Дълбоко учене: какво е това и как е свързано с машинното обучение?

Продължавайки няколко статии, които сме направили, тук ще говорим за това какво е дълбокото обучение и връзката му с машинното обучение . И двата термина са все по-важни в обществото, в което живеем и ще бъде полезно да знаем какво ни заобикаля.

Индекс на съдържанието

Какво е задълбочено обучение ?

Дълбокото обучение е подмножество от техники, които са родени около 2000-те в резултат на машинно обучение . Поради тази причина трябва да я класифицираме като един от нейните клонове, като от своя страна е част от компютърните науки.

Тези системи са по-автономни от по-големите си братя и сестри, въпреки че структурата им също е значително по-сложна. Това им дава ясно предимство при изпълнение на различни видове задачи, когато те изпълняват същата или по-добра работа в сравнение с други системи с алгоритми за машинно обучение.

Също така има и други произведения, в които Deep Learning се откроява над предшественика си. Един от най-известните случаи е изкуственият интелект на AlphaGo- style , Intelligence на Google, способен да победи световния шампион на Go .

Може би ви звучи малко китайски, но Go е много известна игра и, също, много взискателна. Казано в контекст, математиците категорично твърдят, че това хоби е значително по-сложно от шаха.

От друга страна, Deep Learning е тясно свързан с Big Data, тъй като тези страхотни източници на информация могат да бъдат използвани за обучение и консолидиране на опита. Освен това, благодарение на ситуацията, в която се намираме, средата за разпространение и развитие на тази технология е перфектна за три ключови точки:

1. Голямото натрупване на данни, тъй като с инструментите, с които разполагаме днес, данните могат да бъдат получени и съхранявани от почти всеки. Степента на технология, в която се намираме, тъй като компонентите са добри да предлагат значителна мощност. Желанието на компаниите да подобрят методологиите си, тъй като, възползвайки се от предишните две точки, все повече компании залагат на изкуствения интелект . Ако вашата компания е съхранявала данни от хиляди клиенти и технологията ви дава възможност да се научите от тях и да ги използвате, това е безопасен залог.

Структурата на задълбоченото обучение

Въпреки че има разработка доста подобна на машинното обучение , този набор от алгоритми има някои ядрени разлики. Най-важната вероятно е нейната вътрешна структура, тоест кодът, който съставя нейния алгоритъм.

Обща идея за задълбоченото обучение

Както можете да видите на изображението, Deep Learning е тясно свързан с невронните мрежи. Тази концепция не е нова, но отдавна не е с нас, така че може да не я знаете.

За да го опростим, бихме могли да определим невронната мрежа като набор от алгоритми (всеки наречен слой), които обработват и предават информация. Всеки слой получава входни стойности и връща изходните, и докато преминава през цялата мрежа, се връща крайната резултатна стойност. Всичко това се случва последователно, обикновено, където всеки слой има различно тегло, в зависимост от желания резултат.

Тук ви показваме кратко видео (на английски) за изкуствения интелект, който се учи да играе Super Mario World :

И може би се чудите: "Защо целият този метод е толкова сложен?" , Със сигурност дълбокото обучение все още принадлежи на това, което наричаме слаб изкуствен интелект , но това е може би първата стъпка към силното.

Тази методология е вдъхновена слабо от това как работи мозъкът. Подобно на това, което виждаме във "физическия свят" , системите формират слоеве и всеки слой работи по подобен начин на неврон. По този начин слоевете се свързват един с друг, споделят информация и най-важното е всичко да се прави автономно.

Много опростена схема за това как работи Deep Learning

Следвайки това правило, най-пълните Intelligences обикновено са тези, които имат повече слоеве и по-сложни алгоритми.

Как работи изкуственият интелект с този алгоритъм?

Ако сте виждали нашите предишни статии по темата, вече ще сте видели този гиф. Тук можете да видите нашата статия за изкуствения интелект и тук можете да прочетете малко за машинното обучение .

