Wat jo witte moatte oer de evolúsje fan keunstmjittige yntelliginsje
Djippe learing is in krêftige foarm fan masine learen (ML) dy't komplekse wiskundige struktueren neamt dy't neurintale netwurken neamd wurde mei in protte gegevens fan gegevens (ynformaasje).
Deep Learning Definition
Djippe learing is in manier om ymplementearjen ML mei meardere lagen fan neuronale netwurken om mear komplektere gegevens te ferwurkjen. Somtiden wurdt it hierarchysk learen neamd, djippe learen brûkt ferskillende soarten neurennetneten om funksjes te learen (ek fertsjintwurdigers neamd) en fine se yn grutte rassen fan roze, unlabeled gegevens (ûnstruktuerde gegevens). Ien fan 'e earste trochbrekkende demonstraasjes fan djippe learing wie in programma dat suksesfolle ôfbyldings fan katten út' e stêden fan YouTube-fideoklaten hawwe.
Djipste learende foarbylden yn it deistich libben
Djippe learing wurdt net allinich brûkt yn byldkenning, mar ek taalfoarming, fraude detection, en analysearje gegevens sammele troch bedriuwen oer har klanten. Netflix brûkt bygelyks djippe learen om jo sichtberens te analysearjen en te praten wêr't sjen en films dy't jo foarkomme. Dêrtroch kin Netflix witte dat aktyf films en natuerdokuminten yn jo suggestive-wacht pleatst wurde. Amazon brûkt folle learen om jo resinte keaplju te analysearjen en items dy't jo koartlyn besocht hawwe om suggestjes te meitsjen foar de nije country-muzykalbums dy't jo wierskynlik ynteressearje en dat jo yn 'e merk binne foar in pear grey- en giele tennis shoes. Om't djippe learen hieltyd mear ynsjoch fan ûnstruktuerde en rûge gegevens jout, kinne bedriuwen bettere foarsjenningen fan har kliïnten wylst jo, de yndividuele klant, mear persoanalisearre klanttsjinsten krije.
Artificial Neural Networks en Deep Learning
Om djippe learen makliker te meitsjen om te begripen, lit ús ús fergeliking fan in keunstmjittich neurennetwurk (ANN) sjen. Foar djippe learen, foarkom ús 15-steds kantoargebou in stêdblok mei fjouwer oare kantoaren. Der binne trije gebouwen op elke kant fan 'e strjitte. Us gebou is gebou A en dielt de selde kant fan 'e strjitte as gebouwen B en C. Oan' e strjitte fan it gebou A is gebou 1, en oer it bouwen fan B bouwe 2, en sa fierder. Elke gebouw hat in ferskillende tal floaten, is makke fan ferskate materialen en hat in oare arsjitektuerstyl fan 'e oaren. Alle gebouwen binne lykwols noch oardere yn aparte flierren (lagen) fan kantoaren (knoppen) -so elk gebouw is in unike ANN.
Untbrekke dat in digitaal pakket komt oan it bouwen A, mei in soad ferskate soarten ynformaasje fan meardere boarnen lykas tekstbasearre gegevens, fideo-streamen, audio streams, telefoantsjes, radio-wellen en foto's, - mar komt it yn ien grutte spjalte en is net bepaalde of sortearre op ien logyske wize (unstruktuerde gegevens). De ynformaasje wurdt stjoerd troch elke ferdjipping yn oarder fan 1 st oant 15 oere foar ferwurking. Nei it ynformaasjefloed berikke de 15ste ferdjipping (útfier), wurdt it stjoerd yn 'e 1ste ferdjipping (ynfier) fan gebou 3 tegearre mei it definitive ferwurkingsresultaat fan it bouwen A. Bouwen 3 leart út en befettet it resultaat dat stjoerd wurdt troch bouwen A en Dêrnei ferwurket de ynformaasje yn alle stuorren op deselde manier. Wannear't de ynformaasje de boppeste ferdjipping fan it bouwen 3 berikt, wurdt dêrwei stjoerd mei de resultaten fan it gebou oan it bouwen 1. It gebou 1 leart út en befettet de resultaten fan it bouwen 3 foardat se it ferdjipping opbouwe. Bouwen 1 passet de ynformaasje en resultaten op deselde manier nei it bouwen fan C, dy't proseduere en stjoert nei it bouwen 2, dat proses en stjoert nei it bouwen fan B.
Elk ANN (gebou) yn ús foarbyld siket nei in oare funksje yn 'e ûnstruktuerde gegevens (jammerje fan ynformaasje) en passet de resultaten nei it folgjende gebou. It folgjende gebou omfettet (leart) de útfier (resultaten) fan de foarige. Omdat de gegevens troch elk ANN ferwurke wurde, wurdt it organisearre en markearre (klassifisearre) troch in bepaalde funksje, sadat as de gegevens de lêste útfier (boppeferdjipping) fan it lêste ANN (gebou) berikke, wurdt it klassifisearre en markearre (mear strukturele).
Keunstynology, Masinelearjen, en djippe learen
Hoe hâldt djippe learen yn it algemiene byld fan keunstmjittige yntelliginsje (AI) en ML? Djippe learzens stimulearret de krêft fan ML en fergruttet it oanbod fan taken AI is fêst te meitsjen. Om't djippe learen op it gebrûk fan neuronale neten berekkene en funksjes fan funksjes ynteressante fan pleatslike algoritmen ynstelle, kinne it detaillearjen fan gebrûk fan netstruktuer (rau) gegevens brûke en brûke sûnder de needsaak om in programmator te meitsjen om it earst in tekenrige te meitsjen -ûntwerp taak dat kinne fout ynfiere. Djippe learen helpt de kompjûters better en better te brûken by it brûken fan gegevens om beide bedriuwen en partikulieren te helpen.