Apa itu Pembelajaran Dalam? Bermula dengan Pembelajaran Dalam

Apa itu Pembelajaran Dalam?

Dalam blog ini, saya akan bercakap mengenai Apa itu Pembelajaran Dalam yang menjadi bualan hangat saat ini dan telah meletakkan akarnya dalam sebilangan besar industri yang melabur dalam bidang seperti Artificial Intelligence, Big Data dan Analytics. Sebagai contoh, Google menggunakan pembelajaran mendalam dalam algoritma pengecaman suara dan imejnya sedangkan Netflix dan Amazon menggunakannya untuk memahami tingkah laku pelanggan mereka. Sebenarnya, anda tidak akan mempercayainya, tetapi penyelidik di MIT berusaha meramalkan masa depan menggunakan pembelajaran mendalam.Sekarang, bayangkan seberapa besar potensi pembelajaran mendalam dalam merevolusi dunia dan bagaimana syarikat akan mencari .Sebelum membincangkan pembelajaran mendalam, seseorang mesti memahami hubungannya dengan Pembelajaran Mesin dan Kecerdasan Buatan. Cara termudah untuk memahami hubungan ini adalah dengan melalui rajah di bawah:

rajah: Apa itu Pembelajaran Dalam - Garis Masa Teknologi AI

Di sini, dalam gambar anda dapat melihat bahawa Pembelajaran Mesin adalah subset AI. Ini menunjukkan hakikat bahawa kita dapat membina mesin pintar yang dapat belajar berdasarkan set data yang disediakan sendiri. Selanjutnya anda akan perhatikan bahawa Pembelajaran Dalam adalah subkumpulan Pembelajaran Mesin di mana Algoritma Pembelajaran Mesin yang serupa digunakan untuk melatih Jaringan Neural Dalam sehingga dapat mencapai ketepatan yang lebih baik dalam kes-kes di mana yang sebelumnya tidak menunjukkan prestasi yang tinggi. FoBerikut adalah topik yang akan saya bincangkan dalam tutorial pembelajaran mendalam ini:

• Kecerdasan Buatan
• Pembelajaran Mesin
• Kelemahan ML
• Apa itu Pembelajaran Dalam?
• Aplikasi Pembelajaran Dalam

Dapatkan Sijil Dengan Projek Peringkat Industri & Jejak Kerjaya Anda dengan pantas

Kecerdasan Buatan

rajah: Apa itu Pembelajaran Dalam - Kecerdasan Buatan

Istilah AI diciptakan pada tahun 1956 oleh John McCarthy, yang juga disebut sebagai Bapa Kecerdasan Buatan. Idea di sebalik AI cukup mudah namun menarik, iaitu membuat mesin pintar yang dapat membuat keputusan sendiri. Anda mungkin menganggapnya sebagai fantasi sains, tetapi berkenaan dengan perkembangan terkini dalam teknologi dan kuasa pengkomputeran, idea itu nampaknya semakin hampir dengan kenyataan dari hari ke hari.

Pembelajaran Mesin: Langkah Ke Arah Kecerdasan Buatan

Sekarang, bahawa anda sudah biasa dengan AI, mari kita bincangkan secara ringkas mengenai Pembelajaran Mesin dan memahami maksudnya apabila kita mengatakan bahawa kita memprogram mesin untuk belajar. Mari kita mulakan dengan definisi Machine Learning yang sangat terkenal:

'Program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa tugas T dan beberapa ukuran kinerja P, jika prestasinya pada T, seperti yang diukur oleh P, meningkat dengan pengalaman E.' - Tom Mitchell, Universiti Carnegie Mellon

Oleh itu, jika anda mahu program anda meramalkan, corak lalu lintas di persimpangan yang sibuk (tugas T), anda boleh menjalankannya melalui algoritma pembelajaran mesin dengan data mengenai corak lalu lintas masa lalu (pengalaman E). Sekarang, ketepatan ramalan (ukuran prestasi P) akan bergantung pada fakta bahawa sama ada program berjaya belajar dari set data atau tidak (pengalaman E).

Pada dasarnya, Pembelajaran Mesin disebut sebagai sejenis kecerdasan buatan (AI) yang memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit dengan mendedahkan mereka kepada sejumlah besar data. Prinsip teras di sebalik Pembelajaran Mesin adalah belajar dari set data dan cuba mengurangkan ralat atau memaksimumkan kemungkinan ramalan mereka benar.

apa itu pojo di java

Kelemahan Pembelajaran Mesin

• Algoritma ML tradisional tidak berguna semasa bekerja dengan data dimensi tinggi, di situlah kita mempunyai sebilangan besar input dan output. Sebagai contoh, sekiranya terdapat pengecaman tulisan tangan, kita mempunyai banyak input di mana kita akan mempunyai pelbagai jenis input yang berkaitan dengan jenis tulisan tangan yang berbeza.

• Cabaran utama kedua adalah memberitahu komputer apa ciri yang harus dicari yang akan memainkan peranan penting dalam meramalkan hasilnya dan juga untuk mencapai ketepatan yang lebih baik semasa melakukannya. Proses ini disebut sebagai pengekstrakan ciri .

Memberi data mentah kepada algoritma jarang berlaku dan inilah sebab mengapa pengekstrakan ciri merupakan bahagian penting dalam aliran kerja pembelajaran mesin tradisional. Oleh itu, tanpa pengekstrakan ciri, cabaran untuk pengaturcara meningkat kerana keberkesanan algoritma sangat bergantung pada seberapa mendalam pengaturcara. Oleh itu, sangat sukar untuk menerapkan model atau algoritma Pembelajaran Mesin ini untuk masalah yang kompleks seperti pengecaman objek, pengenalan tulisan tangan, NLP (Pemprosesan Bahasa Asli), dll.

apa yang berjaga-jaga dalam javascript

Pembelajaran Dalam

Pembelajaran mendalam adalah satu-satunya kaedah di mana kita dapat mengatasi cabaran pengekstrakan ciri. Ini kerana model pembelajaran mendalam mampu belajar untuk memusatkan perhatian pada ciri yang betul dengan sendirinya, memerlukan sedikit panduan daripada pengaturcara. Pada dasarnya, pembelajaran mendalam meniru cara otak kita berfungsi iaitu belajar dari pengalaman. Seperti yang anda ketahui, otak kita terdiri daripada berbilion-bilion neuron yang memungkinkan kita melakukan perkara-perkara luar biasa. Bahkan otak kanak-kanak berusia satu tahun dapat menyelesaikan masalah kompleks yang sangat sukar untuk diselesaikan walaupun menggunakan komputer super. Sebagai contoh:

• Kenali wajah ibu bapa mereka dan objek yang berbeza juga.
• Membezakan suara yang berbeza dan bahkan dapat mengenali orang tertentu berdasarkan suaranya.
• Buat kesimpulan dari gerakan wajah orang lain dan banyak lagi.

Sebenarnya, otak kita secara sedar telah melatih dirinya untuk melakukan perkara-perkara seperti itu selama bertahun-tahun. Sekarang, persoalannya datang, bagaimana pembelajaran mendalam meniru fungsi otak? Nah, pembelajaran mendalam menggunakan konsep neuron buatan yang berfungsi dengan cara yang serupa dengan neuron biologi yang terdapat di otak kita. Oleh itu, kita dapat mengatakan bahawa Pembelajaran Dalam adalah sub-bidang mesin belajar mementingkan algoritma yang diilhami oleh struktur dan fungsi otak yang disebut rangkaian saraf tiruan.

Sekarang, mari kita ambil contoh untuk memahaminya. Anggaplah kita ingin membuat sistem yang dapat mengenali wajah orang yang berbeza dalam satu gambar.Sekiranya kita menyelesaikannya sebagai masalah pembelajaran mesin yang biasa, kita akan menentukan ciri-ciri wajah seperti mata, hidung, telinga dan lain-lain dan kemudian, sistem akan mengenal pasti ciri-ciri mana yang lebih penting bagi orang yang bersendirian.

Sekarang, pembelajaran mendalam mengambil langkah ini. Pembelajaran mendalam secara automatik mengetahui ciri-ciri yang penting untuk klasifikasi kerana rangkaian saraf dalam, sedangkan dalam Pembelajaran Mesin, kita harus menentukan ciri-ciri ini secara manual.

rajah: Pengecaman Wajah menggunakan Jaringan Dalam

Seperti yang ditunjukkan dalam gambar di atas Deep Learning berfungsi seperti berikut:

• Pada tahap terendah, rangkaian menetapkan corak kontras tempatan yang penting.
• Lapisan berikut kemudian dapat menggunakan corak kontras tempatan untuk memperbaiki perkara yang menyerupai mata, hidung, dan mulut
• Akhirnya, lapisan atas dapat menerapkan ciri wajah tersebut pada templat wajah.
• Rangkaian saraf yang mendalam mampu menyusun ciri-ciri yang lebih dan lebih kompleks di setiap lapisan berturut-turut.

Pernahkah anda terfikir bagaimana Facebook melabel atau memberi tag secara automatik kepada semua orang yang hadir dalam gambar yang dimuat naik oleh anda? Nah, Facebook menggunakan Pembelajaran Dalam dengan cara yang serupa seperti yang dinyatakan dalam contoh di atas. Sekarang, anda akan menyedari kemampuan Pembelajaran Dalam dan bagaimana ia dapat mengatasi Pembelajaran Mesin dalam kes-kes di mana kita mempunyai sedikit idea tentang semua ciri yang dapat mempengaruhi hasilnya. Oleh itu, Jaringan dalam dapat mengatasi kelemahan Pembelajaran Mesin dengan menarik kesimpulan dari kumpulan data yang terdiri daripada data input tanpa pelabelan yang tepat.

Apa itu Pembelajaran Dalam | Pembelajaran Dalam Dipermudahkan | Edureka

Aplikasi Pembelajaran Dalam

Melangkah ke depan dalam blog pembelajaran mendalam ini, mari kita lihat beberapa aplikasi kehidupan dalam Pembelajaran Dalam untuk memahami kekuatan sebenarnya.

