Djupt lärande: vad är det och hur är det relaterat till maskininlärning?

Fortsätter vi ett par artiklar som vi har gjort, här kommer vi att prata om vad Deep Learning är och dess relation till maskininlärning . Båda termerna blir allt viktigare i det samhälle där vi lever och det kommer att vara till hjälp att veta vad som omger oss.

Innehållsindex

Vad är Deep Learning ?

Deep Learning är en delmängd av tekniker som föddes runt 2000-talet som ett resultat av Machine Learning . Av den anledningen bör vi klassificera den som en av dess grenar och i sin tur vara en del av datavetenskapen.

Dessa system är mer autonoma än sina äldre syskon, även om deras struktur också är betydligt mer komplex. Detta ger dem en tydlig fördel när de utför olika typer av uppgifter där de utför samma eller bättre arbete än andra system med Machine Learning- algoritmer .

Det finns också andra verk där Deep Learning sticker ut över sin föregångare. Ett av de mest beryktade fallen är AlphaGo- stil Artificiell intelligens , Googles intelligens som kan besegra världsmästaren i Go .

Kanske det låter lite kinesiskt för dig, men Go är ett mycket känt spel och också mycket krävande. För att sätta det i ett sammanhang hävdar matematiker med eftertryck att denna hobby är betydligt mer komplex än schack.

Å andra sidan är Deep Learning nära besläktat med Big Data, eftersom dessa fantastiska informationskällor kan användas för att lära sig och befästa erfarenheter. Tack vare den situation vi befinner oss i är miljön för spridning och utveckling av denna teknik dessutom perfekt för tre viktiga punkter:

1. Den stora ansamlingen av data, eftersom med de verktyg vi har idag kan data erhållas och lagras från nästan vem som helst. Graden av teknik vi befinner oss i, eftersom komponenterna är bra att kollektivt erbjuda betydande kraft. Företags önskan att förbättra sina metoder, eftersom fler och fler företag satsar på Artificial Intelligence genom att utnyttja de två tidigare punkterna. Om ditt företag har lagrat data från tusentals kunder och teknik ger dig möjlighet att lära av dem och använda den, är det en säker satsning.

Strukturen för Deep Learning

Trots att det har utvecklats ganska likt Machine Learning har denna uppsättning algoritmer vissa kärnkraftsskillnader. Det viktigaste är förmodligen dess interna struktur, det vill säga koden som utgör dess algoritm.

Allmän idé om Deep Learning

Som du ser på bilden är Deep Learning nära besläktat med neurala nätverk. Detta koncept är inte nytt, men det har inte varit med oss ​​länge, så du kanske inte vet det.

För att förenkla det kan vi definiera ett neuralt nätverk som en uppsättning algoritmer (alla kallas ett lager) som behandlar och överför information. Varje lager får ingångsvärden och returnerar utdata, och när det passerar genom hela nätverket returneras ett slutligt resulterande värde. Allt detta sker sekventiellt, normalt, där varje skikt har en annan vikt, beroende på önskat resultat.

Här visar vi dig en kort video (på engelska) om Artificial Intelligence lärande att spela Super Mario World :

Och du kanske undrar "Varför är all den här metoden så intrikad?" . Visst Deep Learning hör fortfarande till det vi kallar svag artificiell intelligens , men det är kanske det första steget mot stark.

Denna metod är löst inspirerad av hur en hjärna fungerar. I likhet med vad vi ser i den "fysiska världen" , bildar system lager och varje lager fungerar på samma sätt som en neuron. På detta sätt relaterar lagren till varandra, delar information och det viktigaste är att allt görs autonomt.

Mycket förenklat schema för hur Deep Learning fungerar

Efter denna regel är de mest kompletta intelligenserna normalt de som har fler lager och mer sofistikerade algoritmer.

Hur fungerar Artificial Intelligence med den här algoritmen?

Om du har sett våra tidigare artiklar om ämnet, har du redan sett detta gif. Här kan du se vår artikel om artificiell intelligens och här kan du läsa lite om maskininlärning .

men vi visar dig en sista gång.