но ще ви покажем последен път.

Това изображение отразява добре и много просто как би работила Intelligence, използваща невронни мрежи. Както можете да видите, работата му е проста: класифицирайте изображения и се научете да откривате кучета в различните снимки, които му се предават.

Всяко изображение започва с въвеждането на входната емисия, тоест входния слой, където вече ще започнат първите изчисления. Получените резултати ще бъдат споделени с втория слой или неврона и очевидно се информира кой неврон е направил това изчисление. Този процес се повтаря толкова пъти, колкото слоеве има нашата система, докато стигнем до последния.

Последният неврон е наречен като изходен слой и е този, който в този пример показва резултата. В други случаи изходният слой приключва с извършването на изчисленото действие. Освен това, ако вложим във формулата, която трябва да действа възможно най-бързо (като при видеоигрите) , резултатът трябва да бъде почти моментален. Благодарение на технологичния момент, в който се намираме, това вече е възможно.

Един от най-ясните примери за това е изкуственият интелект AlphaStar, друго създание на самия Google .

Изкуствен интелект на Google Deepmind

Разказахме ви за AlphaGo , AI, способен да се бори срещу най-добрите Go играчи в света. Този обаче има по-млади братя и сестри, способни да постигнат някои впечатляващи етапи.

AlphaZero

Това разузнаване научи само за 24 часа свръхчовешко ниво на шах, шоджи и ход, с което спечели няколко известни играчи. Също така в списъка на победените опоненти той посочи и версията на AlphaGo Zero за 3-дневен опит, нещо наистина невероятно. Тук излиза скоростта на усвояване на този изкуствен интелект .

Най-впечатляващо от всички, екипът нямаше достъп до учебни книги или бази данни, така че всичките им тактики бяха научени с практика.

В друга своя среща той се сблъска с Stockfish , ветеранска автоматизирана програма с отворен код, която играе шах. Само за четири часа обаче той беше доминиран от AlphaZero.

Трябва да се отбележи, че докато това първо изчислява около 70 милиона движения, AlphaZero, в шахмата, отчита само 80 хиляди различни изхода. Разликата в прогнозите се компенсира от много по-добра преценка за това, което би било обещаващо игра.

С демонстрации на сила като тази можем да видим силата на новия Изкуствен интелект .

AlphaStar

От друга страна, AlphaStar е AI, който днес е способен да играе на RTS Starcraft II (Стратегия в реално време на испански).

По време на демонстрацията си AlphaStar се бори с няколко професионални играчи в средата, печелейки десет поредни мача и загуби само последния.

За разлика от шах или игра, Starcraft II е съвпадение в реално време, така че всяка секунда трябва да правите нещата. Поради това можем да видим, че съвременната технология е в състояние да поддържа тези френетични ритми на изчисление и решение.

Що се отнася до подготовката на Intelligence , за датите на теста на живо той имаше около 200-годишен опит, трениращ само с протоси (едно от наличните състезания) . Освен това е бил обучен така, че да може да изпълнява действия само ако физически разполага камерата на апарата, като по този начин усвоява повече как човек ще играе.

Въпреки това, въпреки тези хендикапи, AlphaStar успя да преодолее по-голямата част от срещите си, използвайки изоставена тактика в състезателната страна на играта. Трябва да отбележим, че AlphaStar обикновено поддържа ниски APM (действия на минута) , така че решенията му са много ефикасни.

Средни действия в минута, изпълнявани от AI и от професионален играч

Въпреки това, когато ситуацията го изисква, той демонстрира свръхчовешки контрол на единици буквално, като лесно разбива брояча.

Тук можете да видите един от демонстрациите му в пълен размер:

Бъдещето на изкуствения интелект

Вече говорихме по тази тема, така че няма да повтаряме твърде много едни и същи разговори. Това, което трябва да се подчертае, са възможните фючърси, които очакват Deep Learning .

