Deep learning
Wat is het en waarom is het belangrijk
Deep learning is een subset van machine learning dat een computer traint om menselijke taken uit te voeren, zoals spraakherkenning, beeldidentificatie en het doen van voorspellingen. Het verbetert het vermogen om te classificeren, herkennen, detecteren en beschrijven, met behulp van gegevens. De huidige belangstelling voor deep learning is deels te danken aan alle belangstelling voor kunstmatige intelligentie (AI).
Denk aan alledaagse systemen zoals Siri en Cortana: Deze worden deels aangestuurd door deep learning.
Hoe werkt deep learning
Deep learning verandert hoe u denkt over het representeren van de problemen die u oplost. Met deep learning traint data de computer, door middel van diepgaande algoritmen, om zelfstandig te leren door middel van patroonherkenning. Als u nog nooit van deep learning hebt gehoord, vraagt u zich misschien af hoe dit allemaal werkt.
Laten we zeggen dat u een tool maakt die peterselie van koriander onderscheidt. Twee totaal verschillende kruiden. Met machine learning moet u de tool vertellen welke kenmerken kunnen worden onderscheiden. In dit geval het soort blad. Maar met deep learning worden de functies al onderscheiden door neurale netwerken. Dit gebeurt allemaal via een geautomatiseerd leerproces zonder toezicht.
De belofte van deep learning is dat het kan leiden tot voorspellende systemen die goed generaliseren, zich goed aanpassen en voortdurend verbeteren naarmate nieuwe gegevens binnenkomen.
Deep learning ter bescherming van diersoorten
Hoe 'ziet' een computer een afbeelding? Jared Peterson, Senior Manager van SAS Advanced Analytics R&D, laat zien hoe deep learning neurale netwerken de wetenschap achter computer vision vormt.
In dit deep learning-voorbeeld leert het computerprogramma sporen van een dier te interpreteren om te helpen bij de bescherming ervan.
De evolutie van deep learning
In de loop der jaren zijn de mens/machine-interfaces sterk geëvolueerd. De muis en het toetsenbord worden vervangen door gebaren, vegen, aanraken en spraak, en dat zorgt voor een hernieuwde belangstelling voor AI en deep learning.
Verschillende ontwikkelingen bevorderen nu deep learning:
- Analytische verbeteringen hebben de prestaties van deep learning-methoden opgevoerd.
- Nieuwe machine learning-benaderingen hebben de nauwkeurigheid van deep learning-modellen verbeterd.
- Er zijn nieuwe klassen van neurale netwerken ontwikkeld die zeer geschikt zijn voor toepassingen zoals tekstvertaling en beeldclassificatie.
- Er zijn veel meer gegevens beschikbaar om neurale netwerken met veel diepe lagen te bouwen, waaronder streamingsgegevens van het Internet of Things, tekstuele gegevens van sociale media, aantekeningen van artsen en onderzoekstranscripties.
- Dankzij de vooruitgang op het gebied van gedistribueerde cloudcomputing en grafische verwerkingseenheden hebben we ongelooflijke rekenkracht tot onze beschikking. Dit niveau van rekenkracht is nodig om diepe algoritmen te trainen door middel van deep learning.
Deep learning-mogelijkheden en -toepassingen
Er is veel rekenkracht nodig om deep learning-problemen op te lossen vanwege het iteratieve karakter van deep learning-algoritmen, de complexiteit ervan naarmate het aantal lagen toeneemt en de grote hoeveelheden gegevens die nodig zijn om de netwerken te trainen.
Het vermogen van deep learning-methoden om zich voortdurend te verbeteren en aan te passen aan veranderingen in het onderliggende informatiepatroon, biedt een kans om meer dynamisch gedrag in te voeren in gegevensanalyse.
Een van die mogelijkheden is de betere personalisering van klantenanalyses. Een voorbeeld hiervan is uw favoriete streamingdienst die een aangepaste lijst samenstelt van programma's die u leuk zou kunnen vinden op basis van uw eerdere kijkgeschiedenis.
Hoewel deep learning-technieken momenteel vooral worden gebruikt in toepassingen van cognitive computing, is er ook een groot potentieel voor meer traditionele toepassingen van gegevensanalyse, Denk bijvoorbeeld aan tijdreeksanalyse.
