Menjadi bahagian penting Pembelajaran Mesin, permintaan untuk telah menyaksikan peningkatan yang sangat besar, terutama di kalangan mereka yang berminat untuk membuka kemungkinan AI yang tidak terbatas.Diilhamkan oleh populariti Pembelajaran Dalam yang semakin meningkat, saya terfikir untuk menghasilkan rangkaian blog yang akan mendidik anda mengenai trend baru ini dalam bidang Kecerdasan Buatan dan membantu anda memahami apa sebenarnya. Ini adalah yang pertama dari sekian banyak blog dalam siri yang disebut sebagai - Tutorial Pembelajaran Dalam .
Tutorial Pembelajaran Dalam
Dalam blog Tutorial Pembelajaran Dalam ini, saya akan membimbing anda melalui perkara-perkara berikut, yang akan menjadi asas untuk blog yang akan datang:
- Apa yang membolehkan Pembelajaran Dalam wujud
- Apa itu Pembelajaran Dalam dan bagaimana ia berfungsi?
Anda boleh melalui rakaman Tutorial Pembelajaran Dalam ini di mana pengajar kami telah menerangkan topik secara terperinci dengan contoh yang akan membantu anda memahami konsep ini dengan lebih baik.
Tutorial Pembelajaran Dalam | Rangkaian Neural Pembelajaran Dalam | Edureka
Aplikasi Kecerdasan Buatan & Pembelajaran Dalam
Sekarang fikirkan perkara ini, dan bukannya anda melakukan semua kerja, anda mempunyai mesin untuk menyelesaikannya atau ia boleh melakukan sesuatu yang anda fikir tidak mungkin sama sekali. Contohnya:
 | Meramalkan Masa Depan: Ini dapat membantu kita dalam meramalkan gempa bumi, tsunami, dan lain-lain sebelumnya sehingga langkah pencegahan dapat diambil untuk menyelamatkan banyak nyawa daripada terjerumus ke dalam bencana alam. |
| Bot sembang: Anda semua pasti pernah mendengar tentang Siri, yang merupakan pembantu maya Apple yang dikendalikan oleh suara. Percayalah, dengan bantuan Deep Learning, bantuan maya ini semakin bijak dari hari ke hari. Sebenarnya, Siri dapat menyesuaikan diri mengikut pengguna dan memberikan bantuan peribadi yang lebih baik. |
| Kereta memandu sendiri: Bayangkan, betapa luar biasa bagi orang kurang upaya fizikal dan orang tua yang sukar untuk memandu sendiri. Selain itu, ia akan menyelamatkan berjuta-juta nyawa yang tidak bersalah yang mengalami kemalangan jalan raya setiap tahun kerana kesalahan manusia. |
Doktor Mata AI Google: Ini adalah inisiatif baru-baru ini yang diambil oleh Google di mana mereka bekerjasama dengan Indian Eye Care Chain untuk mengembangkan perisian AI yang dapat memeriksa imbasan retina dan mengenal pasti keadaan yang disebut diabetes retinopati, yang dapat menyebabkan kebutaan. |
| Komposer Muzik AI: Nah, siapa sangka kita boleh memiliki komposer muzik AI menggunakan Deep Learning. Oleh itu, saya tidak akan terkejut mendengar bahawa muzik terbaik seterusnya diberikan oleh mesin. |
| Mesin Membaca Impian: Ini adalah salah satu kegemaran saya, mesin yang dapat menangkap impian anda dalam bentuk video atau sesuatu. Dengan begitu banyak aplikasi AI & Pembelajaran Dalam yang tidak realistik yang kita lihat setakat ini, saya tidak terkejut apabila mengetahui bahawa ini telah dicuba di Jepun beberapa tahun lalu pada tiga subjek ujian dan mereka dapat mencapai ketepatan hampir 60%. Itu adalah sesuatu yang sukar dipercayai, namun benar. |
Saya cukup yakin bahawa beberapa aplikasi AI & Deep Learning dalam kehidupan sebenar ini akan memberi anda masalah. Baiklah, ini menetapkan asas untuk anda dan sekarang, kami bersedia untuk melangkah lebih jauh dalam Tutorial Pembelajaran Dalam ini dan memahami apa itu kecerdasan buatan.
Apa itu Kecerdasan Buatan?
