Дубоко учење: шта је то и како је повезано са машинским учењем?

Настављајући неколико чланака које смо учинили, овде ћемо говорити о томе шта је дубоко учење и његова веза са машинским учењем . Оба термина су све важнија у друштву у којем живимо и биће нам корисно знати шта нас окружује.

Садржај индекс

Шта је дубоко учење ?

Дубоко учење је подскуп техника које су рођене око 2000-их као резултат машинског учења . Из тог разлога, требали бисмо га сврстати у једну од његових грана и тиме постати део рачунарске науке.

Ови системи су аутономнији од старијих родјака, мада је и њихова структура знатно сложенија. То им даје јасну предност приликом обављања различитих врста задатака у којима обављају исти или бољи рад од осталих система са алгоритмима машинског учења.

Такође, постоје и друга дела у којима се Дееп Леарнинг издваја над својим претходником. Један од најозлоглашенијих случајева је вештачка интелигенција АлпхаГо- стиле , интелигенција Гоогле која може победити светског првака у Го-у .

Можда вам звучи мало кинески, али Го је врло позната игра и, такође, веома захтевна. Стављајући га у контекст, математичари изричито тврде да је овај хоби знатно сложенији од шаха.

С друге стране, Дееп Леарнинг уско је повезан са Биг Дата-ом јер се ови сјајни извори информација могу користити за учење и консолидацију искуства. Надаље, захваљујући ситуацији у којој се налазимо, окружење за ширење и развој ове технологије је савршено за три кључне тачке:

1. Велика акумулација података, јер се помоћу алата који данас имамо, подаци могу добити и сачувати од готово свакога. Степен технологије у којој се налазимо, будући да су компоненте добре да колективно нуде значајну снагу. Жеља компанија да побољшају своје методологије, јер се, користећи две претходне тачке, све више и више компанија клади на вештачку интелигенцију . Ако је ваша компанија похранила податке хиљада људи и технологија вам пружа могућност да учите од њих и користите их, то је сигурна опклада.

Структура дубоког учења

Иако има развој прилично сличан Машинском учењу , овај низ алгоритама има неке нуклеарне разлике. Најважнија је вероватно њена унутрашња структура, односно код који чини његов алгоритам.

Општа идеја о дубоком учењу

Као што видите на слици, Дубоко учење је уско повезано с неуронским мрежама. Овај концепт није нов, али није дуго код нас, па га можда не знате.

Да бисмо га поједноставили, могли бисмо дефинисати неуронску мрежу као скуп алгоритама (који се сваки назива слој) који третирају и преносе информације. Сваки слој прима улазне вриједности и враћа излазне, а како пролази кроз цијелу мрежу враћа се коначна резултирајућа вриједност. Све се то дешава редовно, редовно, где сваки слој има различиту тежину, зависно од жељеног резултата.

Овде вам показујемо кратки видео (на енглеском) о вештачкој интелигенцији која учи да игра Супер Марио Ворлд :

А можда се питате: "Зашто је сав овај метод толико замршен?" . Сигурно да дубоко учење и даље припада ономе што називамо слаба вештачка интелигенција , али то је вероватно први корак ка јаком.

Ова методологија је слабо инспирисана начином рада мозга. Слично ономе што видимо у "физичком свету" , системи формирају слојеве и сваки слој делује на сличан начин као и неурон. На овај начин се слојеви међусобно односе, деле информације и најважније је да се све ради аутономно.

Веома поједностављена шема како функционише Дееп Леарнинг

Следећи ово правило, најпотпуније Интеллигенцес су обично оне које имају више слојева и софистициранијих алгоритама.

Како умјетна интелигенција ради с овим алгоритмом?

Ако сте видели наше претходне чланке о овој теми, већ ћете видети овог гиф-а. Овде можете видети наш чланак о вештачкој интелигенцији и овде можете прочитати мало о машинском учењу .

али показаћемо вам последњи пут.

