Uczenie głębokie
Teoria i praktyka
Uczenie głębokie to podzbiór uczenia maszynowego, który szkoli komputer do wykonywania zadań podobnych do ludzkich, takich jak rozpoznawanie mowy, identyfikacja obrazu i tworzenie prognoz. Poprawia ono zdolność klasyfikowania, rozpoznawania, wykrywania i opisywania przy użyciu danych. Obecne zainteresowanie uczeniem głębokim jest częściowo spowodowane szumem wokół sztucznej inteligencji (AI).
Pomyśl o systemach codziennego użytku, takich jak Siri, Cortana lub ChatGPT. Są one częściowo zasilane przez uczenie głębokie.
Jak działa uczenie głębokie
Uczenie głębokie zmienia sposób myślenia o reprezentowaniu problemów, które rozwiązujesz. Dzięki deep learning, dane trenują komputer, za pomocą zaawansowanych algorytmów, do samodzielnego uczenia się poprzez rozpoznawanie wzorców przy użyciu warstw przetwarzania. Jeśli jesteś kimś, kto nigdy nie słyszał o uczeniu głębokim, zastanawiasz się, jak to wszystko działa.
Załóżmy, że tworzysz narzędzie, które odróżnia pietruszkę od kolendry. Dwa zupełnie różne zioła. W przypadku uczenia maszynowego musisz powiedzieć narzędziu, które cechy można rozróżnić. W tym przypadku będzie to typ liścia. Ale w przypadku uczenia głębokiego te funkcje są już wyróżnione przez sieci neuronowe. Wszystko to odbywa się poprzez zautomatyzowany i nienadzorowany proces uczenia się.
Uczenia głębokie pozwala tworzyć systemy predykcyjne, które dobrze generalizują, dobrze się dostosowują i stale ulepszają w miarę napływu nowych danych.
Uczenie głębokie wspiera ochronę przyrody
Jak komputer "widzi" obraz? Jared Peterson, starszy menedżer SAS Advanced Analytics R&D, pokazuje, w jaki sposób sieci neuronowe uczenia głębokiego wspierają rozwój wizji komputerowej.
W tym zastosowaniu uczenia głębokiego program komputerowy uczy się interpretować ślady zwierząt, aby pomóc w ich ochronie.
Ewolucja uczenia głębokiego
Na przestrzeni lat interfejsy człowiek-maszyna znacznie się rozwinęły. Mysz i klawiatura są zastępowane gestami, przesunięciami, dotykiem i mową, co zapoczątkowuje ponowne zainteresowanie sztuczną inteligencją i uczeniem głębokim.
Kilka rozwiązań rozwija obecnie uczenie głębokie:
- Innowacje analityczne zwiększyły wydajność metod uczenia głębokiego.
- Nowe podejście do uczenia maszynowego poprawiło dokładność modeli uczenia głębokiego.
- Opracowano nowe klasy sieci neuronowych, które dobrze nadają się do zastosowań takich jak tłumaczenie tekstu i klasyfikacja obrazów.
- Dostępnych jest znacznie więcej danych do budowy sieci neuronowych z wieloma głębokimi warstwami, w tym dane strumieniowe z Internetu rzeczy, dane tekstowe z mediów społecznościowych, notatki lekarskie i transkrypcje śledcze.
- Rozwój w zakresie rozproszonych chmur obliczeniowych i procesorów graficznych zapewnił dostęp do ogromnej mocy obliczeniowej. Taki poziom mocy obliczeniowej jest niezbędny do trenowania algorytmów uczenia głębokiego.
Możliwości i zastosowania uczenia głębokiego
Ze względu na iteracyjną naturę algorytmów uczenia głębokiego, ich złożoność wraz ze wzrostem liczby warstw oraz duże ilości danych potrzebnych do wytrenowania sieci, do rozwiązania problemów związanych z uczeniem głębokim potrzebna jest duża moc obliczeniowa.
Zdolność metod uczenia głębokiego do ciągłego doskonalenia i dostosowywania się do zmian w podstawowym wzorcu informacji stanowi okazję do wprowadzenia bardziej dynamicznego zachowania do analizy danych.
Jedną z tych możliwości jest większa personalizacja analiz klientów. Przykładem może być Twoja ulubiona usługa streamingowa, która tworzy spersonalizowaną listę programów, które mogą Ci się spodobać na podstawie Twojej wcześniejszej historii oglądania.
Podczas gdy obecnie techniki uczenia głębokiego koncentrują się na zastosowaniach obliczeń kognitywnych, istnieje również ogromny potencjał w bardziej tradycyjnych zastosowaniach analizy danych. Na przykład analiza szeregów czasowych.