Kecerdasan Buatan tidak lain adalah kemampuan mesin untuk meniru tingkah laku manusia yang cerdas. AI dicapai dengan meniru otak manusia, dengan memahami bagaimana pemikirannya, bagaimana ia belajar, memutuskan, dan bekerja sambil berusaha menyelesaikan masalah.
cara menamatkan kaedah di java
Sebagai contoh: Mesin bermain catur, atau perisian yang diaktifkan suara yang membantu anda dengan pelbagai perkara di iPhone atau sistem Pengenalan plat nombor yang menangkap plat nombor kereta yang terlalu laju dan memprosesnya untuk mengeluarkan nombor pendaftaran dan mengenal pasti pemilik kereta . Semua ini tidak begitu mudah dilaksanakan sebelum ini Pembelajaran Dalam . Sekarang, mari kita fahami pelbagai subkumpulan Kecerdasan Buatan.
Subkumpulan Kecerdasan Buatan
Sampai sekarang, anda pasti sudah banyak mendengar tentang Kecerdasan Buatan, Pembelajaran Mesin dan Pembelajaran Dalam. Namun, adakah anda tahu hubungan antara mereka bertiga? Pada dasarnya, Pembelajaran mendalam adalah sub-bidang Pembelajaran Mesin dan Pembelajaran Mesin adalah sub-bidang Kecerdasan Buatan seperti yang ditunjukkan dalam gambar di bawah:
Apabila kita melihat sesuatu seperti AlphaGo , ia sering digambarkan sebagai kejayaan besar untuk pembelajaran mendalam, tetapi sebenarnya gabungan idea dari beberapa bidang AI dan pembelajaran mesin. Sebenarnya, anda akan terkejut mendengar bahawa idea di sebalik rangkaian neural mendalam bukanlah perkara baru tetapi bermula pada tahun 1950-an. Walau bagaimanapun, menjadi praktikal untuk melaksanakannya kerana kemampuan sumber canggih yang ada sekarang.
Oleh itu, terus maju dalam blog tutorial pembelajaran mendalam ini, mari kita meneroka Pembelajaran Mesin diikuti dengan batasannya.
Apa itu Pembelajaran Mesin?
Pembelajaran Mesin adalah subkumpulan Kecerdasan Buatan yang memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit. Dalam pembelajaran mesin, kita tidak perlu menentukan secara jelas semua langkah atau syarat seperti aplikasi pengaturcaraan lain. Sebaliknya, mesin dilatih menggunakan set data latihan, cukup besar untuk membuat model, yang membantu mesin mengambil keputusan berdasarkan pembelajarannya.
Sebagai contoh: Kami ingin menentukan spesies bunga berdasarkan kelopak dan panjang sepalnya (daun bunga) menggunakan pembelajaran mesin. Lalu, bagaimana kita akan melakukannya?
| Kami akan memasukkan set data bunga yang mengandungi pelbagai ciri bunga yang berbeza bersama spesiesnya masing-masing ke dalam mesin kami seperti yang anda lihat pada gambar di atas. Dengan menggunakan set data input ini, mesin akan membuat dan melatih model yang dapat digunakan untuk mengklasifikasikan bunga ke dalam kategori yang berbeza. |
| Setelah model kami dilatih, kami akan menyampaikan satu set ciri sebagai input kepada model tersebut. |
| Akhirnya, model kami akan mengeluarkan spesies bunga yang terdapat dalam set data input baru. Proses melatih mesin untuk membuat model dan menggunakannya untuk membuat keputusan disebut Pembelajaran Mesin . Bagaimanapun proses ini mempunyai beberapa batasan. |
Batasan Pembelajaran Mesin
Pembelajaran Mesin tidak mampu menangani data dimensi tinggi yang mana input & outputnya cukup besar. Pengendalian dan pemprosesan jenis data menjadi sangat rumit dan lengkap. Ini disebut sebagai Kutukan Dimensi . Untuk memahami perkara ini dengan lebih sederhana, mari kita perhatikan gambar berikut:
menggabungkan susun atur c ++
| Pertimbangkan garis 100 ela dan anda telah menjatuhkan duit syiling di suatu tempat di talian. Sekarang, cukup senang bagi anda untuk mencari duit syiling dengan hanya berjalan di talian. Garis ini adalah entiti dimensi tunggal. |
| Seterusnya, anggap anda mempunyai segi empat sama 100 meter masing-masing seperti yang ditunjukkan dalam gambar di atas dan sekali lagi, anda menjatuhkan duit syiling di suatu tempat di antara keduanya. Sekarang, cukup jelas bahawa anda akan mengambil lebih banyak masa untuk mencari duit syiling di dalam kotak itu berbanding dengan senario sebelumnya. Petak ini adalah entiti 2 dimensi. |
| Mari kita selangkah lebih maju dengan mempertimbangkan kubus sisi 100 meter setiap satu dan anda telah menjatuhkan duit syiling di suatu tempat di antara mereka. Sekarang, lebih sukar untuk mencari duit syiling kali ini. Kiub ini adalah entiti 3 dimensi. |
Oleh itu, anda dapat melihat kerumitan semakin meningkat apabila dimensi semakin meningkat.Dan dalam kehidupan nyata, data dimensi tinggi yang kita bicarakan mempunyai ribuan dimensi yang menjadikannya sangat kompleks untuk dikendalikan dan diproses. Data dimensi tinggi boleh didapati dengan mudah dalam kes penggunaan seperti Pemprosesan imej, NLP, Terjemahan Imej dll.