Според Андрю Ян Так Нг, известен експерт по изкуствен интелект, дълбокото обучение е добра стъпка към интелигентността на бъдещето. За разлика от другите методи на преподаване, този е значително по-ефективен, тъй като увеличаваме извадката от данни.

Препоръчваме ви BABAHU X1: четката за зъби AI вече е налична

Следващият слайд принадлежи на неговата презентация „Какво информационните учени трябва да знаят за задълбоченото обучение“. Ако проявявате интерес, можете да го видите на този линк.

Не напразно развитието на технологиите не е спряло. Всяка година ще разполагаме с по-мощни компоненти, така че ще имаме все повече и повече вътрешен двор за тестване. Както стана със старите ИИ и машинното обучение, новите алгоритми, методологии и системи ще се появят и заменят днешното иновативно задълбочено обучение .

Освен това, както можете да си представите, бъдещето се справя с полуинтелигентните машини.

Както посочихме в други статии, повечето електронни устройства ще имат (някои вече ги включват) поддръжка на разузнаването . Много забележителен е случаят с Intelligences, които помагат да се правят снимки с по-добро качество.

Точката, в която тази технология може да процъфти за повечето потребители, е IoT (Интернет на нещата, на испански).

Интернет на нещата

Този термин има все по-голяма тежест в конференциите за технологии и компютърни технологии и се стреми да се консолидира сега, когато разполагаме със средствата.

Идеята е домакинските уреди, електрическите уреди и други да са разпознаваеми обекти, те могат да комуникират помежду си и в допълнение да бъдат контролирани с устройство. По този начин можем да преброим какви обекти съществуват на място, където са, да взаимодействаме с тях и всичко това от мобилния телефон. По същия начин предметите също могат да си взаимодействат помежду си и ако например да изтече храна, може би хладилникът ще може да ви каже, когато я отворите.

От друга страна, изкуственият интелект трябва да може да следи състоянието и работата на домакинските уреди. С това бихте могли да създадете електрически план и да оптимизирате използваната енергия.

Релевантният момент, който остава да подобрим, е сигурността в Интернет . Това е нещо, което все още изглежда, че не търпи много тормоз, но всички знаем, че ще бъде от съществено значение, ако искаме това да е безопасна услуга.

Това е някак абстрактна идея, но тъй като нахлува в живота ни, ще се запознаете.

Значението на новите технологии и задълбоченото обучение

Невъзможно е да мислим, че изчисленията и изкуственият интелект ще оформят голяма част от бъдещето, което ни очаква. Затова е важно винаги да сме наполовина наясно какво се случва в света, управляван от битове.

Имайки предвид този дух, вече можем да видим как се появяват различни степени, курсове и степени, които преподават тези теми в дълбочина. Например, някои инженеринг на данни се появиха, други степени по Big Data и, разбира се, курсове по задълбочено обучение и изкуствен интелект .

По същата причина ви призоваваме да проучите темата. Интернет със своите плюсове и минуси все още не е автономен, нито съвършен, нито наистина сигурен, но е почти неограничен източник на знания. С късмет ще намерите място за учене и можете да се впуснете в нов език или по-скоро нов свят.

Тъй като машинното обучение е малко по-лека дисциплина , има програми, които ви позволяват да се забъркате малко с данните. Ако се интересувате да научите малко повече по темата и да проверите за себе си / границите на тази технология, можете да посетите IBM Watson Developer Cloud или Amazon Machine Learning. Предупреждаваме ви: ще трябва да създадете акаунт и това няма да е лесен начин да научите, но може би един ден ще ви помогне да постигнете страхотни цели.

Отвъд тук е светът на идеите, така че всичко е във вашите ръце. А на вас какво мислите за новите технологии, свързани с изкуствения интелект? Какви други приложения за дълбоко обучение знаете или искате да видите? Споделете идеите си в полето по-долу.

Източник Бизнес блог Помислете, че BigXatakaMachine Learning Mastery