต้องการ
เลเยอร์ทั้งหมดที่อยู่ระหว่างเลเยอร์เหล่านี้เรียกว่าเลเยอร์ที่ซ่อนอยู่ อาจมีเลเยอร์ที่ซ่อนอยู่จำนวน n เนื่องจากทรัพยากรระดับสูงที่มีอยู่ในปัจจุบัน
จำนวนเลเยอร์ที่ซ่อนอยู่และจำนวนการรับรู้ในแต่ละเลเยอร์จะขึ้นอยู่กับการใช้งาน - กรณีที่คุณพยายามแก้ปัญหา

ตอนนี้คุณมีภาพของ Deep Neural Networks แล้วเรามาดูบทช่วยสอนการเรียนรู้เชิงลึกนี้เพื่อดูมุมมองระดับสูงว่า Deep Neural Networks แก้ปัญหาเกี่ยวกับการจดจำภาพได้อย่างไร

การใช้การเรียนรู้เชิงลึก - กรณี

เราต้องการทำการจดจำรูปภาพโดยใช้ Deep Networks:

ที่นี่เรากำลังส่งข้อมูลมิติสูงไปยังเลเยอร์อินพุต เพื่อให้ตรงกับขนาดของข้อมูลอินพุตชั้นอินพุตจะมีชั้นย่อยหลายชั้นของการรับรู้เพื่อให้สามารถใช้อินพุตทั้งหมดได้
เอาต์พุตที่ได้รับจากเลเยอร์อินพุตจะมีรูปแบบและจะสามารถระบุขอบของภาพตามระดับคอนทราสต์เท่านั้น
ผลลัพธ์นี้จะถูกป้อนไปยังเลเยอร์ที่ซ่อน 1 ซึ่งจะสามารถระบุลักษณะใบหน้าต่างๆเช่นตาจมูกหูเป็นต้น
ตอนนี้สิ่งนี้จะถูกป้อนไปยังเลเยอร์ 2 ที่ซ่อนอยู่ซึ่งจะสามารถสร้างใบหน้าทั้งหมดได้ จากนั้นเอาต์พุตของเลเยอร์ 2 จะถูกส่งไปยังเลเยอร์เอาต์พุต
ในที่สุดเลเยอร์เอาต์พุตจะทำการจัดประเภทตามผลลัพธ์ที่ได้รับจากหน้าที่แล้วและทำนายชื่อ

ฉันจะถามคุณว่าจะเกิดอะไรขึ้นถ้าเลเยอร์ใด ๆ เหล่านี้หายไปหรือโครงข่ายประสาทเทียมไม่ลึกพอ? ง่ายๆเราจะไม่สามารถระบุภาพได้อย่างถูกต้อง นี่คือเหตุผลที่ว่าทำไมกรณีการใช้งานเหล่านี้จึงไม่มีทางแก้ไขได้ตลอดหลายปีก่อนที่จะมี Deep Learning เพื่อดำเนินการต่อไปเราจะพยายามใช้เครือข่ายระดับลึกกับชุดข้อมูล MNIST

เนมสเปซใน c ++ คืออะไร
  • ชุดข้อมูล Mnist ประกอบด้วยตัวอย่างการฝึกอบรม 60,000 ตัวอย่างและ 10,000 ตัวอย่างการทดสอบของภาพหลักที่เขียนด้วยลายมือ งานนี้คือการฝึกโมเดลที่สามารถระบุตัวเลขที่ปรากฏบนรูปภาพได้อย่างแม่นยำ

  • ในการแก้ปัญหาการใช้งานนี้เครือข่ายระดับลึกจะถูกสร้างขึ้นโดยมีเลเยอร์ที่ซ่อนอยู่หลายชั้นเพื่อประมวลผลภาพทั้งหมด 60,000 ภาพแบบพิกเซลต่อพิกเซลและสุดท้ายเราจะได้รับเลเยอร์เอาต์พุต
  • ชั้นผลลัพธ์จะเป็นอาร์เรย์ของดัชนี 0 ถึง 9 โดยที่ดัชนีแต่ละตัวจะสอดคล้องกับตัวเลขตามลำดับ ดัชนี 0 ประกอบด้วยความน่าจะเป็นที่ 0 เป็นตัวเลขที่ปรากฏบนภาพอินพุต
  • ในทำนองเดียวกันดัชนี 2 ซึ่งมีค่า 0.1 แสดงถึงความน่าจะเป็นที่ 2 เป็นตัวเลขที่ปรากฏบนภาพอินพุต ดังนั้นถ้าเราเห็นความน่าจะเป็นสูงสุดในอาร์เรย์นี้คือ 0.8 ซึ่งอยู่ที่ดัชนี 7 ของอาร์เรย์ ดังนั้นตัวเลขที่ปรากฏบนภาพคือ 7

สรุป

ทั้งหมดนี้เป็นเรื่องของการเรียนรู้เชิงลึกโดยสรุป ในบทแนะนำการเรียนรู้เชิงลึกนี้เราได้เห็นแอปพลิเคชันต่างๆของการเรียนรู้เชิงลึกและเข้าใจความสัมพันธ์กับ AI และการเรียนรู้ของเครื่อง จากนั้นเราก็เข้าใจว่าเราสามารถใช้ perceptron หรือโครงสร้างพื้นฐานของเซลล์ประสาทเทียมในการสร้างโครงข่ายประสาทส่วนลึกที่สามารถทำงานที่ซับซ้อนได้อย่างไร ในที่สุดเราได้ผ่านหนึ่งในกรณีการใช้งานของการเรียนรู้เชิงลึกที่เราทำการจดจำภาพโดยใช้โครงข่ายประสาทเทียมแบบลึกและเข้าใจขั้นตอนทั้งหมดที่เกิดขึ้นเบื้องหลังฉาก ตอนนี้ในบล็อกถัดไปของซีรีส์ Deep Learning Tutorial นี้เราจะเรียนรู้วิธีใช้ Perceptron โดยใช้ TensorFlow ซึ่งเป็นไลบรารีที่ใช้ Python สำหรับ Deep Learning

ตอนนี้คุณรู้เกี่ยวกับ Deep Learning แล้วลองดูไฟล์ โดย Edureka บริษัท การเรียนรู้ออนไลน์ที่เชื่อถือได้ซึ่งมีเครือข่ายผู้เรียนที่พึงพอใจมากกว่า 250,000 คนกระจายอยู่ทั่วโลก หลักสูตรการฝึกอบรม Edureka Deep Learning พร้อมใบรับรอง TensorFlow ช่วยให้ผู้เรียนมีความเชี่ยวชาญในการฝึกอบรมและเพิ่มประสิทธิภาพเครือข่ายประสาทขั้นพื้นฐานและ Convolutional โดยใช้โครงการและงานแบบเรียลไทม์พร้อมกับแนวคิดต่างๆเช่นฟังก์ชัน SoftMax, เครือข่ายประสาทอัตโนมัติเข้ารหัสอัตโนมัติ, เครื่อง Boltzmann ที่ จำกัด (RBM)

มีคำถามสำหรับเรา? โปรดระบุไว้ในส่วนความคิดเห็นแล้วเราจะติดต่อกลับไป