Een andere manier waarop deep learning kan worden toegepast, is om bestaande analytische operaties simpelweg efficiënter en gestroomlijnder te maken. Onlangs heeft SAS geëxperimenteerd met diepe neurale netwerken bij spraak-naar-tekst transcriptieproblemen. In vergelijking met de standaardtechnieken daalde het woordfoutenpercentage met meer dan 10% wanneer diepe neurale netwerken werden toegepast. Neurale netwerken elimineerden ook zo'n 10 stappen van gegevensvoorverwerking, feature engineering en modellering. De indrukwekkende prestatiewinst en de tijdsbesparing betekenen een paradigmaverschuiving.
Deep learning in de wereld van vandaag
De impact van deep learning is aanzienlijk - en dit is nog maar het begin.
Deep learning met SAS en Python
DLPy is een open source-pakket dat gegevenswetenschappers kunnen downloaden om SAS deep learning-algoritmen toe te passen op beeld-, tekst- en audiogegevens. Het is ontworpen om problemen met computer vision, natuurlijke taalverwerking, voorspelling en spraakverwerking op te lossen.
Hoe SAS® deep learning gebruikt
Deze stapsgewijze gids vergelijkt meerdere neurale netwerkmodellen en legt uit hoe ze gebruikt kunnen worden. Het geeft een inleiding tot deep learning-technieken en -toepassingen, en hoe SAS de creatie van diepe neurale netwerkmodellen ondersteunt.
Hoe kunt u deep learning gebruiken voor het inbedden van afbeeldingen
Inbeddingsmodellen worden gebruikt om de dimensionaliteit van invoergegevens, zoals beelden, te verminderen. Wanneer een inbeddingsmodel wordt gebruikt, worden invoerbeelden omgezet in laagdimensionale vectoren die gemakkelijker kunnen worden gebruikt voor andere computervisietaken. De sleutel tot een goede inbedding is het model zo te trainen dat gelijksoortige beelden in gelijksoortige vectoren worden omgezet.
Hoe werkt deep learning
Deep learning verandert hoe u denkt over het representeren van de problemen die u oplost met analyse. Het verschuift van het vertellen van de computer hoe hij een probleem moet oplossen naar het trainen van de computer om het probleem zelf op te lossen.
Feature representatie
Deep learning is een paradigmaverschuiving in modelbouw die verschuift van feature engineering naar feature representatie.
Deep learning-lagen
In plaats van bekende variabelen te gebruiken om onbekende factoren te voorspellen, kijkt deep learning naar lagen van de gegevens om latente kenmerken van de gegevens te herkennen.
Deep learning-resultaten
De belofte van deep learning is dat het kan leiden tot voorspellende systemen die goed generaliseren, zich goed aanpassen en voortdurend verbeteren naarmate nieuwe gegevens binnenkomen. U hoeft niet meer in een model te passen. U traint simpelweg de taak.
Een traditionele aanpak van analyses gebruikt de beschikbare gegevens om kenmerken te ontwikkelen om nieuwe variabelen af te leiden, selecteert vervolgens een analysemodel en schat ten slotte de parameters (of de onbekenden) van dat model. Deze technieken kunnen voorspellende systemen opleveren die niet goed generaliseren, omdat de volledigheid en juistheid afhangen van de kwaliteit van het model en zijn kenmerken. Als u bijvoorbeeld een fraudemodel ontwikkelt met feature engineering, begint u met een reeks variabelen, en leidt u hoogstwaarschijnlijk een model af uit die variabelen met behulp van gegevenstransformaties. Het is mogelijk dat u uiteindelijk 30.000 variabelen hebt waarvan uw model afhangt, en dan moet u het model vormgeven, uitzoeken welke variabelen zinvol zijn en welke niet, enzovoort. En als u meer gegevens toevoegt, moet u dit weer helemaal opnieuw doen.
De nieuwe aanpak met deep learning bestaat erin de formulering en specificatie van het model te vervangen door hiërarchische karakteriseringen (of lagen) die leren latente kenmerken van de gegevens te herkennen uit de regelmatigheden in de lagen.
Advanced Analytics van SAS
Deep learning is slechts één techniek in de toolkit van de gegevenswetenschapper. Leer meer over andere geavanceerde analysetechnieken, waaronder voorspellingen, tekstanalyse en optimalisatie.
Aanbevolen leesstof
-
Article
Exploring the sun with big dataResearchers working for NASA are using automatic, exploratory and visual analysis of big data to help understand the mysteries of our universe.
-
Article
Stopping the Zika virus: The potential of big data, analyticsHow do you stop global outbreaks? The answer may be in the data about the disease and how it spreads.
-
Article
Introduction to machine learning: Five things the quants wish we knewMachine learning is gaining momentum thanks to bigger, more complex data sets. How does it work? Kimberly Nevala from SAS Best Practices explains what it is by focusing on what it isn't.