למידה עמוקה: מכונת למידה במיטבה

מה שאתה צריך לדעת על האבולוציה של בינה מלאכותית

למידה עמוקה היא צורה רבת עוצמה של למידה ממוחשבת (ML) אשר בונה מבנים מתמטיים מורכבים הנקראים רשתות עצביות באמצעות כמויות עצומות של נתונים (מידע).

הגדרה עמוקה

למידה עמוקה היא דרך ליישם ML באמצעות שכבות מרובות של רשתות עצביות כדי לעבד סוגים מורכבים יותר של נתונים. הלמידה העמוקה נקראת לפעמים סוגים שונים של רשתות עצביות כדי ללמוד תכונות (הנקראות גם ייצוגים) ולמצוא אותן בקבוצות גדולות של נתונים גולמיים ללא תווית (נתונים לא מובנים). אחת מההפגנות המהפכניות הראשונות של הלמידה העמוקה היתה תוכנית שבחר בהצלחה תמונות של חתולים מתוך קבוצות של קטעי וידאו ב- YouTube.

דוגמאות ללמידה עמוקה בחיי היומיום

הלמידה העמוקה אינה משמשת רק בהכרה בתמונות, אלא גם בתרגום שפות, בזיהוי הונאה ובניתוח נתונים שנאספו על ידי חברות על לקוחותיהם. לדוגמה, Netflix משתמשת בלמידה עמוקה כדי לנתח את הרגלי הצפייה שלך ולחזות אילו סרטים וסרטים אתה מעדיף לצפות בהם. כך נטפליקס יודעת לשים סרטי פעולה וסרטים תיעודיים בטור ההצעה שלך. אמזון משתמשת בלמידה עמוקה כדי לנתח את הרכישות האחרונות שלך ואת הפריטים שחיפשת לאחרונה כדי ליצור הצעות לאלבומי המוזיקה החדשים במדינה שעשויים לעניין אותך, ושאתה בשוק עבור זוג טניס אפור וצהוב נעליים. כמו למידה מעמיקה מספק יותר ויותר תובנה נתונים בלתי מובנים וגלם, תאגידים יכולים לצפות טוב יותר את הצרכים של הלקוחות שלהם בזמן שאתה, הלקוח הפרטי לקבל שירות לקוחות אישית יותר.

רשתות עצביות מלאכותיות ולמידה עמוקה

כדי להפוך את הלמידה העמוקה לקלה יותר להבנה, הבה נבצע השוואה בין רשת עצבית מלאכותית (ANN). עבור למידה עמוקה, לדמיין בניין משרדים בן 15 קומות שלנו תופס גוש בניינים עם חמישה בנייני משרדים אחרים. בכל צד של הרחוב יש שלושה בניינים. הבניין שלנו הוא הבניין A ואותו צד של הרחוב כמו בניינים B ו- C. מעבר לרחוב מבניין A הוא בניין 1, ומול הבניין B הוא בניין 2, וכן הלאה. לכל בניין יש מספר שונה של קומות, עשוי מחומרים שונים ויש לו סגנון אדריכלי שונה מן האחרים. עם זאת, כל בניין עדיין מסודרים בקומות נפרדות (שכבות) של משרדים (צמתים), אז כל בניין הוא ANN ייחודי.

תארו לעצמכם כי החבילה הדיגיטלית מגיעה לבניין A, המכיל הרבה סוגים שונים של מידע ממקורות מרובים, כגון נתונים מבוססי טקסט, זרמי וידאו, זרמי שמע, שיחות טלפון, גלי רדיו ותמונות - עם זאת, הוא מגיע בערבוביה אחת גדולה לא מסומן או מסודר בכל דרך הגיונית (נתונים בלתי מובנים). המידע נשלח דרך כל קומה כדי מ 1 עד 15 ^th לעיבוד. לאחר שהמידע מגיע לקומה ^ה -15 (פלט), הוא נשלח לקומה 1 (קלט) של בניין 3 יחד עם תוצאת העיבוד הסופית מבניין A. בניין 3 לומד ומשלב את התוצאות שנשלחו על ידי בניית A ו - ואז מעבדת את כל המידע על כל קומה באותה דרך. כאשר המידע מגיע לקומה העליונה של הבניין 3, הוא נשלח משם עם התוצאות של הבניין לבניין 1. בניין 1 לומד ומשלב את התוצאות מבניין 3 לפני עיבוד זה רצפה לפי רצפה. בניין 1 מעביר את המידע ומביא את אותו אופן לבניית C, אשר תהליכים ושולח לבניין 2, אשר תהליכים ושולח לבניין B.

כל ANN (בניין) בדוגמה שלנו מחפש תכונה אחרת בנתונים לא מובנים (ערבוב של מידע) ומעביר את התוצאות לבניין הבא. הבניין הבא משלב (לומד) את הפלט (תוצאות) מהקודמו. כאשר הנתונים מעובדים על ידי כל ANN (בניין), הוא מאורגן ומסומן (מסווג) על ידי תכונה מסוימת, כך שכאשר הנתונים מגיעים לתפוקה הסופית (קומה עליונה) של ה- ANN (המבנה) האחרון, הוא מסווג ומתויג (מובנה יותר).

בינה מלאכותית, למידה ממוחשבת, למידה עמוקה

כיצד למידה עמוקה משתלבת בתמונה הכוללת של אינטליגנציה מלאכותית (AI) ו- ML? למידה עמוקה מעצימה את כוחו של ML ומגבירה את טווח המשימות AI מסוגל לבצע. מכיוון שהלמידה העמוקה נשענת על שימוש ברשתות עצביות ועל זיהוי תכונות בתוך ערכות נתונים במקום אלגוריתמים פשוטים יותר למשימות ספציפיות, היא יכולה למצוא ולהשתמש בפרטים של נתונים לא מובנים (גולמיים) ללא צורך במתכנת שתתייג אותו ידנית בפעם הראשונה - צפיפות משימה שיכולה להציג שגיאות. למידה עמוקה עוזרת למחשבים להשתפר וטוב יותר בשימוש בנתונים כדי לסייע הן לתאגידים והן ליחידים.