Определение, алгоритмы, модели, приложения и преимущества глубокого обучения

Глубокое обучение также известно как глубокое структурированное обучение или иерархическое обучение, оно является частью более широкого семейства методов машинного обучения, основанных на слоях, используемых в искусственных нейронных сетях, Глубокое обучение является подмножеством области машинного обучения, которая является подполем искусственного интеллекта, приложения для глубокого обучения используются в отраслях от автоматизированного вождения до медицинских устройств.

Глубокое обучение

Это класс алгоритмов машинного обучения, которые используют каскад из нескольких уровней нелинейных процессоров для извлечения и преобразования объектов, Каждый последующий слой использует выходные данные предыдущего слоя в качестве входных данных, его можно изучать контролируемым (например, классификация) и/или неконтролируемым (например, анализ шаблонов) способом, это позволяет вычислительным моделям, состоящим из нескольких уровней обработки, изучать представления данных с несколькими уровнями абстракции.

Это область машинного обучения, связанная с алгоритмами, вдохновленными структурой и функциями мозга, называемыми искусственными нейронными сетями, Она может научить компьютеры делать то, что естественно для людей: учиться на примере, глубокое обучение можно использовать в автомобилях без водителя, позволяя им распознавать знак остановки или отличать пешехода от фонарного столба.

Компьютерная модель учится выполнять задачи классификации по изображениям, тексту или звуку, модели глубокого обучения могут достигать высокой точности, иногда превышающей производительность на уровне человека, Модели обучаются с использованием большого набора помеченных данных и архитектур нейронных сетей, которые имеют много слоев.

Нейронные сети статичны и символичны, они были вдохновлены узлами обработки информации и распределенной связи в синаптических структурах биологических систем, они имеют много отличий от структурных и функциональных свойств биологического мозга, что делает их несовместимыми с неврологическими данными, в то время как биологический мозг большинства живых организмов динамичен (пластичен) и аналогичен.

Как Работает Глубокое Обучение

Нейронные сети-это тип машинного обучения моделей глубокого обучения могут быть определены как нейронные сети с большим числом параметров, и слои в один из четырех основных сетевых архитектур, много глубоких методов обучения с использованием нейронных сетевых архитектур, именно поэтому глубокое изучение модели часто называют глубокие нейронные сети, “глубокий” указывает на количество скрытых слоев в нейронной сети, традиционные нейронные сети содержат только 2-3 скрытых слоев, а глубокие сети аж 150.

Модели глубокого обучения обучаются с использованием больших наборов помеченных данных и архитектур нейронных сетей, которые изучают функции непосредственно из данных без необходимости извлечения функций вручную.Один из самых популярных типов глубоких нейронных сетей известен как сверточные нейронные сети (CNN или ConvNet), CNN работает путем извлечения функций непосредственно из изображений.

Методы глубокого обучения изучаются на основе данных с помощью процедуры обучения общего назначения, они могут изучать иерархии функций с функциями более высоких уровней иерархии, образованной составом функций более низкого уровня, функции обучения на нескольких уровнях абстракции позволяют системе изучать сложные функции, отображающие входные данные на выходные непосредственно из данных, полностью не завися от созданных человеком функций.

Методы глубокого обучения получаются путем составления простых, но нелинейных модулей, каждый из которых преобразует представление на одном уровне (начиная с необработанного ввода) в представление на более высоком, немного более абстрактном уровне, это методы обучения представлению с несколькими уровнями представления, Ключевым аспектом глубокого обучения является то, что эти слои функций не разработаны инженерами-людьми.

Применение глубокого обучения

Глубокое обучение может применяться в промышленной автоматике, он может улучшить безопасность трудящихся вокруг тяжелой техники, автоматически определяя, когда люди или предметы находятся в небезопасном расстоянии от машины, глубокого обучения могут быть использованы в электронике, используется в автоматизированных слуха и речи, перевод, помощь на дому приборы питаются от применения глубокого обучения, они могут реагировать на ваш голос и знать ваши предпочтения.

Глубокое обучение может быть использовано для автоматического обнаружения раковых клеток, команды в Лос-Анджелесе построили усовершенствованный микроскоп, который дает многомерного набора данных, используемых для обучения глубокое обучение приложение для точной идентификации раковых клеток, глубокое обучение используется в голосового управления в потребительских устройствах, таких как телефоны, планшеты, телевизоры, динамики громкой связи.

Глубокое обучение с точностью на высоких уровнях, она дает возможность бытовая электроника для удовлетворения ожиданий пользователя, есть последние достижения в области глубокого обучения, чтобы улучшить его, таким образом, глубокое изучение превосходит людей в некоторых таких задач, как классификация объектов на изображениях, он используется для идентификации объектов из спутников , которые размещают областях, представляющих интерес, и определить безопасный или небезопасный зоны для войск.

Глубокое обучение используется в критически важных для безопасности приложениях, таких как автомобили без водителя, его можно использовать для обнаружения пешеходов и помогает снизить количество несчастных случаев, его можно использовать для автоматического обнаружения объектов, таких как знаки остановки и светофоры.

Технология глубокого обучения требует больших объемов помеченных данных, в то время как для разработки беспилотных автомобилей требуются миллионы изображений и тысячи часов видео, она требует значительных вычислительных мощностей, высокопроизводительные графические процессоры имеют параллельную архитектуру, которая эффективна для глубокого обучения, которая может быть объединена с кластерами или облачными вычислениями.