Introdução ao Deep Learning
O Deep Learning é uma das técnicas de aprendizado de máquina pelas quais ensinamos / treinamos computadores para fazer o que os humanos estão fazendo. Por exemplo, dirigir um carro - a aprendizagem profunda desempenha um papel fundamental na tecnologia do carro sem motorista, permitindo que eles identifiquem diferentes sinais de trânsito, sinalização rodoviária, sinalização para pedestres etc. Outras áreas-chave da aprendizagem profunda são o controle de voz em sistemas domésticos, celulares, alto-falantes sem fio, Alexa, TVs inteligentes etc. O aprendizado profundo para iniciantes é principalmente sobre vários níveis de abstração e representação pelos quais o modelo de computador aprende a executar a classificação de imagens, sons e texto etc. Modelos de aprendizado profundo alcançam melhor precisão e desempenho do que os seres humanos em alguns modelos . Em geral, esses modelos de computador são treinados por um grande conjunto de dados, rotulados e sem rótulo, para identificar objetos e redes neurais que possuem várias camadas em cada rede.
O que é aprendizagem profunda?
Vou explicar o que é aprendizado profundo em termos leigos, como abaixo: Em geral, faremos duas tarefas o tempo todo, consciente ou inconscientemente, ou seja, categorizaremos o que sentimos através de nossos sentidos (como sentir calor, caneca fria etc.) E previsão, por exemplo., prevê a temperatura futura com base nos dados de temperatura anteriores. Realizamos tarefas de categorização e previsão para vários eventos ou tarefas em nossa vida diária, como abaixo:
- Segurando a xícara de chá / água / café etc., que pode estar quente ou fria.
- Categorização de email, como spam / não spam.
- Categorização do horário de verão, como dia ou noite.
- O planejamento de longo prazo do futuro, com base em nossa posição atual e nas coisas que temos - é chamado de previsão.
- Toda criatura no mundo fará essas tarefas em sua vida, por exemplo, considere animais como o corvo categorizar um local para construir seu ninho ou não, uma abelha decidirá sobre alguns fatores quando e onde conseguir mel, o morcego virá durante a noite e dorme durante a manhã com base na categorização dia e noite.
Vamos visualizar essas tarefas categorização e previsão e elas serão parecidas com as da imagem abaixo. Para categorização, estamos fazendo categorização entre cães e gatos, desenhando uma linha através dos pontos de dados e, em caso de previsão, desenhamos uma linha através dos pontos de dados para prever quando aumentará e diminuirá.
1) Categorização
- Em geral, para categorizar entre gatos e cães, ou homens e mulheres, não traçamos uma linha em nosso cérebro e a posição de cães e gatos é arbitrária apenas para fins ilustrativos e não é necessário dizer a maneira como categorizamos entre gatos e cães. cães em nossos cérebros é muito complexo do que desenhar uma linha vermelha como acima.
- Classificaremos entre duas coisas com base em formas, tamanho, altura, aparência, etc. e, às vezes, será difícil categorizar com esses recursos, como um cachorro pequeno com fúria e um gato recém-nascido, por isso não é uma categorização clara em gatos e cães.
- Uma vez que somos capazes de categorizar entre gatos e cães quando somos crianças, então podemos categorizar qualquer cão ou gato, mesmo que não o víssemos antes.
2) Previsão
- Para a previsão baseada na linha, traçamos pontos de dados, se pudermos prever onde é mais provável que suba ou desça.
- A curva também é uma previsão de ajuste de novos pontos de dados dentro do intervalo de pontos de dados existentes, ou seja, quão perto o novo ponto de dados da curva.
- Os pontos de dados que estão na cor vermelha na imagem acima (lado direito) são exemplos de dentro e fora do intervalo de pontos de dados existentes e a curva tenta prever ambos.
Finalmente, a categorização e a previsão das tarefas são finalizadas em um ponto semelhante, ou seja, traçando uma linha curvilínea a partir dos pontos de dados. Se formos capazes de treinar o modelo de computador para desenhar a linha curvilínea com base nos pontos de dados concluídos, podemos estender isso para aplicar em diferentes modelos, como desenhar uma linha curvilínea em planos tridimensionais e assim por diante. A coisa acima pode ser alcançada treinando um modelo com uma grande quantidade de dados rotulados e não rotulados, que é chamado de aprendizado profundo.
Exemplos de aprendizagem profunda:
Como sabemos, aprendizado profundo e aprendizado de máquina são subconjuntos de inteligência artificial, mas a tecnologia de aprendizado profundo representa a próxima evolução do aprendizado de máquina. Como o aprendizado de máquina funcionará com base em algoritmos e programas desenvolvidos por seres humanos, o aprendizado profundo aprende por meio de um modelo de rede neural que age como semelhante aos seres humanos e permite que máquinas ou computadores analisem os dados de maneira semelhante à dos seres humanos. Isso se torna possível à medida que treinamos os modelos de redes neurais com uma enorme quantidade de dados, pois os dados são o combustível ou alimento para os modelos de redes neurais. Abaixo estão alguns exemplos de aprendizado profundo no mundo real.
-
Visão por Computador:
A visão computacional lida com algoritmos para computadores entenderem o mundo usando dados e tarefas de imagem e vídeo, como reconhecimento de imagem, classificação de imagens, detecção de objetos, segmentação de imagens, restauração de imagens etc.
-
Processamento de fala e linguagem natural:
O processamento de linguagem natural lida com algoritmos para os computadores entenderem, interpretarem e manipularem na linguagem humana. Os algoritmos de PNL funcionam com dados de texto e áudio e os transformam em saída de áudio ou texto. Usando a PNL, podemos executar tarefas como análise de sentimentos, reconhecimento de fala, transição de linguagem e geração de linguagem natural etc.
-
Veículos autônomos:
Modelos de aprendizado profundo são treinados com uma enorme quantidade de dados para identificar placas de rua; alguns modelos são especializados na identificação de pedestres, humanos, etc., para carros sem motorista durante a condução.
-
Geração de texto:
Ao usar modelos de aprendizado profundo, treinados por idioma, gramática, tipos de texto etc., podem ser usados para criar um novo texto com a ortografia e gramática corretas da Wikipedia para Shakespeare.
-
Filtragem de imagem:
O uso de modelos de aprendizado profundo, como adicionar cores a imagens em preto e branco, pode ser feito por modelos de aprendizado profundo, que levarão mais tempo se o fizermos manualmente.
Conclusão
Finalmente, é uma visão geral da tecnologia de aprendizado profundo, suas aplicações no mundo real. Espero que você tenha uma boa compreensão do que é aprendizado profundo depois de ler este artigo. Como sabemos hoje, o reconhecimento de imagens por máquinas treinadas pelo aprendizado profundo em alguns casos é melhor do que os seres humanos, ou seja, na identificação de câncer no sangue e tumores em exames de ressonância magnética e o alphaGo do Google aprendeu o jogo e treinou para a partida 'Go' treinando sua rede neural jogando contra ele repetidamente.
Artigos recomendados
Este foi um guia para o que é aprendizado profundo. Aqui discutimos os conceitos básicos e exemplos de aprendizagem profunda. Você também pode consultar os seguintes artigos:
- Carreiras em Aprendizagem Profunda
- 13 perguntas úteis da entrevista de aprendizado profundo
- Aprendizado supervisionado versus aprendizado profundo
- Redes Neurais vs Deep Learning
- Top Comparação de Aprendizado Profundo vs Aprendizado de Máquina