Deep Learning Tutorial: Kunstig intelligens ved hjælp af Deep Learning

Denne blog på Deep Learning Tutorial hjælper dig med at forstå alt om Deep Learning og dets forhold til Machine Learning og Artificial Intelligence.

At være en vigtig delmængde af Machine Learning, efterspørgslen efter har set en enorm stigning, især blandt dem, der er interesserede i at frigøre de ubegrænsede muligheder for AI.Inspireret af Deep Learning's voksende popularitet tænkte jeg på at komme med en række blogs, der vil uddanne dig om denne nye tendens inden for kunstig intelligens og hjælpe dig med at forstå, hvad det handler om. Dette er den første af de mange blogs i serien, der kaldes - Deep Learning Tutorial .



Deep Learning Tutorial

I denne Deep Learning Tutorial-blog vil jeg tage dig gennem følgende ting, som vil tjene som grundlæggende for de kommende blogs:



  • Hvad fik Deep Learning til at eksistere
  • Hvad er Deep Learning og hvordan det fungerer?

Du kan muligvis gennemgå denne optagelse af Deep Learning Tutorial, hvor vores instruktør har forklaret emnerne detaljeret med eksempler, der hjælper dig med at forstå dette koncept bedre.

Deep Learning Tutorial | Deep Learning Neural Networks | Edureka

Anvendelser af kunstig intelligens og dyb læring

Tænk nu over dette, i stedet for at du gør alt dit arbejde, har du en maskine til at afslutte den for dig, eller den kan gøre noget, som du overhovedet ikke troede var muligt. For eksempel:



Forudsigelse af fremtiden - Deep Learning Tutorial - Edureka

Forudsigelse af fremtiden: Det kan hjælpe os med at forudsige jordskælv, tsunamier osv. På forhånd, så forebyggende foranstaltninger kan træffes for at redde mange liv fra at falde i kløerne til naturlige katastrofer.

Chat-bots: Alle ville have hørt om Siri, som er Apples stemmestyrede virtuelle assistent. Tro mig, ved hjælp af Deep Learning bliver denne virtuelle hjælp smartere dag for dag. Faktisk kan Siri tilpasse sig efter brugeren og yde bedre personlig hjælp.
Selvkørende biler: Forestil dig, hvor utroligt det ville være for fysisk handicappede og ældre mennesker, der har svært ved at køre alene. Bortset fra dette vil det redde millioner af uskyldige liv, der hvert år møder trafikulykker på grund af menneskelige fejl.

Google AI Eye Doctor: Det er et nyligt initiativ taget af Google, hvor de arbejder med en indisk øjenplejekæde for at udvikle en AI-software, der kan undersøge nethindescanninger og identificere en tilstand kaldet diabetisk retinopati, som kan forårsage blindhed.

AI Music Composer: Hvem troede, vi kunne have en AI-musik komponist ved hjælp af Deep Learning. Derfor ville jeg ikke blive overrasket over at høre, at den næstbedste musik er givet af en maskine.
En drømmelæsemaskine: Dette er en af ​​mine favoritter, en maskine, der kan fange dine drømme i form af video eller noget. Med så mange ikke-realistiske anvendelser af AI & Deep Learning, vi har set hidtil, var jeg ikke overrasket over at finde ud af, at dette blev prøvet i Japan for få år tilbage på tre testpersoner, og de var i stand til at opnå tæt på 60% nøjagtighed. Det er noget helt utroligt, men alligevel sandt.


Jeg er ret sikker på, at nogle af disse applikationer fra AI og Deep Learning i virkeligheden ville have givet dig gåsehud. Okay, dette sætter basen for dig, og nu er vi klar til at gå videre i denne Deep Learning Tutorial og forstå, hvad der er kunstig intelligens.



Hvad er kunstig intelligens?

Kunstig intelligens er intet andet end maskinens evne til at efterligne intelligent menneskelig adfærd. AI opnås ved at efterligne en menneskelig hjerne ved at forstå, hvordan den tænker, hvordan den lærer, beslutter og arbejder, mens man prøver at løse et problem.

For eksempel: En maskine, der spiller skak, eller en stemmeaktiveret software, der hjælper dig med forskellige ting på din iPhone eller et nummerpladegenkendelsessystem, der fanger nummerpladen til en bil, der kører for hurtigt, og behandler det for at udtrække registreringsnummeret og identificere ejeren af ​​bilen . Alle disse var ikke så lette at implementere før Dyb læring . Lad os nu forstå de forskellige undergrupper af kunstig intelligens.

opsætning af hadoop på ubuntu

Delsæt af kunstig intelligens

Indtil nu ville du have hørt meget om kunstig intelligens, maskinindlæring og dyb læring. Men kender du forholdet mellem dem alle tre? Dybest læring er grundlæggende et underfelt af maskinlæring og maskinindlæring er et underfelt af kunstig intelligens som vist på billedet nedenfor:

Når vi ser på noget lignende AlphaGo , bliver det ofte portrætteret som en stor succes for dyb læring, men det er faktisk en kombination af ideer fra flere forskellige områder af AI og maskinindlæring. Faktisk ville du blive overrasket over at høre, at ideen bag dybe neurale netværk ikke er ny, men går tilbage til 1950'erne. Imidlertid blev det praktisk muligt at implementere det på grund af den avancerede ressourcekapacitet, der er tilgængelig i dag.

Så fortsæt i denne dyb lærings tutorial blog, lad os udforske Machine Learning efterfulgt af dens begrænsninger.

Hvad er maskinlæring?

Machine Learning er en delmængde af kunstig intelligens, der giver computere mulighed for at lære uden at være eksplicit programmeret. I maskinindlæring behøver vi ikke udtrykkeligt definere alle trin eller betingelser som andre programmeringsapplikationer. Tværtimod bliver maskinen uddannet i et træningsdatasæt, der er stort nok til at skabe en model, der hjælper maskinen med at tage beslutninger baseret på dens læring.

For eksempel: Vi ønsker at bestemme arten af ​​en blomst baseret på dens kronblad og sepal længde (blade af en blomst) ved hjælp af maskinindlæring. Hvordan skal vi så gøre det?

Vi indfører blomsterdatasættet, der indeholder forskellige karakteristika for forskellige blomster sammen med deres respektive arter, i vores maskine, som du kan se i ovenstående billede. Ved hjælp af dette inputdatasæt opretter og træner maskinen en model, der kan bruges til at klassificere blomster i forskellige kategorier.
Når vores model er trænet, videregiver vi et sæt egenskaber som input til modellen.
Endelig vil vores model sende arten af ​​blomsten til stede i det nye inputdatasæt. Denne proces med at træne en maskine til at oprette en model og bruge den til beslutningstagning kaldes Maskinelæring . Denne proces har dog nogle begrænsninger.

Begrænsninger ved maskinindlæring

Machine Learning er ikke i stand til at håndtere højdimensionelle data, det er her input & output er ret stort. Håndtering og behandling af en sådan type data bliver meget kompleks og ressourceudtømmende. Dette betegnes som Dimensionalitets forbandelse . For at forstå dette i enklere termer, lad os overveje følgende billede:

Overvej en linje på 100 yards, og du har tabt en mønt et eller andet sted på linjen. Nu er det ret praktisk for dig at finde mønten ved blot at gå på linjen. Netop denne linje er en enkelt dimensionel enhed.
Overvej derefter, at du har en firkant på hver side på 100 yards som vist i ovenstående billede, og endnu en gang tabte du en mønt et sted imellem. Nu er det ganske tydeligt, at du tager mere tid på at finde mønten inden for den firkant sammenlignet med det foregående scenario. Denne firkant er en 2-dimensionel enhed.
Lad os tage det et skridt foran ved at overveje en terning på side 100 yards hver, og du har tabt en mønt et sted imellem. Nu er det endnu sværere at finde mønten denne gang. Denne terning er en 3-dimensionel enhed.

Derfor kan du observere kompleksiteten stiger, når dimensionerne stiger.Og i det virkelige liv har de højdimensionelle data, som vi talte om, tusinder af dimensioner, der gør det meget komplekst at håndtere og behandle. De højdimensionelle data kan let findes i brugstilfælde som billedbehandling, NLP, billedoversættelse osv.

hvad er apache gnist vs hadoop

Maskinindlæring var ikke i stand til at løse disse brugssager, og derfor kom dyb læring til undsætning. Deep learning er i stand til at håndtere de højdimensionelle data og er også effektiv til at fokusere på de rigtige funktioner alene. Denne proces kaldes ekstraktion af funktioner. Lad os nu gå videre i denne Deep Learning Tutorial og forstå, hvordan deep learning fungerer.

Hvordan dyb læring fungerer?

I et forsøg på at omformulere en menneskelig hjerne studerer Deep Learning den grundlæggende enhed i en hjerne kaldet en hjernecelle eller en neuron. Inspireret fra en neuron blev en kunstig neuron eller en perceptron udviklet. Lad os nu forstå funktionaliteten af ​​biologiske neuroner, og hvordan vi efterligner denne funktionalitet i perceptronen eller en kunstig neuron:

  • Hvis vi fokuserer på strukturen af ​​en biologisk neuron, har den dendritter, som bruges til at modtage input. Disse input summeres i cellelegemet, og ved hjælp af Axon sendes det videre til den næste biologiske neuron som vist i ovenstående billede.

  • Tilsvarende modtager en perceptron flere indgange, anvender forskellige transformationer og funktioner og giver en output.

    brug python i visual studio
  • Da vi ved, at vores hjerne består af flere forbundne neuroner kaldet neuralt netværk, kan vi også have et netværk af kunstige neuroner kaldet perceptroner til dannelse af et dybt neuralt netværk. Så lad os gå videre i denne Deep Learning Tutorial for at forstå, hvordan et Deep neuralt netværk ser ud.

Deep Learning Tutorial: Hvad er Deep Learning?

  • Ethvert dybt neuralt netværk vil bestå af tre typer lag:
    • Input Layer
    • Det skjulte lag
    • Outputlaget
I ovenstående diagram er det første lag det inputlag, der modtager alle input, og det sidste lag er det outputlag, der giver det ønskede output.
Alle lag mellem disse lag kaldes skjulte lag. Der kan være et antal skjulte lag takket være de avancerede ressourcer, der er tilgængelige i disse dage.
Antallet af skjulte lag og antallet af perceptroner i hvert lag afhænger helt af den brugssag, du prøver at løse.

Nu hvor du har et billede af et Deep Neural Networks, lad os gå videre i denne Deep Learning Tutorial for at få et højt niveau overblik over, hvordan Deep Neural Networks løser et problem med billedgenkendelse.

Deep Learning Use - Case

Vi ønsker at udføre billedgenkendelse ved hjælp af Deep Networks:

Her sender vi de højdimensionelle data til inputlaget. For at matche dimensionaliteten af ​​inputdataene vil inputlaget indeholde flere underlag af perceptrons, så det kan forbruge hele input.
Outputtet, der modtages fra inputlaget, indeholder mønstre og vil kun være i stand til at identificere kanterne på billederne baseret på kontrastniveauerne.
Denne output vil blive ført til det skjulte lag 1, hvor det vil være i stand til at identificere forskellige ansigtsfunktioner som øjne, næse, ører osv.
Nu føres dette til det skjulte lag 2, hvor det er i stand til at danne hele ansigterne. Derefter sendes output fra lag 2 til outputlaget.
Endelig udfører outputlaget klassificering baseret på resultatet opnået fra det foregående og forudsiger navnet.

Lad mig stille dig et spørgsmål. Hvad vil der ske, hvis nogle af disse lag mangler, eller det neurale netværk ikke er dybt nok? Enkelt, vi kan ikke identificere billederne nøjagtigt. Dette er netop grunden til, at disse brugssager ikke havde en løsning alle disse år før Deep Learning. Bare for at tage dette videre, vil vi forsøge at anvende dybe netværk på et MNIST-datasæt.

  • Mnist-datasættet består af 60.000 træningseksempler og 10.000 testeksempler på håndskrevne cifferbilleder. Opgaven her er at træne en model, der nøjagtigt kan identificere det ciffer, der findes på billedet.

  • For at løse dette brugssag oprettes der et dybt netværk med flere skjulte lag for at behandle alle de 60.000 billeder pixel for pixel, og til sidst modtager vi et outputlag.
  • Outputlaget vil være en matrix med indeks 0 til 9, hvor hvert indeks svarer til det respektive ciffer. Indeks 0 indeholder sandsynligheden for, at 0 er det ciffer, der findes på inputbilledet.
  • På samme måde repræsenterer indeks 2, som har en værdi på 0,1, sandsynligheden for, at 2 er det ciffer, der findes på inputbilledet. Så hvis vi ser den højeste sandsynlighed i denne matrix er 0,8, som er til stede i indeks 7 i matrixen. Derfor er antallet til stede på billedet 7.

Konklusion

Så fyre, dette handlede om dyb læring i en nøddeskal. I denne tutorial om dyb læring så vi forskellige anvendelser af dyb læring og forstod dets forhold til AI og maskinindlæring. Derefter forstod vi, hvordan vi kan bruge perceptron eller en kunstig neuron grundlæggende byggesten til at skabe dybt neuralt netværk, der kan udføre komplekse opgaver såsom. Endelig gik vi igennem en af ​​use-cases af dyb læring, hvor vi udførte billedgenkendelse ved hjælp af dybe neurale netværk og forstod alle de trin, der sker bag scenen. Nu, i den næste blog i denne Deep Learning Tutorial-serie, vil vi lære at implementere en perceptron ved hjælp af TensorFlow, som er et Python-baseret bibliotek til Deep Learning.

Nu hvor du kender til dyb læring, skal du tjekke af Edureka, et pålideligt online læringsfirma med et netværk på mere end 250.000 tilfredse elever spredt over hele kloden. Edureka Deep Learning with TensorFlow-certificeringskursus hjælper eleverne med at blive ekspert i træning og optimering af grundlæggende og konvolutionelle neurale netværk ved hjælp af realtidsprojekter og opgaver sammen med koncepter som SoftMax-funktion, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).

Har du et spørgsmål til os? Nævn det i kommentarfeltet, så vender vi tilbage til dig.