Deep Learning คืออะไร? เริ่มต้นด้วยการเรียนรู้เชิงลึก

Deep Learning คืออะไร?

ในบล็อกนี้ฉันจะพูดถึง What is การเรียนรู้เชิงลึก ซึ่งเป็นที่ฮือฮาอย่างมากในปัจจุบันและได้วางรากฐานในอุตสาหกรรมมากมายที่ลงทุนในสาขาต่างๆเช่นปัญญาประดิษฐ์ข้อมูลขนาดใหญ่และการวิเคราะห์ ตัวอย่างเช่น Google ใช้การเรียนรู้เชิงลึกในอัลกอริทึมการจดจำเสียงและภาพในขณะที่ Netflix และ Amazon ใช้เพื่อทำความเข้าใจพฤติกรรมของลูกค้า ในความเป็นจริงคุณจะไม่เชื่อ แต่นักวิจัยจาก MIT พยายามทำนายอนาคตโดยใช้การเรียนรู้เชิงลึกลองนึกดูว่าการเรียนรู้เชิงลึกมีศักยภาพมากเพียงใดในการปฏิวัติโลกและ บริษัท ต่างๆจะมองหาสิ่งนี้อย่างไร .ก่อนที่จะพูดถึงการเรียนรู้เชิงลึกเราต้องเข้าใจความสัมพันธ์กับ Machine Learning และปัญญาประดิษฐ์ วิธีที่ง่ายที่สุดในการทำความเข้าใจความสัมพันธ์นี้คือการอ่านแผนภาพด้านล่าง:

รูปที่: Deep Learning คืออะไร - ไทม์ไลน์เทคโนโลยี AI

ในภาพคุณจะเห็นว่า Machine Learning เป็นส่วนย่อยของ AI สิ่งนี้บ่งบอกถึงความจริงที่ว่าเราสามารถสร้างเครื่องจักรอัจฉริยะที่สามารถเรียนรู้ตามชุดข้อมูลที่ให้มาด้วยตัวมันเอง นอกจากนี้คุณจะสังเกตเห็นว่า Deep Learning เป็นชุดย่อยของการเรียนรู้ของเครื่องที่ใช้อัลกอริทึมการเรียนรู้ของเครื่องที่คล้ายกันเพื่อฝึก Deep Neural Networks เพื่อให้ได้ความแม่นยำที่ดีขึ้นในกรณีที่ในอดีตไม่ได้ผลตามที่กำหนด Following เป็นหัวข้อที่ฉันจะพูดถึงในบทช่วยสอนการเรียนรู้เชิงลึกนี้:

• ปัญญาประดิษฐ์
• การเรียนรู้ของเครื่อง
• ข้อเสียของ ML
• Deep Learning คืออะไร?
• แอปพลิเคชันการเรียนรู้เชิงลึก

รับการรับรองด้วยโครงการระดับอุตสาหกรรมและติดตามอาชีพของคุณอย่างรวดเร็ว

ปัญญาประดิษฐ์

รูปที่: Deep Learning คืออะไร - ปัญญาประดิษฐ์

คำว่า AI ได้รับการประกาศเกียรติคุณในปี 1956 โดย John McCarthy ซึ่งเรียกอีกอย่างว่าบิดาแห่งปัญญาประดิษฐ์ แนวคิดเบื้องหลัง AI นั้นค่อนข้างเรียบง่าย แต่น่าสนใจนั่นคือการสร้างเครื่องจักรอัจฉริยะที่สามารถตัดสินใจได้ด้วยตัวเอง คุณอาจคิดว่ามันเป็นแฟนตาซีวิทยาศาสตร์ แต่ในแง่ของการพัฒนาล่าสุดในด้านเทคโนโลยีและพลังการคำนวณความคิดนั้นดูเหมือนจะใกล้เคียงกับความเป็นจริงมากขึ้นทุกวัน

การเรียนรู้ของเครื่อง: ก้าวสู่ปัญญาประดิษฐ์

เมื่อคุณคุ้นเคยกับ AI แล้วให้เราพูดคุยสั้น ๆ เกี่ยวกับ Machine Learning และทำความเข้าใจความหมายเมื่อเราบอกว่าเรากำลังเขียนโปรแกรมให้เครื่องจักรเรียนรู้ เริ่มต้นด้วยคำจำกัดความที่มีชื่อเสียงมากของ Machine Learning:

