מהו למידה עמוקה ורשת עצבית

רשתות עצביות ו- Deep Learning הן כרגע שתי מילות המפתח החמות המשמשות כיום בינה מלאכותית. ההתפתחויות האחרונות בעולם של בינה מלאכותית ניתן לייחס את שני אלה כפי שהם מילאו תפקיד משמעותי בשיפור האינטליגנציה של AI.

הסתכלו מסביב, תוכלו למצוא מכונות יותר ויותר אינטליגנטי מסביב. הודות לרשתות עצביות וללמידה עמוקה, עבודות ויכולות שנחשבו בעבר לחזית של בני אדם מבוצעות כיום על ידי מכונות. כיום, מכונות כבר לא עשויות לאכול אלגוריתמים מורכבים יותר, אבל במקום זאת, הם מוזנים לפתח מערכות אוטונומיות, הוראה עצמית המסוגלת לחולל מהפיכה של תעשיות רבות ברחבי העולם.

רשתות עצביות ו- Deep הלמידה נתנו הצלחה עצומה לחוקרים במשימות כגון הכרה בתמונות, זיהוי דיבור, מציאת יחסים עמוקים יותר במערכי נתונים. בעזרת הזמינות של כמויות אדירות של נתונים וכוח חישוב, מכונות יכולות לזהות אובייקטים, לתרגם דיבור, להכשיר את עצמן לזהות דפוסים מורכבים, ללמוד כיצד לפתח אסטרטגיות ולהכין תוכניות מגירה בזמן אמת.

אז איך בדיוק זה עֲבוֹדָה? האם אתה יודע שגם רשתות ניטרליות וגם למידה עמוקה קשורות, למעשה, להבנת הלמידה העמוקה, תחילה עליך להבין על רשתות עצביות? קרא עוד כדי לדעת יותר.

מהי רשת עצבית

רשת עצבית היא בעצם דפוס תכנות או קבוצה של אלגוריתמים המאפשר למחשב ללמוד מן הנתונים תצפיתיים. רשת עצבית דומה למוח האנושי, הפועל על ידי זיהוי הדפוסים. הנתונים החושיים מתפרשים תוך שימוש בתפיסת מחשב, תיוג או קלט גולמי מקובצים. הדפוסים המוכרים הם מספריים, סגורים בווקטורים, שאליהם מתוארים הנתונים, הצלילים, הטקסט וכו `.

תחשוב על רשת עצבית! תחשוב איך תפקוד המוח האנושי

כפי שצוין לעיל, רשת עצבית פועלת בדיוק כמו מוח אנושי; היא רוכשת את כל הידע באמצעות תהליך הלמידה. לאחר מכן, משקולות סינפטי לאחסן את הידע שנרכש. במהלך תהליך הלמידה, המשקל הסינפטי של הרשת עובר רפורמה במטרה להשיג את המטרה הרצויה. כמו המוח האנושי, רשתות עצביות פועלות כמו מערכות עיבוד מידע מקבילות לא ליניאריות, אשר מבצעים במהירות חישובים כגון זיהוי תבניות תפיסה. כתוצאה מכך, רשתות אלה ביצועים טובים מאוד בתחומים כמו דיבור, אודיו ותמונה הכרה שבו תשומות / אותות הם לא ליניארי מטבעו.

במילים פשוטות, אתה יכול לזכור רשת עצבית כמו משהו שהוא מסוגל גרב ידע כמו אדם המוח להשתמש בו כדי ליצור תחזיות.

מבנה של רשתות עצביות

(> Image Credit: Mathworks)

רשתות עצביות מורכבת משלוש שכבות, שכבת קלט,

1. שכבה מוסתרת,
2. שכבת פלט
3. כל שכבה מורכבת מצומת אחת או יותר, כפי שמוצג בתרשים שלהלן על ידי עיגולים קטנים. הקווים בין הצמתים מציינים את זרימת המידע מצומת אחד למשנהו. המידע זורם מהקלט לפלט, כלומר משמאל לימין (במקרים מסוימים הוא עשוי להיות מימין לשמאל או לשני הכיוונים).

הצמתים של שכבת הקלט פסיבית, כלומר הם אינם משנים את הנתונים. הם מקבלים ערך אחד על קלט שלהם לשכפל את הערך שלהם מרובים פלטי. והואיל, את הצמתים של שכבת מוסתר ו פלט פעילים. כך שהם יכולים לשנות את הנתונים.

במבנה מקושר, כל ערך משכבת ​​הקלט משוכפל ונשלח לכל הצמתים הנסתרים. הערכים הנכנסים לצומת מוסתר הם מוכפלים משקולות, קבוצה של מספרים קבועים מראש המאוחסנים בתוכנית. התשומות המשוקללות מתווספות כדי לייצר מספר בודד. רשתות עצביות יכול להיות כל מספר של שכבות, וכל מספר של צמתים לכל שכבה. רוב היישומים להשתמש במבנה שלוש שכבות עם מקסימום של כמה מאות הקלט קלט

דוגמה של רשת עצבית

שקול רשת עצבית מזהה אובייקטים אות סונאר, ויש 5000 דגימות האות המאוחסנים במחשב. המחשב צריך להבין אם דגימות אלה מייצגים צוללת, לווייתן, קרחון, סלעי ים, או כלום בכלל? שיטות DSP קונבנציונליות היו מתקרבות לבעיה זו עם מתמטיקה ואלגוריתמים, כגון מתאם וניתוח ספקטרום תדר.

