Dyp læring er en kraftig form for maskinlæring (ML) som bygger komplekse matematiske strukturer kalt nevrale nettverk ved hjelp av store mengder data (informasjon).
Dyplæring Definisjon
Dyp læring er en måte å implementere ML ved hjelp av flere lag av nevrale nettverk for å behandle mer komplekse datatyper. Noen ganger kalles hierarkisk læring, bruker dyp læring forskjellige typer neurale nettverk for å lære funksjoner (også kalt representasjoner) og finne dem i store sett med rå, umerkede data (ustrukturerte data). En av de første gjennombruddsdemonstrasjonene av dyp læring var et program som vellykket plukket bilder av katter ut av sett med YouTube-videoer.
Dyplæreeksempler i dagliglivet
Dyp læring brukes ikke bare i bildegjenkjenning, men også språkoversettelse, bedrageringsdeteksjon, og for å analysere data samlet av selskaper om sine kunder. For eksempel bruker Netflix dyp læring til å analysere visningsvanene dine og forutsi hvilke viser og filmer du foretrekker å se på. Slik vet Netflix å sette actionfilmer og naturdokumentarer i forslagskøen din. Amazon bruker dyp læring for å analysere dine siste kjøp og varer du nylig har søkt etter for å lage forslag til de nye landmusikkalbumene du sannsynligvis vil være interessert i, og at du er i markedet for et par grå og gul tennis sko. Ettersom dyp læring gir mer og mer innsikt fra ustrukturerte og raske data, kan selskapene bedre forutse kundenes behov mens du får den individuelle kunden mer personlig kundeservice.
Kunstige nevrale nettverk og dyp læring
For å gjøre dyp læring enklere å forstå, la vi se vår sammenligning av et kunstig nevralt nettverk (ANN). For dyp læring, forestill deg at vår 15-etasjers kontorbygg innehar en byblokk med fem andre kontorbygg. Det er tre bygninger på hver side av gaten. Bygningen vår bygger A og deler den samme siden av gaten som bygningene B og C. Over gaten fra bygning A er bygning 1, og overfor bygning B er bygning 2 og så videre. Hver bygning har et annet antall etasjer, er laget av forskjellige materialer og har en annen arkitektonisk stil fra de andre. Imidlertid er hver bygning fortsatt arrangert i separate etasjer (lag) av kontorer (noder), så hver bygning er en unik ANN.
Tenk deg at en digital pakke kommer til bygning A, som inneholder mange forskjellige typer informasjon fra flere kilder, for eksempel tekstbasert data, videostrømmer, lydstrømmer, telefonsamtaler, radiobølger og fotografier - det kommer imidlertid inn i en stor jumble og er ikke merket eller sortert på noen logisk måte (ustrukturerte data). Informasjonen sendes gjennom hver etasje i rekkefølge fra 1st gjennom 15th for behandling. Etter at informasjonen har nått den 15th gulv (utgang), den sendes til 1st gulv (inngang) til bygg 3 sammen med det endelige bearbeidingsresultatet fra bygning A. Bygning 3 lærer fra og inkorporerer resultatet sendt ved å bygge A og behandler deretter informasjonen jumble gjennom hver etasje på samme måte. Når informasjonen kommer til øverste etasje i bygning 3, sendes den derfra med bygningens resultater til bygning 1. Bygning 1 lærer fra og inkorporerer resultatene fra bygning 3 før det behandles gulv-til-gulv. Bygning 1 sender informasjonen og resultater på samme måte som bygning C, som behandler og sender til bygning 2, som behandler og sender til bygning B.
Hver ANN (bygning) i vårt eksempel søker etter en annen funksjon i de ustrukturerte dataene (oversvømmelse av informasjon) og sender resultatene til neste bygning. Den neste bygningen inkorporerer (lærer) utgangen (resultater) fra den forrige. Da dataene behandles av hver ANN (bygning), blir det organisert og merket (klassifisert) av en bestemt funksjon, slik at når dataene når den endelige utgangen (øverste etasje) av den siste ANN (byggingen), er den klassifisert og merket (mer strukturert).
Kunstig intelligens, maskinlæring og dyp læring
Hvordan passer dyp læring inn i det overordnede bildet av kunstig intelligens (AI) og ML? Dyp læring øker kraften i ML og øker omfanget av oppgaver AI klarer å utføre. Fordi dyp læring er avhengig av bruk av nevrale nett og gjenkjennelse av funksjoner innen datasett i stedet for enklere oppgavespesifikke algoritmer, kan den finne og bruke detaljer fra ustrukturerte (rå) data uten at en programmerer må manuelt merke den først en gang -brukende oppgave som kan introdusere feil. Dyp læring hjelper datamaskiner til å få bedre og bedre bruk av data for å hjelpe både bedrifter og enkeltpersoner.