“ โปรแกรมคอมพิวเตอร์กล่าวกันว่าเรียนรู้จากประสบการณ์ E เกี่ยวกับงานบางอย่าง T และการวัดประสิทธิภาพบางอย่าง P ถ้าประสิทธิภาพของ T ที่วัดโดย P จะดีขึ้นตามประสบการณ์ E” - ทอมมิทเชลล์มหาวิทยาลัยคาร์เนกีเมลลอน

ดังนั้นหากคุณต้องการให้โปรแกรมของคุณคาดคะเนรูปแบบการจราจรที่ทางแยกที่วุ่นวาย (งาน T) คุณสามารถเรียกใช้ผ่านอัลกอริทึมการเรียนรู้ของเครื่องพร้อมข้อมูลเกี่ยวกับรูปแบบการจราจรในอดีต (ประสบการณ์ E) ตอนนี้ความแม่นยำของการทำนาย (การวัดประสิทธิภาพ P) จะขึ้นอยู่กับข้อเท็จจริงที่ว่าโปรแกรมได้เรียนรู้จากชุดข้อมูลสำเร็จหรือไม่ (ประสบการณ์ E)

โดยทั่วไป Machine Learning เรียกว่าปัญญาประดิษฐ์ (AI) ประเภทหนึ่งที่ให้คอมพิวเตอร์มีความสามารถในการเรียนรู้โดยไม่ต้องมีโปรแกรมอย่างชัดเจนโดยการเปิดเผยข้อมูลจำนวนมหาศาล หลักการสำคัญที่อยู่เบื้องหลัง Machine Learning คือการเรียนรู้จากชุดข้อมูลและพยายามลดข้อผิดพลาดให้น้อยที่สุดหรือเพิ่มโอกาสที่การคาดการณ์จะเป็นจริงให้ได้มากที่สุด

ข้อเสียของ Machine Learning

• อัลกอริธึม ML แบบดั้งเดิมไม่มีประโยชน์ในขณะที่ทำงานกับข้อมูลมิติสูงนั่นคือจุดที่เรามีอินพุตและเอาต์พุตจำนวนมาก ตัวอย่างเช่นในกรณีของการจดจำลายมือเรามีอินพุตจำนวนมากซึ่งเราจะมีอินพุตประเภทต่างๆที่เกี่ยวข้องกับการเขียนด้วยลายมือประเภทต่างๆ

• ความท้าทายที่สำคัญประการที่สองคือการบอกคอมพิวเตอร์ว่ามีคุณสมบัติใดบ้างที่ควรมองหาซึ่งจะมีบทบาทสำคัญในการทำนายผลลัพธ์และเพื่อให้ได้ความแม่นยำที่ดีขึ้นในขณะที่ทำเช่นนั้น กระบวนการนี้เรียกว่า การแยกคุณลักษณะ .

การป้อนข้อมูลดิบไปยังอัลกอริทึมแทบจะไม่เคยได้ผลเลยและนี่คือเหตุผลว่าทำไมการแยกคุณลักษณะจึงเป็นส่วนสำคัญของเวิร์กโฟลว์การเรียนรู้ของเครื่องแบบเดิม ดังนั้นหากไม่มีการแยกคุณลักษณะความท้าทายสำหรับโปรแกรมเมอร์จึงเพิ่มขึ้นเนื่องจากประสิทธิภาพของอัลกอริทึมขึ้นอยู่กับว่าโปรแกรมเมอร์มีความเข้าใจลึกซึ้งเพียงใด ดังนั้นจึงเป็นเรื่องยากมากที่จะใช้โมเดล Machine Learning หรืออัลกอริทึมเหล่านี้กับปัญหาที่ซับซ้อนเช่นการจดจำวัตถุการจดจำลายมือ NLP (การประมวลผลภาษาธรรมชาติ) เป็นต้น