Den här bilden återspeglar väl och mycket enkelt hur en intelligens som använder neurala nätverk skulle fungera. Som ni ser är hans jobb enkelt: klassificera bilder och lära sig att upptäcka hundar på de olika fotona som skickas till honom.

Varje bild börjar med att mata in ingångsflödet, det vill säga Input Layer där de första beräkningarna redan började. De erhållna resultaten delas till det andra lagret eller neuronet och uppenbarligen informeras vilken neuron som har gjort denna beräkning. Denna process upprepas så många gånger som lager som vårt system har tills vi når den sista.

Den sista nerven heter namnet Output Layer och är den som i detta exempel visar resultatet. I andra fall slutar Output Layer den beräknade åtgärden. Om vi ​​också använder formeln måste agera så snabbt som möjligt (som i videospel) , bör resultatet vara nästan omedelbart. Men tack vare den tekniska punkten vi befinner oss i är detta redan möjligt.

Ett av de tydligaste exemplen på detta är AlphaStar Artificial Intelligence, ett annat skapande av Google själv.

Google Deepmind Artificial Intelligence

Vi har berättat om AlphaGo , en AI som kan slåss mot världens bästa Go- spelare. Men den här har yngre syskon som kan uppnå några ganska imponerande milstolpar.

AlphaZero

Denna intelligens lärde sig på bara 24 timmar en övermänsklig nivå av schack, shoji och gå som han vann flera berömda spelare. I listan över besegrade motståndare pekade han också på AlphaGo Zero- versionen av 3 dagars erfarenhet, något riktigt otroligt. Här kommer hastigheten att lära sig denna artificiella intelligens ut .

Mest imponerande av allt hade laget inte tillgång till inlärningsböcker eller databaser, så alla deras taktiker lärdes med praktiken.

I ett annat av sina möten mötte han Stockfish , ett veteran automatiserat open source-program som spelar schack. På bara fyra timmar dominerades det av AlphaZero.

Det bör noteras att även om detta först beräknar cirka 70 miljoner rörelser tar AlphaZero, i schack, bara hänsyn till 80 tusen olika utgångar. Skillnaden i förutsägelser kompenserades av mycket bättre bedömning av vad som skulle vara lovande spel.

Med demonstrationer av kraft som denna kan vi se kraften i den nya konstgjorda intelligensen .

Alpha

Å andra sidan är AlphaStar ett AI som idag kan spela RTS Starcraft II (Real Time Strategy, på spanska).

Vid tiden för demonstrationen kämpade AlphaStar flera professionella spelare i mitten och vann tio matcher i rad och förlorade bara de sista.

Till skillnad från schack eller gå är Starcraft II en matchup i realtid, så varje sekund måste du göra saker. På grund av detta kan vi skymta att den nuvarande tekniken kan upprätthålla dessa frenetiska rytmer av beräkning och beslut.

När det gäller förberedelserna av intelligensen , för datumen för live-testet hade han cirka 200 års erfarenhet av utbildning endast med protos (ett av de tillgängliga tävlingar) . Den tränades också så att den bara kunde utföra åtgärder om den hade kameran fysiskt på enheten, och därmed assimierade mer till hur en person skulle spela.

Trots att ha dessa nackdelar lyckades AlphaStar dock slå de flesta av sina möten med en övergiven taktik på spelets konkurrenskraftiga sida. En punkt att notera är att AlphaStar vanligtvis håller APM: er (Actions Per Minute) lågt, så dess beslut är mycket effektiva.

Genomsnittliga åtgärder per minut utförda av AI och av en professionell spelare

Men när situationen kräver det, visar han övermänsklig kontroll över enheter bokstavligen genom att enkelt bryta räknaren.

Här kan du se en av hans demonstrationer i sin helhet:

Framtiden för konstgjord intelligens

Vi har redan pratat om detta ämne, så vi kommer inte att upprepa samma samtal för mycket. Det som bör lyfts fram är de möjliga framtider som väntar på Deep Learning .