Innym sposobem zastosowania uczenia głębokiego jest po prostu zwiększenie wydajności i usprawnienie istniejących operacji analitycznych. Niedawno SAS eksperymentował z głębokimi sieciami neuronowymi w problemach związanych z transkrypcją mowy na tekst. W porównaniu ze standardowymi technikami, wskaźnik błędów w słowach spadł o ponad 10%, gdy zastosowano głębokie sieci neuronowe. Sieci neuronowe wyeliminowały również około 10 etapów wstępnego przetwarzania danych, inżynierii cech i modelowania. Imponujący wzrost wydajności i oszczędność czasu oznaczają zmianę paradygmatu.
Uczenie głębokie w dzisiejszym świecie
Wpływ uczenia głębokiego jest znaczący - i dopiero się zaczyna.
Uczenie głębokie i sieci GAN: Jak są ze sobą powiązane
Generatywna sieć przeciwstawna (GAN) to rodzaj algorytmu uczenia maszynowego. Sieci GAN pomagają naukowcom zajmującym się danymi tworzyć syntetyczne dane dla modeli uczenia głębokiego wymagających dużej ilości danych. Jest to ważne, ponieważ wykorzystanie danych syntetycznych pozwala na tworzenie modeli deep learning, które wcześniej nie były możliwe.
Dowiedz się, jak SAS wykorzystuje deep learning
Ten przewodnik krok po kroku porównuje wiele modeli sieci neuronowych i wyjaśnia, jak z nich korzystać. Zapoznasz się z technikami i aplikacjami uczenia głębokiego oraz dowiesz się, w jaki sposób SAS wspiera tworzenie modeli głębokich sieci neuronowych.
Jak używać głębokiego uczenia do analizy obrazów?
Modele zmniejszają wymiarowość danych wejściowych, takich jak obrazy. Dzięki modelowi osadzania obrazy wejściowe są konwertowane na wektory niskowymiarowe - dzięki czemu są łatwiejsze do wykorzystania w innych zadaniach widzenia komputerowego. Kluczem jest wytrenowanie modelu tak, aby podobne obrazy były konwertowane na podobne wektory.
Jak działa uczenie głębokie
Uczenie głębokie zmienia sposób podejścia do problemów, które rozwiązujesz za pomocą analityki. Przechodzi od mówienia komputerowi, jak rozwiązać problem, do szkolenia komputera w kierunku samodzielnego rozwiązania problemu.
Reprezentacja funkcji
Uczenie głębokie to zmiana paradygmatu w budowaniu modeli, która polega na przejściu od inżynierii cech do ich reprezentacji.
Warstwy uczenia głębokiego
Zamiast wykorzystywać znane zmienne do przewidywania niewiadomych, uczenie głębokie wykorzystuje warstwy danych do rozpoznawania ukrytych cech danych.
Wyniki uczenia głębokiego
Uczenia głębokie pozwala tworzyć systemy predykcyjne, które dobrze generalizują, dobrze się dostosowują i stale ulepszają w miarę napływu nowych danych. Teraz nie dopasowujesz modelu do zadania. Zamiast tego trenujesz go poprzez zadanie.
Tradycyjne podejście do analityki polega na wykorzystaniu dostępnych danych do zaprojektowania funkcji w celu uzyskania nowych zmiennych, a następnie wybraniu modelu analitycznego i oszacowaniu parametrów (lub niewiadomych) tego modelu. Techniki te mogą prowadzić do powstania systemów predykcyjnych, które nie generalizują dobrze, ponieważ kompletność i poprawność zależą od jakości modelu i jego cech. Na przykład, jeśli opracowujesz model oszustwa za pomocą inżynierii funkcji, zaczynasz od zestawu zmiennych i najprawdopodobniej wyprowadzasz model z tych zmiennych za pomocą transformacji danych. Możesz skończyć z 30 000 zmiennych, od których zależy twój model, a następnie musisz dopracować model, dowiedzieć się, które zmienne są znaczące, a które nie, i tak dalej. Dodanie większej ilości danych wymaga wykonania wszystkich czynności od nowa.
Nowe podejście do uczenia głębokiego polega na zastąpieniu sformułowania i specyfikacji modelu hierarchicznymi charakterystykami (lub warstwami), które uczą się rozpoznawać ukryte cechy danych na podstawie regularności w warstwach.
Zaawansowana analityka SAS
Uczenie głębokie to tylko jedna z technik w zestawie narzędzi specjalistów data science. Poznaj inne zaawansowane techniki analityczne, w tym prognozowanie, analizę tekstu i optymalizację.
Zalecane lektury
-
Artykuł
5 ways to measure beehive health with analytics and hive-streaming dataThis analytical approach to understanding bee hive health can automatically alert beekeepers to changes in hive weights, temperatures, flight activity and more.
-
Badanie
Nerd in the herd: protecting elephants with data scienceA passionate SAS data scientist uses machine learning to detect tuberculosis in elephants. Find out how her research can help prevent the spread of the disease.
-
Artykuł
5 machine learning mistakes and how to avoid themMachine learning is not magic. It presents many of the same challenges as other analytics methods. Learn how to overcome those challenges and incorporate new techniques into your analytics strategy.