Ова слика добро и веома једноставно одражава како би функционирала обавештајна информација која користи неуронске мреже. Као што видите, његов посао је једноставан: класификујте слике и научите да детектују псе на различитим фотографијама које су му прослеђене.

Свака слика започиње уносом улазног фида, то јест улазног слоја на којем би већ почели први прорачуни. Добивени резултати биће подељени другом слоју или неурону и очигледно се обавештава који неурон је направио ово израчунавање. Овај се поступак понавља онолико пута колико слојева има наш систем док не дођемо до последњег.

Последњи неурон је назван као излазни слој и онај који у овом примеру показује резултат. У осталим случајевима, излазни слој завршава извршавајући израчунату радњу. Такође, ако ставимо у формулу која мора деловати што је брже могуће (као што је то случај са видео играма) , резултат би требао бити скоро тренутан. Међутим, захваљујући технолошкој тачки у којој се налазимо, то је већ могуће.

Један од најјаснијих примера за то је АлпхаСтар Артифициал Интеллигенце, друга креација самог Гооглеа .

Гоогле Деепминд вештачка интелигенција

Рекли смо вам о АлпхаГо-у , АИ који се може борити против најбољих Го играча на свету. Међутим, овај има млађе браће и сестре који су у стању да постигну неке прилично импресивне прекретнице.

АлпхаЗеро

Ова интелигенција је у само 24 сата научила надљудски ниво шаха, шођија и шова са којим је победила неколико познатих играча. Такође, на листи поражених противника истакао је и АлпхаГо Зеро верзију тродневног искуства, нешто заиста невероватно. Овде долази до брзине учења ове вештачке интелигенције .

Најимпресивније од свега, тим није имао приступ књигама или базама података, па су све њихове тактике научене са праксом.

У другом свом сусрету суочио се са Стоцкфисх-ом , ветеранским аутоматизованим програмом отвореног кода који игра шах. Међутим, у само четири сата доминирао је АлпхаЗеро.

Треба напоменути да иако ово прво израчунава око 70 милиона покрета, АлпхаЗеро у шаху узима у обзир само 80 хиљада различитих излаза. Разлика у предвиђањима надокнађена је много бољом проценом онога што би могло бити перспективно играње.

Помоћу оваквих демонстрација силе можемо видети снагу нове вештачке интелигенције .

АлпхаСтар

Са друге стране, АлпхаСтар је АИ који је данас способан да игра РТС Старцрафт ИИ (Реал Тиме Стратеги, на шпанском).

У време када је демо приказао , АлпхаСтар се борио против неколико професионалних играча у средњој победи десет утакмица заредом, а последњу је изгубио само.

За разлику од шах-а, Старцрафт ИИ је меч у реалном времену, тако да сваке секунде морате радити ствари. Због тога можемо видети да је тренутна технологија способна да одржи ове френетичне ритмове израчунавања и одлучивања.

Што се тиче припреме обавештајне службе , за датуме теста уживо имао је око 200 година искуства тренирајући само са протосовима (једна од доступних трка) . Такође је обучена тако да је могла изводити акције само ако је камера физички ставила на уређај, чиме је боље асимилирала како ће особа играти.

Међутим, и поред ових хендикепа, АлпхаСтар је успео да победи већину својих сусрета користећи напуштену тактику на такмичарској страни игре. Треба напоменути да АлпхаСтар обично држи ниске АПМ-ове (акције по минуту) , тако да су његове одлуке веома ефикасне.

Просечне акције у минуту које обавља АИ и професионални играч

Међутим, када ситуација то захтева, он демонстрира надљудску контролу јединица, буквално лако пробијајући бројач.

Овде можете видети један његов демо снимак у потпуности:

Будућност вештачке интелигенције

О овој теми смо већ разговарали, тако да исти разговор нећемо превише понављати. Оно што би требало нагласити су могуће будућности које чекају Дееп Леарнинг .