Enligt Andrew Yan-Tak Ng, en välkänd expert på artificiell intelligens, är Deep Learning ett bra steg mot framtidens intelligens . Till skillnad från andra undervisningsmetoder är den här betydligt effektivare när vi ökar dataprovet.

VI ANBEFALAR DIG BABAHU X1: AI-tandborsten är nu tillgänglig

Nästa bild hör till hans presentation "Vilken information vetenskapsmän borde veta om djupt lärande . " Om du är intresserad kan du se den på den här länken.

Inte förgäves, teknikutvecklingen har inte stoppat. Varje år kommer vi att ha kraftfullare komponenter, så vi kommer att ha mer och mer uteplats att testa. Som hänt med gamla AI: er och maskininlärning, kommer nya algoritmer, metoder och system att dyka upp och ersätta dagens innovativa Deep Learning .

Som ni kan föreställa er att framtiden hanteras av semi-intelligenta maskiner.

Som vi påpekade i andra artiklar kommer de flesta elektroniska enheter att ha (vissa har redan inkluderat dem) supportinformation . Ett mycket anmärkningsvärt fall är intelligensen som hjälper till att ta foton av bättre kvalitet.

Men en punkt där denna teknik kan blomstra för de flesta användare är IoT (Internet of Things, på spanska).

Tingenes Internet

Denna term har mer och mer vikt vid konferenser för teknik och datoranvändning och försöker befästa sig nu när vi har medlen.

Tanken är att hushållsapparater, elektriska apparater och andra är identifierbara objekt, de kan kommunicera med varandra och dessutom kontrolleras med en enhet. På detta sätt kan vi räkna med vilka objekt som finns på en plats, där de är, interagera med dem och allt detta från mobilen. Likaså kan föremålen också interagera med varandra och om till exempel en mat löper ut kanske kylskåpet skulle kunna berätta när du öppnar den.

Å andra sidan bör artificiell intelligens kunna övervaka hushållsapparatens status och prestanda. Med detta kan du upprätta en elplan och optimera den använda energin.

Men en relevant punkt som återstår för oss att förbättra skulle vara internet- säkerhet. Det är något som fortfarande inte verkar drabbas av mycket trakasserier, men vi vet alla att det kommer att vara viktigt om vi vill att det ska vara en säker tjänst.

Det är en något abstrakt idé, men när den invaderar våra liv kommer du att bli bekant.

Vikten av ny teknik och Deep Learning

Det är oundvikligt att tro att databehandling och artificiell intelligens kommer att forma mycket av den framtid som väntar oss. Därför är det viktigt att alltid vara halvt medveten om vad som händer i världen som styrs av bitar.

Med den andan i åtanke kan vi redan se hur olika grader, kurser och grader verkar som lär dessa ämnen djupare. Exempelvis har en del datateknik dykt upp, andra grader på Big Data och, tydligtvis, kurser i Deep Learning och Artificial Intelligence .

Av samma anledning uppmanar vi er att undersöka ämnet. Internet , med sina plus och minus, är ännu inte autonomt, inte heller perfekt eller riktigt säkert, men det är en nästan obegränsad kunskapskälla. Med någon tur hittar du en plats att lära dig och du kan ge dig in på ett nytt språk, eller snarare, en ny värld.

Eftersom maskininlärning är en något lättare disciplin finns det program som låter dig röra dig med informationen lite. Om du är intresserad av att lära dig lite mer om ämnet och kontrollera dig själv / gränserna för denna teknik kan du besöka IBM Watson Developer Cloud eller Amazon Machine Learning. Vi varnar dig: du måste skapa ett konto och det kommer inte att vara ett enkelt sätt att lära sig, men kanske en dag kommer det att hjälpa dig att uppnå fantastiska mål.

Bortom här är idévärlden, så allt är i dina händer. Och för dig, vad tycker du om den nya tekniken som är relaterad till Artificial Intelligence? Vilka andra Deep Learning- applikationer känner du eller vill se? Dela dina idéer i rutan nedan.

Källföretagsblogg Tänk BigXatakaMachine Learning Mastery