Deep learning er en kraftfuld form for maskinindlæring (ML), der bygger komplekse matematiske strukturer kaldet neurale netværk ved hjælp af store mængder data (information).
Deep Learning Definition
Deep learning er en måde at implementere ML ved at bruge flere lag af neurale netværk til at behandle mere komplekse typer data. Nogle gange kaldes hierarkisk læring, bruger dyb læring forskellige typer af neurale netværk til at lære funktioner (også kaldet repræsentationer) og finde dem i store sæt af rå, umærkede data (ustrukturerede data). En af de første gennembrudsdemonstrationer af dyb læring var et program, der med succes valgte billeder af katte ud af sæt YouTube-videoer.
Deep Learning Eksempler i dagligdagen
Dyb læring bruges ikke kun i billedgenkendelse, men også sprogoversættelse, svindelopdagelse og til at analysere data indsamlet af virksomheder om deres kunder. For eksempel bruger Netflix dyb læring til at analysere dine synsvaner og forudsige, hvilke shows og film du foretrækker at se. Sådan ved Netflix at sætte actionfilm og naturdokumentarer i din forslagskø. Amazon bruger dyb læring til at analysere dine seneste køb og genstande, du har søgt for nylig, for at skabe forslag til de nye country musikalbum, du sandsynligvis vil være interesseret i, og at du er på markedet for et par grå og gul tennis sko. Da dyb læring giver mere og mere indsigt fra ustrukturerede og raske data, kan virksomheder bedre forudse deres kunders behov, mens den enkelte kunde får mere personlig kundeservice.
Kunstige neurale netværk og dyb læring
For at gøre dyb læring lettere at forstå, lad os se vores sammenligning af et kunstigt neuralt netværk (ANN). For dyb læring, forestil os vores 15-etagers kontorbygning indtager en byblok med fem andre kontorbygninger. Der er tre bygninger på hver side af gaden. Vores bygning er bygning A og deler den samme side af gaden som bygninger B og C. På tværs af gaden fra bygning A er bygning 1, og overfor bygning B er bygning 2 og så videre. Hver bygning har et andet antal etager, er lavet af forskellige materialer og har en anden arkitektonisk stil fra de andre. Men hver bygning er stadig arrangeret i separate etager (lag) af kontorer (noder) - så hver bygning er en unik ANN.
Forestil dig at en digital pakke ankommer til bygning A, der indeholder mange forskellige former for information fra flere kilder, såsom tekstbaseret data, videostrømme, lydstrømme, telefonopkald, radiobølger og fotografier - dog kommer den i en stor jumble og er ikke mærket eller sorteret på nogen logisk måde (ustrukturerede data). Oplysningerne sendes gennem hver etage i rækkefølge fra 1st gennem 15th til forarbejdning. Efter at informationen jumble når 15th gulv (output), den sendes til 1st gulv (input) til bygning 3 sammen med det endelige behandlingsresultat fra bygning A. Bygning 3 lærer fra og inkorporerer resultatet, der sendes ved at opbygge A og derefter behandler informationen jumble gennem hver etage på samme måde. Når informationen når øverste etage i bygning 3, sendes den derfra med bygningens resultater til bygning 1. Bygning 1 lærer fra og inkorporerer resultaterne fra bygning 3, før den behandles gulv-til-gulv. Bygning 1 sender oplysningerne og resultaterne på samme måde som bygning C, som behandler og sender til bygning 2, som behandler og sender til bygning B.
Hver ANN (bygning) i vores eksempel søger efter en anden funktion i de ustrukturerede data (oversvømmelse af information) og overfører resultaterne til den næste bygning. Den næste bygning inkorporerer (lærer) output (resultater) fra den foregående. Da dataene behandles af hver ANN (bygning), bliver den organiseret og mærket (klassificeret) med en bestemt funktion, så når dataene når den endelige udgang (øverste etage) i den sidste ANN (bygning), er den klassificeret og mærket (mere struktureret).
Kunstig intelligens, maskinlæring og dyb læring
Hvordan passer dyb læring ind i det overordnede billede af kunstig intelligens (AI) og ML? Deep learning øger kraften i ML og øger den række opgaver, som AI kan udføre. Fordi dyb læring er afhængig af brugen af neurale netværk og genkende funktioner inden for datasæt i stedet for enklere opgavespecifikke algoritmer, kan den finde og bruge detaljer fra ustrukturerede (rå) data uden at det er nødvendigt for en programmør at manuelt mærke den første gang -forbrugende opgave, der kan introducere fejl. Dyb læring hjælper computere med at få bedre og bedre at bruge data til at hjælpe både virksomheder og enkeltpersoner.