Према Андреу Иан-Так Нг -у, познатом стручњаку за вештачку интелигенцију, дубоко учење је добар корак ка интелигенцији будућности. За разлику од других метода поучавања, ова је знатно ефикаснија јер повећавамо узорак података.

ПРЕПОРУЧУЈЕМО ВАМ БАБАХУ Кс1: АИ четкица за зубе је сада доступна

Сљедећи слајд припада његовој презентацији "Шта научници о информацији требају знати о дубоком учењу . " Ако сте заинтересовани, можете то видети на овом линку.

Није узалуд, развој технологије није стао. Сваке године имаћемо снажније компоненте, тако да ћемо имати све више и више тераса за тестирање. Као што се догодило са старим АИ-има и машинском учењу, нови алгоритми, методологије и системи ће се појавити и заменити данашње иновативно дубоко учење .

Такође, као што можете замислити, будућност рјешавају полуинтелигентне машине.

Као што смо истакли у другим чланцима, већина електронских уређаја ће имати (неки их већ садрже) подршку интелигенције . Веома запажен случај је Интеллигенцес који помаже да се направе квалитетније фотографије.

Међутим, тачка у којој ова технологија може процветати за већину корисника је ИоТ (Интернет оф Тхингс, на шпанском).

Интернет ствари

Овај термин има све већу тежину на конференцијама технологије и рачунарства и настоји се консолидовати сада када имамо средства.

Идеја је да кућански уређаји, електрични уређаји и други буду препознатљиви предмети, могу међусобно да комуницирају и, поред тога, могу да се управљају уређајем. На овај начин можемо рачунати колико објеката постоји на неком месту, где су, интеракцију са њима и све то са мобилног уређаја. Исто тако, предмети би такође могли међусобно комуницирати и ако, на пример, нека храна истекне, можда би фрижидер могао да вам каже када је отворите.

С друге стране, Вештачка интелигенција треба да буде у могућности да надгледа стање и перформансе кућанских апарата. Овим бисте могли успоставити план електричне енергије и оптимизирати потрошену енергију.

Међутим, релевантна тачка која остаје да побољшамо била би сигурност интернета . То је нешто што још увек не трпи много узнемиравања, али сви знамо да ће бити неопходно ако желимо да то буде сигурна услуга.

То је помало апстрактна идеја, али како упада у наше животе, постаћете упознати.

Важност нових технологија и дубоког учења

Неизбежно је мислити да ће рачунарство и вештачка интелигенција обликовати већи део будућности која нас очекује. Стога је важно да увијек будете пола свјесни онога што се догађа у свијету којим управљају битови.

Имајући то на уму, већ можемо видети како се појављују различити степени, курсеви и степени који дубље подучавају ове теме. На пример, појавили су се неки подаци инжењеринг, други степени о великим подацима и, очигледно, курсеви дубоког учења и вештачке интелигенције .

Из истог разлога вас позивамо да истражите тему. Интернет , са својим плусевима и минусима, још није ни аутономан, ни савршен, нити заиста сигуран, али је готово неограничен извор знања. Уз мало среће, наћи ћете место за учење и моћи ћете се упустити у нови језик, или боље речено, нови свет.

Пошто је машинско учење нешто лакша дисциплина , постоје програми који вам омогућавају да се мало забрљате са подацима. Ако вас занима нешто више о теми и провјерите сами / ограничења ове технологије, можете посјетити ИБМ Ватсон Девелопер Цлоуд или Амазон Мацхине Леарнинг. Упозоравамо вас: морат ћете отворити рачун и то неће бити лак начин учења, али можда ће вам једног дана то помоћи да постигнете сјајне циљеве.

Иза вас је свет идеја, тако да је све у вашим рукама. А ви, шта мислите о новим технологијама везаним за вештачку интелигенцију? Које друге апликације за дубоко учење знате или желите да видите? Поделите своје идеје у доњем пољу.

Извор Пословни блог Размислите БигКсатакаМацхине Леарнинг Мастери