Apa yang anda perlu ketahui tentang evolusi kecerdasan buatan
Pembelajaran yang mendalam adalah bentuk pembelajaran mesin yang kuat (ML) yang membina struktur matematik yang kompleks yang dipanggil rangkaian saraf dengan menggunakan data (maklumat) yang sangat luas.
Definisi Pembelajaran Deep
Pembelajaran yang mendalam adalah cara melaksanakan ML menggunakan pelbagai lapisan rangkaian saraf untuk memproses jenis data yang lebih kompleks. Kadang-kadang dipanggil pembelajaran hierarki, pembelajaran mendalam menggunakan pelbagai jenis rangkaian saraf untuk mempelajari ciri-ciri (juga dipanggil representasi) dan menemukannya dalam set besar data mentah, tanpa label (data tidak berstruktur). Salah satu demonstrasi terobosan pertama pembelajaran mendalam adalah program yang berjaya memilih imej kucing daripada set video YouTube.
Contoh Pembelajaran Deep dalam Kehidupan Harian
Pengalaman mendalam tidak hanya digunakan dalam pengenalan imej, tetapi juga terjemahan bahasa, pengesanan penipuan, dan menganalisis data yang dikumpulkan oleh syarikat mengenai pelanggan mereka. Sebagai contoh, Netflix menggunakan pembelajaran mendalam untuk menganalisis tabiat tontonan anda dan meramalkan yang menunjukkan dan filem yang anda lebih suka menonton. Begitulah Netflix tahu untuk meletakkan filem tindakan dan dokumentari alam dalam barisan cadangan anda. Amazon menggunakan pembelajaran mendalam untuk menganalisis pembelian dan item baru-baru ini yang baru-baru ini dicari untuk membuat cadangan untuk album muzik negara baru yang mungkin anda minati dan anda berada di pasaran untuk sepasang tenis kelabu dan kuning kasut. Oleh kerana pembelajaran yang mendalam memberi lebih banyak wawasan dari data yang tidak berstruktur dan mentah, syarikat dapat menjangka lebih baik keperluan pelanggan mereka semasa anda, pelanggan individu mendapatkan perkhidmatan pelanggan yang lebih diperibadikan.
Rangkaian Neural Buatan dan Pembelajaran Deep
Untuk membuat pembelajaran yang lebih mendalam lebih mudah difahami, mari kita kembali perbandingan perbandingan antara rangkaian saraf buatan (ANN). Untuk pembelajaran mendalam, bayangkan bangunan pejabat 15 tingkat kami menduduki blok bandar dengan lima bangunan pejabat lain. Terdapat tiga buah bangunan di setiap sisi jalan. Bangunan kami sedang membina A dan berkongsi sisi jalan yang sama seperti bangunan B dan C. Di seberang jalan dari bangunan A sedang membina 1, dan dari bangunan B adalah bangunan 2, dan sebagainya. Setiap bangunan mempunyai bilangan lantai yang berbeza, diperbuat daripada bahan yang berbeza dan mempunyai gaya seni bina yang berbeza dari yang lain. Walau bagaimanapun, setiap bangunan masih diatur di lantai berasingan (lapisan) pejabat (nod) -ada setiap bangunan adalah ANN yang unik.
Bayangkan bahawa pakej digital tiba di bangunan A, mengandungi banyak maklumat yang berlainan dari pelbagai sumber seperti data berasaskan teks, aliran video, aliran audio, panggilan telefon, gelombang radio dan gambar-namun, ia tiba di satu titik besar dan tidak dilabelkan atau disusun mengikut cara logikal (data tidak berstruktur). Maklumat tersebut dihantar melalui setiap tingkat dari 1 hingga 15 untuk diproses. Selepas jumble maklumat mencapai tingkat ke- 15 (output), ia dihantar ke tingkat 1 (input) bangunan 3 bersama-sama dengan hasil pemprosesan akhir dari bangunan A. Bangunan 3 belajar dari dan menggabungkan hasil yang dihantar oleh bangunan A dan kemudian memproses jumble maklumat melalui setiap lantai dengan cara yang sama. Apabila maklumat itu sampai ke tingkat atas bangunan 3, ia dihantar dari sana dengan keputusan bangunan itu untuk membina 1. Bangunan 1 belajar dari dan menggabungkan hasil dari bangunan 3 sebelum memprosesnya lantai-by-lantai. Bangunan 1 menyampaikan maklumat dan hasil dengan cara yang sama untuk membangun C, yang memproses dan mengirim ke bangunan 2, yang memproses dan mengirim ke bangunan B.
Setiap ANN (bangunan) dalam contoh kami mencari untuk mendapatkan ciri yang berbeza dalam data yang tidak berstruktur (merebak maklumat) dan melepasi hasilnya ke bangunan seterusnya. Bangunan seterusnya menggabungkan (mempelajari) output (keputusan) dari yang sebelumnya. Oleh kerana data diproses oleh setiap bangunan (ANN), ia akan teratur dan dilabel (dikelaskan) oleh ciri tertentu supaya apabila data mencapai output akhir (tingkat atas) ANN (bangunan) terakhir, ia dikelaskan dan dilabelkan (lebih berstruktur).
Kecerdasan Buatan, Pembelajaran Mesin, dan Pembelajaran Deep
Bagaimana pembelajaran mendalam sesuai dengan gambaran keseluruhan kecerdasan buatan (AI) dan ML? Pembelajaran mendalam meningkatkan kuasa ML dan meningkatkan pelbagai tugas AI mampu melaksanakan. Oleh kerana pembelajaran mendalam bergantung kepada penggunaan jaring saraf dan mengenal pasti ciri-ciri dalam set data dan bukannya algoritma khusus tugas yang khusus, ia boleh mencari dan menggunakan butiran dari data yang tidak berstruktur (mentah) tanpa memerlukan seorang programmer untuk melabelnya secara manual terlebih dahulu -Mengerjakan tugas yang dapat memperkenalkan kesilapan. Pembelajaran yang mendalam membantu komputer menjadi lebih baik dan lebih baik menggunakan data untuk membantu kedua-dua syarikat dan individu.