Tutorial d'aprenentatge profund: intel·ligència artificial mitjançant l'aprenentatge profund

Aquest bloc sobre l'aprenentatge d'aprenentatge profund us ajudarà a entendre tot sobre l'aprenentatge profund i la seva relació amb l'aprenentatge automàtic i la intel·ligència artificial.

Sent un subconjunt important de Machine Learning, la demanda de ha vist un augment immens, especialment entre els interessats en desbloquejar les possibilitats il·limitades de la IA.Inspirat per la creixent popularitat de l’aprenentatge profund, vaig pensar en crear una sèrie de blocs que us informaran sobre aquesta nova tendència en el camp de la intel·ligència artificial i us ajudaran a entendre de què es tracta. Aquest és el primer dels molts blocs de la sèrie anomenat com - Tutorial d'aprenentatge profund .



El tutorial d’aprenentatge profund

En aquest bloc d'aprenentatge profund d'aprenentatge, us explicaré les següents coses, que serviran de fonaments per als propers blocs:



  • Allò que va permetre l’aprenentatge profund
  • Què és l'aprenentatge profund i com funciona?

Podeu consultar aquest enregistrament de Deep Learning Tutorial on el nostre instructor ha explicat els temes de manera detallada amb exemples que us ajudaran a entendre millor aquest concepte.

Tutorial d 'aprenentatge profund Xarxes neuronals d'aprenentatge profund | Edureka

Aplicacions de la intel·ligència artificial i aprenentatge profund

Ara penseu en això, en lloc de fer tota la vostra feina, teniu una màquina per acabar-la o pot fer alguna cosa que creieu que no era possible. Per exemple:



Predicció de futur - Tutorial d

Predicció del futur: Ens pot ajudar a predir terratrèmols, tsunamis, etc. prèviament, de manera que es puguin prendre mesures preventives per salvar moltes vides de caure a les urpes de les calamitats naturals.

Chat-bots: Tots vostès haurien sentit a parlar de Siri, que és l’assistent virtual de control de veu d’Apple. Creieu-me, amb l'ajut de Deep Learning, aquesta ajuda virtual es fa més intel·ligent dia a dia. De fet, Siri pot adaptar-se segons l’usuari i proporcionar una millor assistència personalitzada.
Cotxes autònoms: Imagineu-vos que increïble seria per a persones amb discapacitat física i persones grans que tenen dificultats per conduir sols. A part d'això, salvarà milions de vides innocents que cada any es troben amb accidents de trànsit a causa d'un error humà.

Google Eye Eye: És una iniciativa recent de Google, que treballa amb una cadena Indian Eye Care Chain per desenvolupar un programari d’intel·ligència artificial que pugui examinar les exploracions de la retina i identificar una afecció anomenada retinopatia diabètica, que pot causar ceguesa.

Compositor de música AI: Bé, qui va pensar que podríem tenir un compositor de música d’IA amb Deep Learning. Per tant, no m’estranyaria escoltar que la següent millor música la dóna una màquina.
Una màquina de llegir somnis: Aquest és un dels meus favorits, una màquina que pot capturar els teus somnis en forma de vídeo o alguna cosa així. Amb tantes aplicacions poc realistes d’IA i aprenentatge profund que hem vist fins ara, no em va sorprendre saber que això es va intentar al Japó fa uns anys amb tres subjectes de prova i van ser capaços d’aconseguir prop d’un 60% de precisió. Això és una cosa bastant increïble, però cert.


Estic bastant segur que algunes d’aquestes aplicacions reals de la IA i l’aprenentatge profund us haurien donat la pell de gallina. Molt bé, això us marca la base i, ara, estem preparats per continuar endavant en aquest tutorial d’aprenentatge profund i entendre què és la intel·ligència artificial.



Què és la intel·ligència artificial?

La intel·ligència artificial no és res més que la capacitat d’una màquina d’imitar el comportament humà intel·ligent. La IA s’aconsegueix imitant un cervell humà, comprenent com pensa, com aprèn, decideix i treballa mentre s’intenta resoldre un problema.

Per exemple: Una màquina que juga a escacs o un programari activat per veu que us ajuda amb diverses coses del vostre iPhone o un sistema de reconeixement de matrícules que captura la matrícula d’un cotxe que excedeix la velocitat i el processa per extreure el número de matrícula i identificar el propietari del cotxe. . Tot això no era molt fàcil d’implementar abans Aprenentatge profund . Ara, entenem els diversos subconjunts d’Intel·ligència Artificial.

Subconjunts d'Intel·ligència Artificial

Fins ara, hauríeu sentit a parlar molt de la intel·ligència artificial, l’aprenentatge automàtic i l’aprenentatge profund. Tanmateix, coneixeu la relació entre tots tres? Bàsicament, l'aprenentatge profund és un sub-camp de l'aprenentatge automàtic i l'aprenentatge automàtic és un sub-camp de la intel·ligència artificial tal com es mostra a la imatge següent:

Quan mirem alguna cosa així AlphaGo , sovint es presenta com un gran èxit per a l’aprenentatge profund, però en realitat és una combinació d’idees de diversos camps de la IA i l’aprenentatge automàtic. De fet, us sorprendrà saber que la idea que hi ha darrere de les xarxes neuronals profundes no és nova, sinó que es remunta als anys cinquanta. No obstant això, es va fer possible implementar-lo pràcticament a causa de la capacitat de recursos de gamma alta disponible actualment.

