Introduction au Deep Learning

Le Deep Learning est l'une des techniques d'apprentissage automatique par lesquelles nous enseignons / formons les ordinateurs à faire ce que font les humains. Par exemple, conduire une voiture - l'apprentissage en profondeur joue un rôle clé dans la technologie des voitures sans conducteur en leur permettant d'identifier différents panneaux de signalisation, panneaux routiers, panneaux pour piétons, etc. Les autres domaines clés de l'apprentissage en profondeur sont la commande vocale dans les systèmes domestiques, les téléphones portables et les haut-parleurs sans fil., Alexa, téléviseurs intelligents, etc. L'apprentissage en profondeur pour les débutants concerne principalement plusieurs niveaux d'abstraction et de représentation par lesquels le modèle informatique apprend à effectuer la classification des images, des sons et du texte, etc. Les modèles d'apprentissage en profondeur atteignent une meilleure précision et de meilleures performances que les humains dans certains modèles. . En général, ces modèles informatiques sont formés par un grand ensemble de données qui sont étiquetées et non étiquetées pour identifier les objets et les réseaux de neurones qui ont plusieurs couches dans chaque réseau.

Qu'est-ce que le Deep learning?

J'expliquerai ce qu'est l'apprentissage profond en terme profane comme ci-dessous: En général, nous ferons deux tâches tout le temps consciemment ou inconsciemment, c'est-à-dire catégoriser ce que nous avons ressenti par nos sens (comme se sentir chaud, tasse froide, etc.) Et la prédiction, par exemple, prédit la température future sur la base des données de température précédentes. Nous effectuons des tâches de catégorisation et de prédiction pour plusieurs événements ou tâches dans notre vie quotidienne, comme ci-dessous:

  • Tenir une tasse de thé / eau / café, etc. qui peut être chaude ou froide.
  • Catégorisation des e-mails tels que spam / non spam.
  • Catégorisation de la lumière du jour comme le jour ou la nuit.
  • La planification à long terme de l'avenir en fonction de notre position actuelle et des choses que nous avons - est appelée prédiction.
  • Chaque créature dans le monde effectuera ces tâches dans sa vie, par exemple, considérer que les animaux comme le corbeau classeront un endroit pour construire son nid ou non, une abeille décidera de certains facteurs quand et où obtenir du miel, la chauve-souris viendra pendant la nuit et dort le matin en fonction de la catégorisation du jour et de la nuit.

Visualisons la catégorisation et la prédiction de ces tâches et elles se ressembleront comme dans l'image ci-dessous. Pour la catégorisation, nous faisons la catégorisation entre les chats et les chiens en traçant une ligne à travers les points de données et en cas de prédiction, nous dessinons une ligne à travers les points de données pour prévoir quand il augmentera et diminuera.

1) Catégorisation

  • En général, pour classer entre les chats et les chiens, ou les hommes et les femmes, nous ne dessinons pas de ligne dans notre cerveau et la position des chiens et des chats est arbitraire à des fins d'illustration uniquement et il est inutile de dire la façon dont nous catégorisons entre les chats et chiens dans notre cerveau est beaucoup plus complexe que de tracer une ligne rouge comme ci-dessus.
  • Nous classerons entre deux choses en fonction des formes, de la taille, de la hauteur, de l'apparence, etc. et parfois il sera difficile de les catégoriser avec ces caractéristiques telles qu'un petit chien furieux et un chat nouveau-né, donc ce n'est pas une catégorisation claire chez les chats et les chiens.
  • Une fois que nous sommes en mesure de classer les chats et les chiens lorsque nous sommes enfants, nous pouvons ensuite catégoriser n'importe quel chien ou chat même si nous ne l'avons pas vu auparavant.

2) Prédiction

  • Pour la prédiction basée sur la ligne, nous tirons à travers les points de données, si nous sommes en mesure de prédire où il est le plus susceptible d'aller vers le haut ou vers le bas.
  • La courbe est également une prédiction de l'ajustement de nouveaux points de données dans la plage de points de données existants, c'est-à-dire à quelle distance le nouveau point de données de la courbe.
  • Les points de données qui sont en rouge dans l'image ci-dessus (côté droit) sont des exemples à la fois dans et au-delà de la plage de points de données existants et la courbe tente de prédire les deux.