การเรียนรู้เชิงลึก

การเรียนรู้เชิงลึกเป็นหนึ่งในวิธีการเดียวที่เราสามารถเอาชนะความท้าทายของการดึงคุณลักษณะได้ เนื่องจากโมเดลการเรียนรู้เชิงลึกสามารถเรียนรู้ที่จะมุ่งเน้นไปที่คุณลักษณะที่เหมาะสมได้ด้วยตัวเองโดยต้องอาศัยคำแนะนำเล็กน้อยจากโปรแกรมเมอร์ โดยพื้นฐานแล้วการเรียนรู้เชิงลึกจะเลียนแบบวิธีการทำงานของสมองของเราเช่นเรียนรู้จากประสบการณ์ อย่างที่ทราบกันดีว่าสมองของเราประกอบด้วยเซลล์ประสาทหลายพันล้านเซลล์ที่ช่วยให้เราทำสิ่งที่น่าอัศจรรย์ได้ แม้แต่สมองของเด็กอายุ 1 ขวบก็สามารถแก้ปัญหาที่ซับซ้อนได้ซึ่งยากมากที่จะแก้ไขได้แม้กระทั่งการใช้ซูเปอร์คอมพิวเตอร์ ตัวอย่างเช่น:

• จดจำใบหน้าของพ่อแม่และสิ่งของต่าง ๆ ด้วย
• แยกแยะเสียงที่แตกต่างกันและสามารถจดจำบุคคลใดบุคคลหนึ่งโดยพิจารณาจากเสียงของเขา / เธอ
• วาดการอนุมานจากท่าทางใบหน้าของบุคคลอื่นและอื่น ๆ อีกมากมาย

จริงๆแล้วสมองของเราได้ฝึกฝนตัวเองโดยไม่รู้ตัวเพื่อทำสิ่งดังกล่าวในช่วงหลายปีที่ผ่านมา ตอนนี้คำถามมาว่า การเรียนรู้เชิงลึกเลียนแบบการทำงานของสมองอย่างไร? การเรียนรู้เชิงลึกใช้แนวคิดของเซลล์ประสาทเทียมที่ทำหน้าที่ในลักษณะเดียวกันกับเซลล์ประสาททางชีววิทยาที่มีอยู่ในสมองของเรา ดังนั้นเราสามารถพูดได้ว่า Deep Learning เป็นฟิลด์ย่อยของ เครื่อง การเรียนรู้ เกี่ยวข้องกับอัลกอริทึมที่ได้รับแรงบันดาลใจจากโครงสร้างและหน้าที่ของสมองที่เรียกว่าโครงข่ายประสาทเทียม

ตอนนี้ให้เรานำตัวอย่างเพื่อทำความเข้าใจ สมมติว่าเราต้องการสร้างระบบที่สามารถจดจำใบหน้าของบุคคลต่างๆในรูปภาพได้หากเราแก้ปัญหานี้เป็นปัญหาการเรียนรู้ของเครื่องโดยทั่วไปเราจะกำหนดลักษณะใบหน้าเช่นตาจมูกหูเป็นต้นจากนั้นระบบจะระบุว่าคุณลักษณะใดมีความสำคัญมากกว่าสำหรับบุคคลใดด้วยตัวมันเอง

ตอนนี้การเรียนรู้เชิงลึกจะนำหน้าไปอีกขั้น การเรียนรู้เชิงลึกจะค้นหาคุณลักษณะที่สำคัญสำหรับการจำแนกโดยอัตโนมัติเนื่องจากเครือข่ายประสาทเทียมในระดับลึกในขณะที่ในกรณีของการเรียนรู้ด้วยเครื่องเราต้องกำหนดคุณลักษณะเหล่านี้ด้วยตนเอง

รูปที่: การจดจำใบหน้าโดยใช้ Deep Networks

ดังที่แสดงในภาพด้านบน Deep Learning ทำงานดังนี้:

• ที่ระดับต่ำสุดเครือข่ายจะยึดรูปแบบของคอนทราสต์ในพื้นที่เป็นสำคัญ
• จากนั้นเลเยอร์ต่อไปนี้จะสามารถใช้รูปแบบของคอนทราสต์เฉพาะที่เพื่อจับจ้องสิ่งต่างๆที่มีลักษณะคล้ายตาจมูกและปากได้
• ในที่สุดเลเยอร์บนสุดสามารถใช้คุณสมบัติใบหน้าเหล่านั้นกับเทมเพลตใบหน้าได้
• โครงข่ายประสาทเทียมระดับลึกสามารถรวบรวมคุณลักษณะที่ซับซ้อนมากขึ้นเรื่อย ๆ ในแต่ละเลเยอร์ที่ต่อเนื่องกัน

