Djupinlärning är en kraftfull form av maskininlärning (ML) som bygger komplexa matematiska strukturer som kallas neurala nätverk med stora mängder data (information).
Deep Learning Definition
Deep learning är ett sätt att implementera ML med flera lager av neurala nätverk för att bearbeta mer komplexa typer av data. Ibland kallas hierarkiskt lärande, använder djupt lärande olika typer av neurala nätverk för att lära sig funktioner (även kallade representationer) och hitta dem i stora uppsättningar av råa, omärkta data (ostrukturerad data). En av de första genombrottsdemonstrationerna av djupt lärande var ett program som framgångsrikt plockade bilder av katter ur uppsättningar av YouTube-videor.
Djuplärande exempel i dagliglivet
Djupinlärning används inte bara i bildigenkänning, men även språköversättning, bedrägeribekämpning och att analysera data som samlats in av företag om sina kunder. Till exempel använder Netflix djupt lärande för att analysera dina visningsvanor och förutsäga vilka shows och filmer du föredrar att titta på. Så vet Netflix att man sätter actionfilmer och naturdokumentärer i din förslagskö. Amazon använder djupt lärande för att analysera dina senaste inköp och föremål du nyligen har sökt för att skapa förslag till de nya landmusikalbum som du sannolikt kommer att vara intresserade av och att du är på marknaden för ett par grå och gul tennis skor. Eftersom djupt lärande ger mer och mer insikt från ostrukturerad och rå data, kan företagen bättre förutse behoven hos sina kunder medan du får den individuella kunden mer personlig kundservice.
Konstgjorda neurala nätverk och djupt lärande
För att göra djupinlärning lättare att förstå, låt oss se vår jämförelse av ett artificiellt neuralt nätverk (ANN). För djupt lärande, tänk oss att vår 15-vånings kontorsbyggnad upptar ett stadsblock med fem andra kontorsbyggnader. Det finns tre byggnader på varje sida av gatan. Vår byggnad är byggnad A och delar samma sida av gatan som byggnaderna B och C. På andra sidan gatan från byggnad A är byggnad 1, och från byggnad B är byggnad 2 och så vidare. Varje byggnad har ett annorlunda antal våningar, är gjord av olika material och har en annan arkitektonisk stil från de andra. Varje byggnad är dock fortfarande ordnad i separata våningar (lager) av kontor (noder), så varje byggnad är en unik ANN.
Tänk dig att ett digitalt paket anländer till byggnad A, som innehåller många olika typer av information från flera källor, såsom textbaserad data, videoströmmar, ljudflöden, telefonsamtal, radiovågor och fotografier - det kommer emellertid i en stor jumble och är inte märkt eller sorterat på något logiskt sätt (ostrukturerad data). Informationen skickas via varje våning i ordning från 1st genom 15th för bearbetning. Efter att informationen har nått 15,th golv (utgång), skickas den till 1st golv (inmatning) av byggnad 3 tillsammans med slutförädlingsresultatet från bygg A. Byggnad 3 lär sig från och inkorporerar resultatet som skickas genom att bygga A och bearbetar sedan informationen genomgående på varje våning på samma sätt. När informationen når översta våningen i byggnad 3 skickas den därifrån med byggnadens resultat till byggnad 1. Byggnad 1 lär sig från och inkorporerar resultaten från byggnad 3 innan den bearbetas av golv vid golv. Byggnad 1 skickar informationen och resultat på samma sätt som byggnad C, som behandlar och skickar till byggnad 2, som behandlar och skickar till byggnad B.
Varje ANN (byggnad) i vårt exempel söker efter en annorlunda funktion i de ostrukturerade uppgifterna (överskridande av information) och skickar resultaten till nästa byggnad. Nästa byggnad innehåller (lär ut) resultatet (resultat) från den föregående. Eftersom uppgifterna behandlas av varje ANN (byggnad), blir det organiserat och märkt (klassificerat) med en särskild funktion så att när uppgifterna når slutprodukten (översta våningen) i den sista ANN-byggnaden klassificeras den och märks (mer strukturerad).
Konstgjord intelligens, maskinlärning och djupt lärande
Hur passar djupt lärande i den övergripande bilden av artificiell intelligens (AI) och ML? Djupinlärning ökar kraften i ML och ökar det utbud av uppgifter som AI kan utföra. Eftersom djupt lärande är beroende av användningen av neurala nät och kännetecknande av funktioner inom dataset istället för enklare arbetsspecifika algoritmer, kan den hitta och använda detaljer från ostrukturerad (rå) data utan att en programmerare måste manuellt märka den första gången konsumtionsuppgift som kan införa fel. Djupinlärning hjälper datorer att bli bättre och bättre på att använda data för att hjälpa både företag och privatpersoner.
