Ինչ պետք է իմանաք արհեստական հետախուզության էվոլյուցիայի մասին
Deep learning- ը մեքենայի ուսուցման հզոր ձեւ է (ML), որը կառուցում է նեյրոնային ցանցեր կոչվող համալիր մաթեմատիկական կառույցներ, որոնք օգտագործում են տվյալների մեծ քանակ (տվյալների):
Deep Learning սահմանում
Deep learning- ը ML- ի կիրառման եղանակ է `օգտագործելով նեյրոնային ցանցերի բազմաթիվ շերտեր` ավելի բարդ տվյալների մշակման համար: Երբեմն կոչվում է հիերարխիկ ուսուցում, խորը ուսուցումն օգտագործում է տարբեր տեսակի նյարդային ցանցեր `սովորելու հատկանիշներ (նաեւ կոչումներ) եւ դրանք գտնում հումքի, չարտոնված տվյալների մեծ մասում (կառուցվածքային տվյալներ): Խորով ուսուցման առաջին բեկումնային ցույցերից մեկը այն ծրագիրն էր, որը հաջողությամբ վերցրեց YouTube- ի տեսանյութերի հավաքածուներից կատուների պատկերները:
Deep Learning օրինակներ Առօրյա կյանքում
Deep learning- ը ոչ միայն օգտագործվում է պատկերի ճանաչման մեջ, այլեւ թարգմանության, խարդախության հայտնաբերման եւ վերլուծելու ընկերությունների կողմից իրենց հաճախորդների մասին հավաքագրված տվյալները: Օրինակ, Netflix- ն օգտագործում է խորը ուսուցում, վերլուծելու ձեր դիտման սովորություններն ու կանխատեսում եք, թե ինչ ցուցադրում եւ ֆիլմեր եք նախընտրում դիտել: Այսպիսով, Netflix- ը գիտի, թե ինչպես պետք է գործել ֆիլմերի եւ բնության վավերագրական ֆիլմեր առաջարկի հերթում: Amazon- ն օգտագործում է խորը ուսուցում, վերլուծելու ձեր վերջին գնումներն ու տարրերը, որոնք վերջերս եք փնտրում, որպեսզի առաջարկներ ստեղծեք նոր երկրի երաժշտական ալբոմների համար, որոնք, հավանաբար, շահագրգռված կլինեն եւ որ շուկայում եք մի զույգ մոխրագույն եւ դեղին թենիսի համար: կոշիկներ: Քանի որ խորը ուսուցումը ավելի ու ավելի շատ պատկերացում է տալիս կառուցվածքի եւ հումքի տվյալների մասին, կորպորացիաները կարող են ավելի լավ սպասել իրենց հաճախորդների կարիքները, մինչդեռ անհատական հաճախորդը ստանում է ավելի անհատականացված հաճախորդների սպասարկում:
Արհեստական նեյրոնային ցանցեր եւ խորը ուսուցում
Խորը ուսուցման ավելի հեշտ հասկանալու համար եկեք վերանայենք արհեստական նեյրոնային ցանցի (ՀՆ) համեմատությունը : Ուսումնասիրելով խորը ուսուցման համար, պատկերացրեք մեր 15 հարկանի գրասենյակի շենքը տեղակայված է քաղաքային բլոկով `հինգ այլ գրասենյակային շենքերով: Փողոցների երկու կողմերում կան երեք շենքեր: Մեր շենքը կառուցում է A- ն եւ կիսում է փողոցի նույն կողմը, քանի որ B եւ C շենքերը: A- ի շենքից շենքը 1 է, իսկ շենքի բակը `շենք 2, եւ այլն: Յուրաքանչյուր շենք ունի տարբեր քանակի հարկեր, պատրաստվում է տարբեր նյութերից եւ այլ ճարտարապետական ոճ ունի մյուսներից: Այնուամենայնիվ, յուրաքանչյուր շենքը դեռեւս ձեւավորվում է գրասենյակների առանձին հարկերում (շերտերում), յուրաքանչյուր շենքը եզակի է:
Պատկերացրեք, որ թվային փաթեթը գալիս է A-ում, որը պարունակում է բազմաթիվ տարբեր աղբյուրներից տեղեկություններ, ինչպիսիք են տեքստային վրա հիմնված տվյալները, վիդեո հոսքերը, աուդիո հոսքերը, հեռախոսային զանգերը, ռադիո ալիքները եւ լուսանկարները, սակայն այն գալիս է մի մեծ խառնուրդի եւ չի պիտակավորված կամ դասավորված է որեւէ տրամաբանական ձեւով (կառուցվածքային տվյալներ): Տեղեկատվությունը յուրաքանչյուր հարկի միջոցով ուղարկվում է 1 -ից մինչեւ 15- րդ , վերամշակման համար: Տեղեկատվության շարժումից հետո 15- րդ հարկը (արտադրանքը) հասնում է այն շենքին 1- ին հարկի մուտքագրմանը (շենքի 3- րդ հարկում), ինչպես նաեւ շենքի վերջնական մշակման արդյունքը `Ա-ի շենքից 3-ը սովորում եւ ներառում է Ա-ի եւ ապա գործընթացը մշակվում է յուրաքանչյուր հարկի միջոցով նույն ձեւով: Երբ տեղեկատվությունը հասնում է շենքի 3-րդ հարկում, այն շենքից դուրս է բերվում այդ շենքի արդյունքի հետ: 1. Շենքը սովորում է շենքից 3-ից մինչեւ արդյունքների վերլուծություն: Շենք 1-ը փոխանցում է տեղեկատվությունը եւ նույնացնում է C- ի կառուցմանը, որը մշակվում եւ ուղարկում է շենք 2-ին, որը մշակվում եւ ուղարկում է B շենքին:
Մեր օրինակում յուրաքանչյուր ANN- ն (կառուցվածքը) փնտրում է այլ առանձնահատկություն ոչ կառուցվածքի տվյալների մեջ (տեղեկատվության խառնուրդ) եւ արդյունքները փոխանցում է հաջորդ շենքին: Հաջորդ շենքը ներառում է (սովորեցնում) նախորդի արդյունքը (արդյունքները): Քանի որ տվյալները յուրաքանչյուր ANN- ի (շենքի) կողմից մշակվում են, այն ստանում է որոշակի առանձնահատկությամբ կազմակերպված եւ պիտակավորված (դասակարգված), որպեսզի երբ վերջին տվյալները հասնում են վերջին ANN- ի (շենքի) վերջնական արդյունքին, այն դասակարգված է եւ պիտակավորված (ավելի կառուցվածքային):
Արհեստական ինտելեկտի, մեքենայի ուսուցման եւ խորը ուսուցման
Ինչպես է խորը ուսումը տեղավորվում արհեստական հետախուզության (AI) եւ ML ընդհանուր պատկերը: Deep learning- ը խթանում է ML- ի հզորությունը եւ մեծացնում է AI- ի առաջադրանքների շարքը: Քանի որ խորը ուսումը հիմնված է նեյտրոնային ցանցերի օգտագործման վրա եւ տվյալների առանձնահատկություններում ճանաչելու առանձնահատկությունները, հեշտ գործառնական ալգորիթմների փոխարեն , այն կարող է գտնել եւ օգտագործել մանրամասներ ոչ կառուցվածքային (հում) տվյալներ, առանց ծրագրավորողի ձեռքով այն պիտակավորելու համար, առաջին անգամ - խնդիրը, որը կարող է սխալներ ներկայացնել: Խորը ուսուցումն օգնում է համակարգչին ավելի լավ եւ ավելի լավ օգտագործել տվյալների օգտագործման համար, այնպես էլ կորպորացիաների եւ անհատների համար: