Автор оригинала: Team Python Pool.

Возможности Глубокого Обучения Для Начинающих

href=”https://en.wikipedia.org/wiki/Deep_learning”>Deep learning-это href=”https://en.wikipedia.org/wiki/Deep_learning”>Deep learning класс алгоритмов машинного обучения, который использует несколько слоев для постепенного извлечения функций более высокого уровня. В настоящее время возможности глубокого обучения расширяются все быстрее и быстрее. Это подмножество машинного обучения , которое имеет сети, способные учиться без присмотра из неструктурированных или немаркированных данных. Также известный как deep neural learning или deep neural network.

Глубокое обучение

Например, при обработке изображений нижние слои могут идентифицировать края, в то время как более высокие слои могут идентифицировать понятия, относящиеся к человеку, такие как цифры, буквы или лица. Он имеет широкий спектр реальных приложений, таких как Карты и т. Д. Под него также подпадают самоуправляемые автомобили, Распознавание изображений и объектов, Машинный перевод, голосовой поиск, таргетинг рекламы и отслеживание.

Давайте поближе рассмотрим некоторые из них;

А) Образы как возможности глубокого обучения

Глубокое обучение имеет широкие возможности в обработке изображений и изображений. Ниже приведены некоторые из его применений здесь:

1. Потеря цвета: Евклидово расстояние между размытыми версиями предсказанного и целевого изображений.
2. Потеря текстуры: На основе классификации потерь от Генеративной состязательной сети (GAN). GAN обучен предсказывать, будет ли фотография в оттенках серого высокого или низкого качества.
3. Потеря контента: Разница между характеристиками VGG предсказанного изображения и наземной истиной. Эта потеря гарантирует, что общая структура и объекты на изображении останутся прежними.
4. Общая потеря вариации: Суммарные вертикальные и горизонтальные градиенты на изображении. Это обеспечивает плавность изображения, чтобы конечный результат не был слишком зернистым или шумным.

Глубокое обучение в образах

Методы глубокого обучения также используются при классификации изображений. Для повышения точности наиболее эффективна классификация изображений с использованием CNN. Прежде всего, нам нужен набор образов. В этом случае мы берем изображения косметических и аптечных продуктов в качестве нашего начального обучающего набора данных. Входные параметры данных изображения-это количество изображений, размеры изображения, количество каналов и количество уровней на пиксель.

Б) Карты как возможности глубокого обучения

Методы глубокого обучения играют важную роль в обработке и получении карт и пространственных данных. Он был основным компонентом пространственного анализа в ГИС.

DL в картах

Эти инструменты и алгоритмы были применены к инструментам геообработки для решения задач в трех широких категориях. С помощью классификации вы можете использовать алгоритмы машинного вектора поддержки для создания слоев классификации почвенного покрова. Ниже приведены функции, выполняемые глубоким обучением в картах и геообработке;

Информация: В настоящее время у нас есть огромное количество информации из-за Интернета. Датчики, окружающие нас, и различные спутники, которые постоянно отображают весь мир.

Register: Мы имеем невероятную цифру, учитывая распределенные вычисления и графические процессоры. Это стало более доминирующим, чем любое другое время в недавней памяти. Он упал в цене из – за игорного бизнеса.

Наконец, ученые теперь разделили абсолютные самые тестовые части подготовки глубоких нейронных систем с помощью алгоритмических улучшений и системных моделей.

В) Спортивные результаты как возможности глубокого обучения

Глубокое обучение начало оказывать влияние на спортивную аналитику. Если мы введем набор данных, таких как система GPS, вместе с данными о травмах, программное обеспечение попытается создать модель, которая позволит ему предсказать, какие игроки получили травмы. В этой области расширяются возможности глубокого обучения.

Затем мы можем ввести дополнительную информацию, такую как данные о травмах в следующем сезоне. И компьютер снова попытается предсказать травмы, но на этот раз. Он также будет искать поправки в расчетах, которые он делает, чтобы улучшить свои прогнозы. Воздействие действия-это изменение Q-значения, вызванное действием. Данные воспроизведения вместе с соответствующими Q-функциями и воздействием подгоняются деревом мимической регрессии. Мы изучаем общее дерево мимической регрессии для всех игроков и деревья для конкретных игроков.

МЛ в спорте

Прозрачная древовидная структура облегчает понимание общих значений действий с помощью графиков влияния признаков и частичной зависимости, а также исключительных характеристик игрока путем идентификации соответствующих областей состояния конкретного игрока.

d) Самоуправляемые Автомобили

Возможности и алгоритмы глубокого обучения широко используются для поиска решений различных проблем, возникающих при производстве самоуправляемых автомобилей. С включением обработки данных датчиков в ЭБУ (Электронный блок управления) автомобиля. Необходимо расширить использование машинного обучения для решения новых задач. Потенциальные приложения включают оценку состояния водителя или классификацию сценариев вождения с помощью слияния данных с различных внешних и внутренних датчиков, таких как ЛИДАР, РАДАР, камеры или IoT (Интернет вещей).

Самоуправляемые автомобили

В автономном автомобиле одной из основных задач алгоритма глубокого обучения является непрерывное отображение окружающей среды и прогнозирование возможных изменений этой среды. Эти задачи подразделяются на подзадачи:

• Обнаружение объекта
• Идентификация объекта или распознавание классификация объектов
• Локализация объекта и прогнозирование его движения

Алгоритмы машинного обучения условно делятся на 4 класса: алгоритмы матрицы принятия решений, кластерные алгоритмы, алгоритмы распознавания образов и регрессионные алгоритмы. Одна категория алгоритмов машинного обучения может быть использована для выполнения 2 или более подзадач.

E) Распознавание изображений

Большая часть современных инноваций в распознавании изображений основана на технологии Глубокого обучения, продвинутом типе машинного обучения и современном чуде искусственного интеллекта. Для распознавания изображений используется тип нейронной сети, называемый сверточными нейронными сетями.

Распознавание изображений/объектов

• Распознавание объектов-это совокупность взаимосвязанных задач по идентификации объектов на цифровых фотографиях.
• Региональные сверточные нейронные сети, или R-CNN, представляют собой семейство методов решения задач локализации и распознавания объектов, предназначенных для выполнения моделей.

Классификация магов включает в себя предсказание класса одного объекта на изображении. Локализация объектов относится к определению местоположения одного или нескольких объектов на изображении и рисованию ограничивающего прямоугольника вокруг их экстента. Обнаружение объектов объединяет эти две задачи и локализует и классифицирует один или несколько объектов в изображении.

Е) Машинный перевод как возможность глубокого обучения

Машинный перевод (МТ) – это важная задача обработки естественного языка, которая исследует использование компьютеров для автоматического перевода человеческих языков. Методы, основанные на глубоком обучении, добились значительного прогресса в последние годы и быстро стали новой парадигмой МТ как в академических кругах, так и в промышленности.

Машинный перевод

Методы МТ:

(1) компонентное глубокое обучение для машинного перевода, которое использует глубокое обучение для улучшения возможностей основных компонентов SMT, таких как модели перевода, модели переупорядочения и языковые модели.;

(2) сквозное глубокое обучение для машинного перевода, которое использует нейронные сети для прямого сопоставления между исходным и целевым языками на основе структуры кодер-декодер.

Машинный перевод (МТ) – это область компьютерной лингвистики, которая фокусируется на переводе текста с одного языка на другой. Благодаря мощи глубокого обучения нейронный машинный перевод (НМТ) возник как самый мощный алгоритм для выполнения этих задач.

G) Голосовой поиск

Голосовой поиск, как мы его знаем, хотя и все еще совершенствуется, является потрясающим. Сейчас 2019 год, и использование голосового поиска набирает обороты, как огненные муравьи. Какое будущее ждет голосовой поиск?? Голосовой поиск был одной из самых известных возможностей Глубокого обучения, когда-либо использовавшихся.

Мы знаем, что все крупные игроки вкладывают значительные средства в голосовой поиск. Виртуальные помощники-это в основном новые помощники по обслуживанию клиентов.

Google Assistant, Siri от Apple, Alexa, Cortana и Bixby. Кто они?

Голосовой поиск

Для техники это совокупность многих сложных процессов.

• Выборка звука
• Извлечение признаков
• Распознавание речи
• Распознавание отдельных звуков
• Преобразование их в текст

Как только он имеет голосовой ввод, преобразованный в текст, тяжелая борьба за его понимание просто начинается с этого момента.

Два из самых сложных:

• Точная обработка текста
• Обеспечение точного вывода

Многочисленные различные трудности, с которыми сталкивается НЛП при подготовке голосовых вводов, заключаются в понимании и разделении между основными моментами, изолировании основного волнения от значимого провозглашения (изолировании сигнала от шума) и освещении дискуссий и т. Д.

H) Таргетинг рекламы как возможность глубокого обучения

Хорошая реклама всегда была в основе успешных компаний. С развитием машинного обучения и технологий глубокого обучения, встроенных в рекламные платформы, компании теперь могут ориентировать свою рекламу с поразительной точностью и говорить непосредственно со своими будущими клиентами. И чтобы сделать все еще более сложным, все эти взаимодействия происходят на нескольких устройствах, что делает его болезненным для измерения и оптимизации.

Машинное обучение стало критически важным для маркетологов и рекламодателей, которым необходимо анализировать бесконечные сигналы в режиме реального времени и доставлять рекламу в нужные моменты нужным людям. Машинное обучение также имеет важное значение для измерения путешествий потребителей, которые теперь охватывают множество устройств и каналов как в цифровом, так и в физическом мире.

Новые решения Google Attribution, интегрированные с AdWords, Google Analytics и DoubleClick Search, позволяют легко собирать данные со всех ваших маркетинговых каналов.

Итак, прежде всего это возможности Глубокого обучения в современных Информационных технологиях и технологических гигантах.

Надо Читать

Что такое cv2 imshow()? Объяснено с примерамиЗахватывающий вызов FizzBuzz в Python С решениемМодуль Python dateutil: Объяснение и примеры