Per tant, avançant en aquest bloc de tutorial d’aprenentatge profund, explorem l’aprenentatge automàtic seguit de les seves limitacions.

Què és l'aprenentatge automàtic?

L’aprenentatge automàtic és un subconjunt d’Intel·ligència Artificial que proporciona als ordinadors la capacitat d’aprendre sense haver-se programat explícitament. En l’aprenentatge automàtic, no hem de definir explícitament tots els passos o condicions com qualsevol altra aplicació de programació. Per contra, la màquina s’entren en un conjunt de dades d’entrenament, prou gran per crear un model, que ajuda la màquina a prendre decisions en funció del seu aprenentatge.

Per exemple: Volem determinar l’espècie d’una flor en funció de la seva longitud de pètals i sèpals (fulles d’una flor) mitjançant l’aprenentatge automàtic. Llavors, com ho farem?

Introduirem a la nostra màquina el conjunt de dades de flors que conté diverses característiques de diferents flors juntament amb les seves respectives espècies, tal com es pot veure a la imatge anterior. Mitjançant aquest conjunt de dades d’entrada, la màquina crearà i entrenarà un model que es podrà utilitzar per classificar les flors en diferents categories.
Un cop entrenat el nostre model, transmetrem un conjunt de característiques com a aportació al model.
Finalment, el nostre model produirà les espècies de la flor presents en el nou conjunt de dades d’entrada. Es denomina aquest procés d’entrenament d’una màquina per crear un model i utilitzar-lo per a la presa de decisions Aprenentatge automàtic . No obstant això, aquest procés té algunes limitacions.

Limitacions de l'aprenentatge automàtic

L’aprenentatge automàtic no és capaç de manejar dades d’alta dimensió, on l’entrada i la sortida són bastant grans. La manipulació i el processament d’aquest tipus de dades esdevé molt complex i exhaustiu. Això es denomina així Maledicció de Dimensionalitat . Per entendre-ho en termes més senzills, considerem la imatge següent:

Penseu en una línia de 100 iardes i heu caigut una moneda en algun lloc de la línia. Ara, és molt convenient que trobeu la moneda simplement caminant per la línia. Aquesta mateixa línia és una entitat monodimensional.
A continuació, considereu que teniu un quadrat de costat de 100 iardes cadascun com es mostra a la imatge anterior i, una vegada més, heu deixat caure una moneda en algun lloc intermedi. Ara, és bastant evident que trigareu més temps a trobar la moneda dins d’aquesta casella en comparació amb l’escenari anterior. Aquest quadrat és una entitat bidimensional.
Fem un pas endavant tenint en compte un cub de costat de 100 iardes cadascun i ha deixat caure una moneda en algun lloc intermedi. Ara, encara és més difícil trobar la moneda aquesta vegada. Aquest cub és una entitat tridimensional.

Per tant, podeu observar que la complexitat augmenta a mesura que augmenten les dimensions.I, a la vida real, les dades d’alta dimensió de què parlàvem tenen milers de dimensions que fan que sigui molt complex de manejar i processar. Les dades d’alta dimensió es poden trobar fàcilment en casos d’ús com ara Processament d’imatges, PNL, Traducció d’imatges, etc.

L'aprenentatge automàtic no era capaç de resoldre aquests casos d'ús i, per tant, l'aprenentatge profund es va salvar. L’aprenentatge profund és capaç de manejar les dades d’alta dimensió i també és eficaç per centrar-se en les funcions adequades. Aquest procés s’anomena extracció de característiques. Ara, anem endavant en aquest tutorial d’aprenentatge profund i entenem com funciona l’aprenentatge profund.

Com funciona l'aprenentatge profund?

En un intent de reenginyeria d’un cervell humà, Deep Learning estudia la unitat bàsica d’un cervell anomenada cèl·lula cerebral o neurona. Inspirat a partir d’una neurona es va desenvolupar una neurona artificial o un perceptró. Ara, entenem la funcionalitat de les neurones biològiques i com imitem aquesta funcionalitat al perceptró o a una neurona artificial:

  • Si ens centrem en l’estructura d’una neurona biològica, té dendrites que s’utilitzen per rebre entrades. Aquestes entrades es sumen al cos cel·lular i mitjançant l'axó es transmet a la següent neurona biològica tal com es mostra a la imatge anterior.

  • De la mateixa manera, un perceptron rep diverses entrades, aplica diverses transformacions i funcions i proporciona una sortida.