คุณเคยสงสัยหรือไม่ว่า Facebook ติดป้ายกำกับหรือแท็กบุคคลทั้งหมดที่อยู่ในรูปภาพที่คุณอัปโหลดโดยอัตโนมัติได้อย่างไร? Facebook ใช้ Deep Learning ในลักษณะเดียวกันตามที่ระบุไว้ในตัวอย่างข้างต้น ตอนนี้คุณจะได้ตระหนักถึงความสามารถของ Deep Learning และจะมีประสิทธิภาพเหนือกว่า Machine Learning ได้อย่างไรในกรณีที่เรามีความคิดน้อยมากเกี่ยวกับคุณลักษณะทั้งหมดที่อาจส่งผลต่อผลลัพธ์ ดังนั้น Deep network สามารถเอาชนะข้อเสียของ Machine Learning ได้โดยการวาดการอนุมานจากชุดข้อมูลที่ประกอบด้วยข้อมูลอินพุตโดยไม่มีการติดฉลากที่เหมาะสม

Deep Learning คืออะไร | การเรียนรู้เชิงลึกอย่างง่าย | Edureka

การประยุกต์ใช้การเรียนรู้เชิงลึก

ก้าวต่อไปในบล็อกการเรียนรู้เชิงลึกนี้คืออะไรให้เราดูแอปพลิเคชันในชีวิตจริงของ Deep Learning เพื่อทำความเข้าใจพลังที่แท้จริง

• การรู้จำเสียง

ทุกคนคงเคยได้ยินเกี่ยวกับ Siri ซึ่งเป็นผู้ช่วยอัจฉริยะที่ควบคุมด้วยเสียงของ Apple เช่นเดียวกับยักษ์ใหญ่รายอื่น ๆ Apple ได้เริ่มลงทุนกับ Deep Learning เพื่อให้บริการดีขึ้นกว่าเดิม

ในด้านการรู้จำเสียงและผู้ช่วยอัจฉริยะที่ควบคุมด้วยเสียงเช่น Siri เราสามารถพัฒนาโมเดลอะคูสติกที่แม่นยำยิ่งขึ้นโดยใช้โครงข่ายประสาทเทียมแบบลึกและปัจจุบันเป็นหนึ่งในสาขาที่มีการใช้งานมากที่สุดสำหรับการนำไปใช้ในการเรียนรู้เชิงลึก พูดง่ายๆก็คือคุณสามารถสร้างระบบดังกล่าวที่สามารถเรียนรู้คุณสมบัติใหม่ ๆ หรือปรับตัวเองตามที่คุณต้องการดังนั้นให้ความช่วยเหลือที่ดีกว่าโดยการคาดการณ์ความเป็นไปได้ทั้งหมดล่วงหน้า

• การแปลเครื่องอัตโนมัติ

เราทุกคนรู้ดีว่า Google สามารถแปลภาษามนุษย์ได้ 100 ภาษาในทันทีซึ่งเร็วเกินไปราวกับเวทมนตร์ เทคโนโลยีที่อยู่เบื้องหลัง Google Translate ถูกเรียก การแปลด้วยเครื่อง และเป็นผู้ช่วยเหลือผู้ที่ไม่สามารถสื่อสารกันได้เนื่องจากความแตกต่างของภาษาที่พูด ตอนนี้คุณคงคิดว่าฟีเจอร์นี้มีมานานแล้วมีอะไรใหม่ในนี้บ้าง? ให้ฉันบอกคุณว่าในช่วงสองปีที่ผ่านมาด้วยความช่วยเหลือของการเรียนรู้เชิงลึก Google ได้ปฏิรูปวิธีการแปลด้วยเครื่องใน Google Translate โดยสิ้นเชิง ในความเป็นจริงนักวิจัยเชิงลึกที่แทบจะไม่รู้อะไรเลยเกี่ยวกับการแปลภาษากำลังนำเสนอโซลูชันแมชชีนเลิร์นนิงที่ค่อนข้างเรียบง่ายซึ่งเอาชนะระบบแปลภาษาที่สร้างโดยผู้เชี่ยวชาญที่ดีที่สุดในโลก การแปลข้อความสามารถทำได้โดยไม่ต้องประมวลผลลำดับก่อนหลังทำให้อัลกอริทึมสามารถเรียนรู้การอ้างอิงระหว่างคำและการแมปกับภาษาใหม่ เครือข่ายแบบซ้อนของเครือข่ายประสาทที่เกิดซ้ำขนาดใหญ่ถูกใช้เพื่อทำการแปลนี้