Pembelajaran mesin tidak dapat menyelesaikan kes penggunaan ini dan oleh itu, pembelajaran mendalam berjaya dilakukan. Pembelajaran mendalam mampu menangani data dimensi tinggi dan juga cekap dalam memfokuskan pada ciri yang betul sendiri. Proses ini dipanggil pengekstrakan ciri. Sekarang, mari maju dalam Tutorial Pembelajaran Dalam ini dan fahami bagaimana pembelajaran mendalam berfungsi.
Bagaimana Pembelajaran Dalam Berfungsi?
Dalam usaha untuk merekayasa semula otak manusia, Pembelajaran Dalam mengkaji unit asas otak yang disebut sel otak atau neuron. Diilhamkan dari neuron, neuron buatan atau perceptron dikembangkan. Sekarang, mari kita fahami fungsi neuron biologi dan bagaimana kita meniru fungsi ini dalam perceptron atau neuron buatan:
Sekiranya kita menumpukan pada struktur neuron biologi, ia mempunyai dendrit yang digunakan untuk menerima input. Input ini dijumlahkan dalam badan sel dan menggunakan Axon ia diserahkan ke neuron biologi seterusnya seperti yang ditunjukkan dalam gambar di atas.
Begitu juga, perceptron menerima pelbagai input, menerapkan pelbagai transformasi dan fungsi dan memberikan output.
Seperti yang kita ketahui bahawa otak kita terdiri daripada beberapa neuron bersambung yang disebut rangkaian neural, kita juga dapat memiliki rangkaian neuron buatan yang disebut perceptron untuk membentuk jaringan saraf dalam. Oleh itu, mari terus maju dalam Tutorial Pembelajaran Dalam ini untuk memahami bagaimana rupa rangkaian neural Deep.
Tutorial Pembelajaran Dalam: Apa itu Pembelajaran Dalam?
- Sebarang rangkaian neural Deep terdiri daripada tiga jenis lapisan:
- Lapisan Input
- Lapisan Tersembunyi
- Lapisan Keluaran
| Dalam rajah di atas, lapisan pertama adalah lapisan input yang menerima semua input dan lapisan terakhir adalah lapisan output yang memberikan output yang diinginkan. |
| Semua lapisan di antara lapisan ini disebut lapisan tersembunyi. Terdapat banyak lapisan tersembunyi berkat sumber daya mewah yang ada sekarang. |
| Bilangan lapisan tersembunyi dan bilangan perceptron pada setiap lapisan bergantung sepenuhnya pada kes penggunaan yang anda cuba selesaikan. |
Sekarang setelah anda mempunyai gambaran mengenai Jaringan Neural Dalam, mari maju dalam Tutorial Pembelajaran Dalam ini untuk mendapatkan pandangan tahap tinggi tentang bagaimana Jaringan Neural Dalam menyelesaikan masalah Pengecaman Imej.