  • Com sabem que el nostre cervell consisteix en múltiples neurones connectades anomenades xarxa neuronal, també podem tenir una xarxa de neurones artificials anomenades perceptrons per formar una xarxa neuronal profunda. Per tant, anem endavant en aquest tutorial d’aprenentatge profund per entendre l’aspecte d’una xarxa neuronal profunda.

Tutorial d'aprenentatge profund: què és l'aprenentatge profund?

  • Qualsevol xarxa neuronal profunda constarà de tres tipus de capes:
    • La capa d’entrada
    • La capa oculta
    • La capa de sortida
Al diagrama anterior, la primera capa és la capa d'entrada que rep totes les entrades i l'última capa és la capa de sortida que proporciona la sortida desitjada.
Totes les capes que hi ha entre aquestes capes s’anomenen capes ocultes. No hi pot haver n nombre de capes ocultes gràcies als recursos de gamma alta disponibles en aquests dies.
El nombre de capes amagades i el nombre de perceptrons de cada capa dependran completament del cas d’ús que intenteu resoldre.

Ara que teniu una imatge d'unes xarxes neuronals profundes, anem endavant en aquest tutorial d'aprenentatge profund per obtenir una visió d'alt nivell de com les xarxes neuronals profundes resolen un problema de reconeixement d'imatges.

Ús d’aprenentatge profund: cas

Volem realitzar el reconeixement d’imatges mitjançant Deep Networks:

Aquí, passem les dades d’alta dimensió a la capa d’entrada. Per fer coincidir la dimensionalitat de les dades d’entrada, la capa d’entrada contindrà diverses sub-capes de perceptrons perquè pugui consumir tota l’entrada.
La sortida rebuda de la capa d'entrada contindrà patrons i només podrà identificar les vores de les imatges en funció dels nivells de contrast.
Aquesta sortida s’alimentarà a la capa oculta 1 on podrà identificar diverses característiques facials com ulls, nas, orelles, etc.
Ara, això s'alimentarà a la capa oculta 2, on podrà formar totes les cares. A continuació, la sortida de la capa 2 s'envia a la capa de sortida.
Finalment, la capa de sortida realitza la classificació en funció del resultat obtingut de l’anterior i prediu el nom.

Deixeu-me fer-vos una pregunta: què passarà si falta alguna d’aquestes capes o la xarxa neuronal no és prou profunda? Senzill, no podrem identificar amb precisió les imatges. Aquesta és la mateixa raó per la qual aquests casos d’ús no van tenir una solució durant tots aquests anys anteriors al Deep Learning. Només per anar més lluny, intentarem aplicar xarxes profundes en un conjunt de dades MNIST.

navegador db per revisar sqlite
  • El conjunt de dades Mnist consta de 60.000 mostres de formació i 10.000 mostres de proves d’imatges de dígits manuscrits. La tasca aquí és formar un model que pugui identificar amb precisió el dígit present a la imatge.

  • Per resoldre aquest cas d'ús, es crearà una xarxa profunda amb diverses capes ocultes per processar totes les 60.000 imatges píxel per píxel i, finalment, rebrem una capa de sortida.
  • La capa de sortida serà una matriu d'índex 0 a 9, on cada índex correspon al dígit respectiu. L'índex 0 conté la probabilitat que 0 sigui el dígit present a la imatge d'entrada.
  • De la mateixa manera, l’índex 2 que té un valor de 0,1 representa en realitat la probabilitat que 2 sigui el dígit present a la imatge d’entrada. Per tant, si veiem que la probabilitat més alta en aquesta matriu és de 0,8, que es troba a l’índex 7 de la matriu. Per tant, el nombre present a la imatge és 7.

Conclusió

Així que nois, tot es tractava d’un aprenentatge profund en poques paraules. En aquest tutorial d’aprenentatge profund, hem vist diverses aplicacions d’aprenentatge profund i hem entès la seva relació amb la IA i l’aprenentatge automàtic. Llavors, vam entendre com podem utilitzar el perceptron o una neurona artificial bàsica per crear blocs neuronals profunds que puguin realitzar tasques complexes com aquestes. Per fi, vam passar per un dels casos d’ús de l’aprenentatge profund on vam realitzar el reconeixement d’imatges mitjançant xarxes neuronals profundes i vam entendre tots els passos que passen darrere de l’escena. Ara, al proper bloc d’aquesta sèrie de Deep Learning Tutorial, aprendrem a implementar un perceptron mitjançant TensorFlow, que és una biblioteca basada en Python per a Deep Learning.

Ara que ja coneixeu l'aprenentatge profund, consulteu el per Edureka, una empresa d'aprenentatge en línia de confiança amb una xarxa de més de 250.000 estudiants satisfets repartits per tot el món. El curs Edureka Deep Learning with TensorFlow Certification Training ajuda els estudiants a convertir-se en experts en formació i optimització de xarxes neuronals bàsiques i convolucionals mitjançant projectes i assignacions en temps real, juntament amb conceptes com la funció SoftMax, les xarxes neuronals de codificador automàtic, la màquina restringida de Boltzmann (RBM).

Tens alguna pregunta? Esmenta’l a la secció de comentaris i et respondrem.