Enfin, la catégorisation et la prévision des tâches se terminent à un point similaire, à savoir tracer une ligne sinueuse à partir des points de données. Si nous sommes en mesure de former le modèle informatique pour dessiner la ligne sinueuse en fonction des points de données que nous avons terminés, nous pouvons l'étendre pour l'appliquer dans différents modèles tels que dessiner une ligne sinueuse dans des plans tridimensionnels et ainsi de suite. La chose ci-dessus peut être réalisée en entraînant un modèle avec une grande quantité de données étiquetées et non étiquetées qui est appelé apprentissage en profondeur.

Exemples d'apprentissage en profondeur:

Comme nous le savons, l'apprentissage en profondeur et l'apprentissage automatique sont des sous-ensembles de l'intelligence artificielle, mais la technologie d'apprentissage en profondeur représente la prochaine évolution de l'apprentissage automatique. Comme l'apprentissage automatique fonctionnera sur la base d'algorithmes et de programmes développés par les humains, tandis que l'apprentissage en profondeur apprend à travers un modèle de réseau neuronal qui agit comme un être humain et permet à la machine ou à l'ordinateur d'analyser les données de la même manière que les humains. Cela devient possible alors que nous formons les modèles de réseaux neuronaux avec une énorme quantité de données, car les données sont le carburant ou la nourriture des modèles de réseaux neuronaux. Voici quelques exemples d'apprentissage en profondeur dans le monde réel.

  • Vision par ordinateur:

La vision par ordinateur traite des algorithmes permettant aux ordinateurs de comprendre le monde à l'aide d'une image et de données vidéo et de tâches telles que la reconnaissance d'images, la classification d'images, la détection d'objets, la segmentation d'images, la restauration d'images, etc.

  • Traitement de la parole et du langage naturel:

Le traitement du langage naturel traite des algorithmes permettant aux ordinateurs de comprendre, d'interpréter et de manipuler en langage humain. Les algorithmes NLP fonctionnent avec du texte et des données audio et les transforment en sortie audio ou texte. En utilisant la PNL, nous pouvons effectuer des tâches telles que l'analyse des sentiments, la reconnaissance vocale, la transition linguistique et la génération de langage naturel, etc.

  • Véhicules autonomes:

Les modèles d'apprentissage en profondeur sont formés avec une énorme quantité de données pour identifier les panneaux de signalisation; certains modèles se spécialisent dans l'identification des piétons, l'identification des humains, etc. pour les voitures sans conducteur pendant la conduite.

  • Génération de texte:

En utilisant des modèles d'apprentissage approfondi qui ont été formés par la langue, la grammaire et les types de textes, etc. peuvent être utilisés pour créer un nouveau texte avec une orthographe et une grammaire correctes de Wikipedia à Shakespeare.

  • Filtrage d'image:

En utilisant des modèles d'apprentissage en profondeur tels que l'ajout de couleur aux images en noir et blanc peut être fait par des modèles d'apprentissage en profondeur qui prendront plus de temps si nous le faisons manuellement.

Conclusion

Enfin, c'est un aperçu de la technologie d'apprentissage en profondeur, de ses applications dans le monde réel. J'espère que vous aurez une bonne compréhension de ce qu'est l'apprentissage en profondeur après avoir lu cet article. Comme nous le savons aujourd'hui, la reconnaissance d'image par des machines formées par l'apprentissage en profondeur est dans certains cas meilleure que celle des humains, c'est-à-dire pour identifier le cancer du sang et des tumeurs en IRM et l'alphaGo de Google a appris le jeu et s'est entraîné pour son match `` Go '' en entraînant son réseau neuronal en jouant contre lui encore et encore.

Articles recommandés

Cela a été un guide sur ce qu'est l'apprentissage en profondeur. Ici, nous avons discuté des concepts de base et des exemples d'apprentissage en profondeur. Vous pouvez également consulter les articles suivants:

  1. Carrières en apprentissage profond
  2. 13 Questions d'entrevue utiles sur l'apprentissage en profondeur
  3. Apprentissage supervisé vs apprentissage en profondeur
  4. Réseaux de neurones vs apprentissage en profondeur
  5. Comparaison entre apprentissage profond et apprentissage automatique

Catégorie:

Big Data