apa itu mvc di java
Penggunaan Pembelajaran Dalam - Kes
Kami ingin melakukan pengecaman Imej menggunakan Jaringan Dalam:
| Di sini, kami menyampaikan data dimensi tinggi ke lapisan input. Untuk mencocokkan dimensi data input, lapisan input akan mengandungi beberapa sub-lapisan perceptron sehingga dapat menggunakan seluruh input. |
| Output yang diterima dari lapisan input akan mengandungi corak dan hanya dapat mengenal pasti tepi gambar berdasarkan tahap kontras. |
| Keluaran ini akan dimasukkan ke lapisan Tersembunyi 1 di mana ia akan dapat mengenal pasti pelbagai ciri wajah seperti mata, hidung, telinga dll. |
| Sekarang, ini akan dimasukkan ke lapisan tersembunyi 2 di mana ia akan dapat membentuk seluruh wajah. Kemudian, output lapisan 2 dihantar ke lapisan output. |
| Akhirnya, lapisan output melakukan klasifikasi berdasarkan hasil yang diperoleh dari sebelumnya dan meramalkan namanya. |
Izinkan saya mengajukan soalan kepada anda, apa yang akan terjadi jika salah satu lapisan ini hilang atau jaringan saraf tidak cukup dalam? Mudah, kita tidak akan dapat mengenal pasti gambar dengan tepat. Inilah sebab mengapa kes penggunaan ini tidak mendapat penyelesaian bertahun-tahun sebelum Pembelajaran Dalam. Untuk lebih jauh lagi, kami akan berusaha menerapkan rangkaian Deep pada set Data MNIST.
Set data Mnist terdiri daripada 60,000 sampel latihan dan 10,000 sampel ujian gambar digit tulisan tangan. Tugas di sini adalah untuk melatih model yang dapat mengenal pasti digit yang ada pada gambar dengan tepat.
- Untuk menyelesaikan kes penggunaan ini, jaringan Deep akan dibuat dengan beberapa lapisan tersembunyi untuk memproses semua 60.000 gambar piksel demi piksel dan akhirnya kita akan menerima lapisan keluaran.
- Lapisan output akan menjadi susunan indeks 0 hingga 9, di mana setiap indeks sesuai dengan digit masing-masing. Indeks 0 mengandungi kebarangkalian untuk 0 menjadi digit yang terdapat pada gambar input.
Begitu juga, indeks 2 yang mempunyai nilai 0.1, sebenarnya mewakili kebarangkalian 2 menjadi digit yang terdapat pada gambar input. Jadi, jika kita melihat kebarangkalian tertinggi dalam tatasusunan ini adalah 0.8 yang terdapat pada indeks 7 array. Oleh itu nombor yang terdapat pada gambar adalah 7.
Kesimpulannya
Jadi kawan-kawan, ini semua mengenai pembelajaran mendalam secara ringkas. Dalam tutorial pembelajaran mendalam ini, kami melihat pelbagai aplikasi pembelajaran mendalam dan memahami hubungannya dengan AI dan Pembelajaran Mesin. Kemudian, kami memahami bagaimana kami dapat menggunakan perceptron atau blok bangunan asas neuron buatan untuk membuat rangkaian saraf dalam yang dapat melakukan tugas yang kompleks seperti itu. Akhirnya, kami melalui salah satu kes penggunaan pembelajaran mendalam di mana kami melakukan pengecaman gambar menggunakan rangkaian neural mendalam dan memahami semua langkah yang berlaku di belakang tabir. Sekarang, di blog seterusnya dari Tutorial Pembelajaran Dalam ini, kita akan belajar bagaimana menerapkan perceptron menggunakan TensorFlow, yang merupakan perpustakaan berasaskan Python untuk Pembelajaran Dalam.
Sekarang setelah anda mengetahui tentang Pembelajaran Dalam, lihat oleh Edureka, sebuah syarikat pembelajaran dalam talian yang dipercayai dengan rangkaian lebih daripada 250,000 pelajar berpuas hati yang tersebar di seluruh dunia. Kursus Latihan Edureka Deep Learning with TensorFlow Certification membantu pelajar menjadi pakar dalam latihan dan mengoptimumkan rangkaian saraf asas dan konvolusional menggunakan projek dan tugasan masa nyata bersama dengan konsep seperti fungsi SoftMax, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).
Ada soalan untuk kami? Sila sebutkan di bahagian komen dan kami akan menghubungi anda.