• การแปลภาพทันที

ดังที่คุณทราบแล้วการเรียนรู้เชิงลึกใช้เพื่อระบุภาพที่มีตัวอักษรและตำแหน่งที่ตัวอักษรอยู่ในฉาก เมื่อระบุได้แล้วจะสามารถเปลี่ยนเป็นข้อความแปลและสร้างภาพขึ้นมาใหม่ด้วยข้อความที่แปลได้ ซึ่งมักเรียกกันว่า การแปลภาพทันที .

ลองนึกภาพสถานการณ์ที่คุณเคยไปประเทศอื่นที่คุณไม่รู้จักภาษาแม่ ไม่ต้องกังวลเมื่อใช้แอปต่างๆเช่น Google แปลภาษาคุณสามารถดำเนินการแปลภาพได้ทันทีเพื่ออ่านป้ายหรือกระดานร้านค้าที่เขียนในภาษาอื่น สิ่งนี้เกิดขึ้นได้เพราะ Deep Learning เท่านั้น

รับความยาวของอาร์เรย์ js

บันทึก: คุณสามารถดาวน์โหลดแอป Google Translate และตรวจสอบการแปลด้วยภาพทันทีที่น่าทึ่งโดยใช้ภาพด้านบน

• พฤติกรรม: รถยนต์ขับเคลื่อนด้วยตัวเองอัตโนมัติ

Google พยายามที่จะริเริ่มโครงการรถยนต์ขับเคลื่อนด้วยตนเองหรือที่เรียกว่า WAYMO ไปสู่ระดับใหม่ของความสมบูรณ์แบบโดยใช้ Deep Learning ดังนั้นแทนที่จะใช้อัลกอริทึมรหัสมือแบบเก่าตอนนี้พวกเขาสามารถตั้งโปรแกรมระบบที่สามารถเรียนรู้ได้ด้วยตัวเองโดยใช้ข้อมูลจากเซ็นเซอร์ที่แตกต่างกัน ตอนนี้การเรียนรู้เชิงลึกเป็นแนวทางที่ดีที่สุดสำหรับงานการรับรู้ส่วนใหญ่เช่นเดียวกับงานควบคุมระดับต่ำจำนวนมาก ดังนั้นตอนนี้แม้แต่คนที่ไม่รู้ว่าจะขับรถหรือพิการก็สามารถออกเดินทางได้โดยไม่ต้องขึ้นอยู่กับใคร

ที่นี่ฉันได้กล่าวถึงกรณีการใช้งานในชีวิตจริงที่มีชื่อเสียงเพียงไม่กี่กรณีที่มีการใช้ Deep Learning อย่างกว้างขวางและแสดงผลลัพธ์ที่มีแนวโน้ม ยังมีแอปพลิเคชั่นการเรียนรู้เชิงลึกอื่น ๆ อีกมากมายพร้อมกับหลายสาขาที่ยังไม่ได้สำรวจ

ทั้งหมดนี้เป็นข้อมูลเกี่ยวกับการเรียนรู้เชิงลึกโดยสรุป ฉันมั่นใจว่าถึงตอนนี้คุณจะได้ตระหนักถึงความแตกต่างระหว่าง Machine Learning และ Deep Learning รวมถึงวิธีการที่ Deep Learning มีประโยชน์อย่างมากสำหรับการใช้งานในชีวิตจริงต่างๆ ตอนนี้ในบล็อกถัดไปของฉันในชุดการสอนการเรียนรู้เชิงลึกนี้เราจะเจาะลึกแนวคิดและอัลกอริทึมต่างๆของ Deep Learning พร้อมกับรายละเอียดการใช้งาน

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

มีคำถามสำหรับเรา? โปรดระบุไว้ในส่วนความคิดเห็นแล้วเราจะติดต่อกลับไป