כאשר רשת עצבית, 5000 הדגימות יובנו לשכבת הקלט, וכתוצאה מכך הערכים יוצאים משכבת ​​הפלט. על ידי בחירת משקולות נאותים, הפלט יכול להיות מוגדר לדווח על מגוון רחב של מידע. לדוגמה, ייתכן שיש פלטים עבור: צוללת (כן / לא), סלע ים (כן / לא), לווייתן (כן / לא) וכו `

עם משקולות אחרות, יציאות יכול לסווג את האובייקטים כמו מתכת או לא ביולוגי או ביולוגי או לא ביולוגי, או בעל ברית, וכו `אין אלגוריתמים, לא כללים, אין נהלים; רק מערכת יחסים בין הקלט לתפוקה המוכתבת על ידי ערכי המשקלים שנבחרו.

עכשיו, בואו להבין את המושג למידה עמוקה

מהו למידה עמוקה

למידה עמוקה היא ביסודה תת קבוצה של רשתות עצביות; אולי אתה יכול לומר רשת עצבית מורכבת עם שכבות נסתרות רבות בה.

מבחינה טכנית, למידה עמוקה יכול גם להיות מוגדר כמו סט חזק של טכניקות למידה ברשתות עצביות. הכוונה היא לרשתות עצביות מלאכותיות (ANN) המורכבות משכבות רבות, ערכות נתונים מסיביות, חומרת מחשב רבת עוצמה כדי להפוך מודל אימונים מורכב. הוא מכיל את המעמד של שיטות וטכניקות המעסיקות רשתות עצביות מלאכותיות עם שכבות מרובות של פונקציונליות עשירה יותר ויותר.

מבנה רשת למידה עמוקה

רשתות למידה עמוקות משתמשות בעיקר בארכיטקטורות רשת עצבית ולכן הן נקראות לעתים קרובות רשתות עצביות עמוקות. השימוש בעבודה "עמוק" מתייחס למספר השכבות הנסתרות ברשת העצבים. רשת עצבית קונבנציונלית מכילה שלוש שכבות נסתרות, בעוד שרשתות עמוקות יכולות להכיל עד 120-150.

Deep Learning כרוך בהאכלת מערכת ממוחשבת בנתונים רבים, שבהם היא יכולה להשתמש כדי לקבל החלטות לגבי נתונים אחרים. נתונים אלה מוזנים באמצעות רשתות עצביות, כמו במקרה של לימוד מכונה. רשתות למידה עמוקות יכולות ללמוד תכונות ישירות מהנתונים ללא צורך בהפקת תכונות ידניות.

דוגמאות ללמידה עמוקה

למידה עמוקה משמשת כיום כמעט בכל ענף שמתחיל מתוך רכב, חלל ואוטומציה לרפואה. הנה כמה מהדוגמאות.

Google, Netflix ו- Amazon: Google משתמשת בה באלגוריתמים של זיהוי קול ותמונה. Netflix ו אמזון גם להשתמש למידה עמוקה כדי להחליט מה אתה רוצה לראות או לקנות הבא

• נהיגה ללא נהג: החוקרים משתמשים ברשתות למידה עמוקים כדי לזהות באופן אוטומטי אובייקטים כגון תמרורים לעצור רמזורים. למידה עמוקה משמשת גם לאיתור הולכי רגל, אשר מסייעים בהפחתת תאונות.
• חלל וחלל: למידה עמוקה משמשת לזיהוי חפצים מלוויינים המאתרים תחומי עניין, ולזהות אזורים בטוחים או לא בטוחים עבור חיילים. למידה עמוקה, פייסבוק באופן אוטומטי מוצא ותגים חברים בתמונות שלך. סקייפ יכול לתרגם תקשורת מדוברת בזמן אמת ודייקן מדי.
• מחקר רפואי: חוקרים רפואיים משתמשים בלמידה עמוקה כדי לזהות באופן אוטומטי תאים סרטניים
• אוטומציה תעשייתית: למידה עמוקה עוזרת לשפר את בטיחות העובדים סביב מכונות כבדות באופן אוטומטי כאשר אנשים או אובייקטים נמצאים בטווח בטוח של מכונות.
• אלקטרוניקה: למידה עמוקה משמשת לתרגום שמיעה ודיבור אוטומטי.
• סיכום
• המושג רשתות עצביות אינו חדש, וחוקרים נפגשו עם הצלחה מתונה בעשור האחרון. אבל מחליף המשחק האמיתי היה האבולוציה של רשתות עצביות עמוקות.

על ידי ביצוע ביצועים מסורתיים של גישות הלמידה של מכונה, היא הראתה שרשתות עצביות עמוקות ניתנות להכשרה ולניסויים לא רק על ידי חוקרים מעטים, אך יש לה היקף יאומצו על ידי חברות טכנולוגיה רב לאומיות לבוא עם חידושים טובים יותר בעתיד הקרובהודות ללמידה עמוקה ורשת עצבית, AI לא רק עושה את המשימות, אבל זה התחיל לחשוב!