Wat Dir braucht iwwer d'Entwécklung vun der kënschtlecher Intelligenz ze wëssen
Deep Learning ass eng mächteg Form vu Maschinn (ML), déi komplex mathematesch Strukture genannt neuresch Netzwierker bitt mat ville Quantitéiten vun Donnéeë (Informatioun).
Deep Learning Definitioun
Deep Learning ass e Wee fir de ML mat verschidde Schichten vun neuréisen Netze fir méi komplex Datentypen ze verwierklechen. Heiansdo hei hierarchesch Léierverständnis, déif Léierpersonal benotzt verschidden Arten vun neuréisen Netzwierker ze léieren (och genannt Representatioune) a fënns se an grousse Sets vun roude, onmarkéierter Donnéeën (onstrukturéiert Donnéeën). Eent vun den éischten Duerchbréch Demonstratiounen vum Deep Learning war e Programm, deen Biller vu Këschte vu YouTube-Videoe mat Erfolleg erausgeholl huet.
Deep Learning Examples am Daily Life
Deep Learning ass net nëmmen an der Bilderkennung benotzt, mee och d'Iwwersetzungssäit, d'Fraudekennung an d'Analyse vun Daten, déi vu Firmen iwwer hir Clienten gesammelt ginn. Zum Beispill benotzt Netflix Deep Learning, fir Är Besoinungsgewunne analyséieren ze kënnen a virgitt vir datt déi Shows an Filmer Dir Iech léiwer kuckt. Dat ass wéi Netflix weess datt Aktiounen Filmer an Natur Dokumentarfilter an Ärer Suggestioun Wart gemaach. D'Amazon benotzen intensiv Léierin fir Är rezent Käschten an Artikelen ze analyséieren déi Dir viru kuerzem gesicht huet fir Suggestioune fir déi nei Landmusikalbumen ze generéieren déi Dir wahrscheinlech interesséiert an datt Dir am Maart fir e puer graue Giel-Tennis Schong. Well Tau vu Léierprozess méi a méi Insight aus onstrukturéierter a rohen Daten erliewt, kënnen d'Kapitalméiglechkeeten d'Bedierfnesser vun hire Clienten besser antizipéieren, während Dir den individuellen Client méi personaliséiert Client Service kritt.
Kënschtlech Neural Networks an Deep Learning
Fir méi ze léieren méi einfach ze verstoen, lass eis iwwerschreiden eis Verglach vun engem künstlechen neural Netz (ANN). Fir d'Luucht ze liesen, sech virstellen, datt e 15-städtesche Bürogebai en Stadblock mat fënnef anere Bürogebäicher ass. Et ginn dräi Gebaier op all Säit vun der Strooss. Eist Gebai baut en A an deelt d'selwescht Säit vun der Strooss wéi d'Gebaier B a C. D'Strooss vum Gebai A baut op d'Strooss 1, a iwwer d'Buedem B befënnt 2 a sou weider. All Gebai huet eng aner Zuel vu Buedem, gëtt aus verschiddene Materialien an huet en aner Architekturstil vun deenen aneren. All Gebai ass awer ëmmer an getrennten Buedem (Schichten) vun Büroe (Knuewel) opgebaut - all Schoul ass eng eenzegaarteg ANN.
Stellt Iech vir, datt e Digital Package beim Bau vun A kommt, deen vill verschidde Informatiounsquellen aus verschiddene Quellen, wéi z. B. Text-baséiert Daten, Video Streams, Audio Streams, Telefonsgespréicher, Radiowellen a Fotografien, ass net gekennzeechent a sortéiert an all logesch (net gebonnege Donnéen). D'Informatioun gëtt duerch all Stack an d'Richtung vun 1 bis 15 Joer fir d'Veraarbechtung geschéckt. No der Informatiounsversammlung erreecht de 15. Stack (Output), gëtt et an d'1. Stack (Input) vum Gebai 3 an den vergaangene Veraarbechtungsergebnis vum Bau A. geschéckt. 3 léiert de a Resultat vum Bau A a dann verännert d'Informatioun duerch all Stack an der selwechter Aart. Wann d'Informatioun op déi iewescht Stack vum Bauen 3 erreecht gëtt, gëtt se vun do ausgeschafft mat deem Resultat vum Gebai zum Bauen 1. D'Baut 1 léiert a bënnt d'Resultater vum Bau 3 prioritär ze veraarbechen, ier se de Buedem ze verdeelen. Baut 1 féiert d'Informatioun an d'Resultater op déi selwecht Manéier fir den C zu bauen, déi préziséiert a schécke ze bauen 2, déi Prozesse a baut op B.
All ANN (Gebai) an eisem Beispill sicht no enger anerer Funktioun an den netstrukturéierte Donnéeën (jugéieren vun Informatioun) a féiert d'Resultater an déi nächst Gebai. Den nächste Gebai entstinn (léiert) d'Ausgab (Resultater) vun der virdru. Wéi d'Daten duerch all ANN (Bauen) veraarbecht ginn, gëtt se organiséiert a markéiert (klasséiert) vun engem spezielle Feature, fir datt wann d'Donnéeën den Endausgang (Top Floor) vum leschte ANN (Gebai) erreecht hunn, ass se klasséiert a markéiert (méi strukturéiert).
Kënschtlech Intelligenz, Maschinn Léieren a Deep Deep Learning
Wéi verdeelt déif Léier mat dem Gesamtbild vun der kënschtlecher Intelligenz (AI) an dem ML passen? Deep Learning erhöht d'Muecht vu ML a vergréissert d'Band vun den Aufgaben AI ass fäeg ze maachen. Well Tiefschoul op d'Benotze vun neuresch Netphen an Erkennung vun Features innerhalb Datensätze anstatt méi einfach Taskspezifesch Algorithmen erméiglecht , kann et Detailer vun onstrukturéierten (rohe) Daten fannen a benotzen ouni de Programméierer ze benotzen fir et fir d'éischt ze manuell ze markéieren -consomméiert Aufgab, déi Fehlleit virstellen kann. Deep Learning hëlleft Computeren besser a besser mat Daten ze benotzen fir zwee Firmen a Leit ze hëllefen.