• Pengenalan suara

Anda semua pasti pernah mendengar tentang Siri, yang merupakan pembantu pintar Apple yang dikendalikan oleh suara. Seperti syarikat gergasi besar lain, Apple juga mula melabur dalam Deep Learning untuk menjadikan perkhidmatannya lebih baik daripada sebelumnya.

Dalam bidang pengecaman pertuturan dan pembantu pintar yang dikendalikan oleh suara seperti Siri, seseorang dapat mengembangkan model akustik yang lebih tepat menggunakan rangkaian neural dalam dan saat ini merupakan salah satu bidang yang paling aktif untuk pelaksanaan pembelajaran mendalam. Dengan kata mudah, anda boleh membina sistem yang dapat mempelajari ciri-ciri baru atau menyesuaikan diri mengikut anda dan oleh itu, memberikan bantuan yang lebih baik dengan meramalkan semua kemungkinan terlebih dahulu.

• Terjemahan Mesin Automatik

Kita semua tahu bahawa Google dapat menterjemahkan antara 100 bahasa manusia dengan serta-merta, terlalu cepat seolah-olah dengan sihir. Teknologi di sebalik Terjemahan Google dipanggil Terjemahan Mesin dan telah menjadi penyelamat bagi orang yang tidak dapat berkomunikasi antara satu sama lain kerana perbezaan bahasa pertuturannya. Sekarang, anda akan berfikir bahawa ciri ini sudah lama wujud, jadi, apa yang baru dalam ini? Izinkan saya memberitahu anda bahawa sejak dua tahun kebelakangan ini, dengan bantuan pembelajaran mendalam, Google telah mengubah sepenuhnya pendekatan terjemahan mesin dalam Terjemahan Google-nya. Sebenarnya, penyelidik pembelajaran mendalam yang hampir tidak tahu apa-apa mengenai terjemahan bahasa mengemukakan penyelesaian pembelajaran mesin yang agak mudah yang mengalahkan sistem terjemahan bahasa yang dibina oleh pakar terbaik di dunia. Terjemahan teks dapat dilakukan tanpa pra-pemprosesan urutan, yang memungkinkan algoritma mempelajari pergantungan antara kata-kata dan pemetaannya ke bahasa baru. Rangkaian jaringan neural berulang besar yang bertumpuk digunakan untuk melakukan terjemahan ini.

• Terjemahan Visual Segera

Seperti yang anda ketahui, pembelajaran mendalam digunakan untuk mengenal pasti gambar yang mempunyai huruf dan di mana huruf berada di tempat kejadian. Setelah dikenal pasti, teks tersebut dapat diubah menjadi teks, diterjemahkan dan gambar dibuat semula dengan teks yang diterjemahkan. Ini sering disebut terjemahan visual segera .

Sekarang, bayangkan situasi di mana anda pernah mengunjungi negara lain yang bahasa ibunya tidak diketahui oleh anda. Tidak perlu risau, dengan menggunakan pelbagai aplikasi seperti Google Translate, anda boleh terus maju dan melakukan terjemahan visual segera untuk membaca papan tanda atau papan tulis yang ditulis dalam bahasa lain. Ini hanya mungkin berlaku kerana Pembelajaran Dalam.

Catatan: Anda boleh terus maju dan memuat turun Aplikasi Terjemahan Google dan melihat terjemahan visual segera yang menakjubkan menggunakan gambar di atas.

• Kelakuan: Kereta Diri Automatik

Google berusaha untuk mengambil inisiatif kereta memandu sendiri mereka, yang dikenali sebagai WAYMO, ke tahap kesempurnaan baru dengan menggunakan Pembelajaran Dalam. Oleh itu, daripada menggunakan algoritma kod tangan lama, mereka kini dapat memprogram sistem yang dapat belajar sendiri menggunakan data yang disediakan oleh sensor yang berbeza. Pembelajaran mendalam kini merupakan pendekatan terbaik untuk kebanyakan tugas persepsi, dan juga banyak tugas kawalan tingkat rendah. Oleh itu, sekarang juga orang yang tidak tahu memandu atau kurang upaya, boleh terus dan menunggang tanpa bergantung kepada orang lain.

java apa itu token

Di sini, saya hanya menyebut beberapa kes penggunaan kehidupan nyata yang terkenal di mana Pembelajaran Dalam digunakan secara meluas dan menunjukkan hasil yang menjanjikan. Terdapat banyak aplikasi pembelajaran mendalam bersama dengan banyak bidang yang masih belum diterokai.

Jadi, ini semua mengenai pembelajaran mendalam secara ringkas. Saya yakin bahawa sekarang, anda sudah dapat mengetahui perbezaan antara Pembelajaran Mesin dan Pembelajaran Dalam serta bagaimana Pembelajaran Dalam dapat sangat berguna untuk pelbagai aplikasi kehidupan nyata. Sekarang, di blog saya yang seterusnya dalam siri tutorial pembelajaran mendalam ini, kita akan menyelami pelbagai konsep dan algoritma Pembelajaran Dalam dan penerapannya secara terperinci.

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.