A mesterséges intelligencia (AI) és a gépi tanulás (ML) jelenleg a legforróbb témák közé tartozik.
Az „AI” kifejezést minden nap lazán dobálják. Hallja a törekvő fejlesztőket, akik azt mondják, hogy meg akarják tanulni az AI-t. Azt is hallja, hogy a vezetők azt mondják, hogy az AI-t a szolgáltatásaikban szeretnék megvalósítani. De gyakran ezek közül az emberek közül sokan nem értik, hogy mi az AI.
Miután elolvasta ezt a cikket, meg fogja érteni az AI és az ML alapjait. Ennél is fontosabb megérteni, hogy működik a Deep Learning, a legnépszerűbb ML típus.
Ez az útmutató mindenki számára készült, így nem lesz benne fejlett matematika.
Háttér
Az első lépés a mély tanulás működésének megértése felé a fontos kifejezések közötti különbségek megértése.
Mesterséges intelligencia vs gépi tanulás
A mesterséges intelligencia az emberi intelligencia replikációja a számítógépekben.Amikor az AI kutatás először elkezdődött, a kutatók megpróbálták megismételni az emberi intelligenciát bizonyos feladatokhoz - például játékhoz.
Rengeteg olyan szabályt vezettek be, amelyeket a számítógépnek tiszteletben kellett tartania. A számítógépnek külön listája volt a lehetséges műveletekről, és ezek alapján hozott döntéseket.
A gépi tanulás a gép azon képességére utal, hogy nagy adatkészletek használatával tanuljon a szigorúan kódolt szabályok helyett.Az ML lehetővé teszi a számítógépek számára, hogy önállóan tanuljanak. Ez a fajta tanulás kihasználja a modern számítógépek feldolgozási erejét, amelyek könnyen képesek feldolgozni a nagy adathalmazokat.
Felügyelt tanulás vs felügyelet nélküli tanulás
A felügyelt tanulás olyan címkézett adatkészletek használatát foglalja magában, amelyek inputokkal és várható kimenetekkel rendelkeznek.Amikor mesterséges intelligenciát képez felügyelt tanulás segítségével, megad egy inputot és elmondja a várható kimenetet.
Ha az AI által generált kimenet hibás, akkor kiigazítja számításait. Ezt a folyamatot az adatkészleten keresztül iteratív módon végzik, amíg az AI már nem hibázik.
A felügyelt tanulás egyik példája az időjárás-előrejelző AI. Megtanulja megjósolni az időjárást történelmi adatok felhasználásával. Az edzési adatok tartalmazzák a bemeneteket (nyomás, páratartalom, szélsebesség) és a kimeneteket (hőmérséklet).
A felügyelet nélküli tanulás a gépi tanulás feladata, ha nincsenek meghatározott struktúrájú adathalmazok.Amikor egy mesterséges intelligenciát képez fel felügyelet nélküli tanulás segítségével, akkor hagyja, hogy az intelligens intelligencia osztályozza az adatokat.
A felügyelet nélküli tanulásra példa az e-kereskedelmi webhely viselkedését előrejelző AI. Nem fogja megismerni a bemenetek és kimenetek címkézett adatkészletének használatát.
Ehelyett létrehozza a bemeneti adatok saját osztályozását. Megmondja, hogy mely felhasználók vásárolják a legvalószínűbben a különböző termékeket.
Hogyan működik a mély tanulás?
Most felkészült arra, hogy megértse, mi a mély tanulás és hogyan működik.
A mély tanulás egy gépi tanulási módszer. Ez lehetővé teszi számunkra, hogy egy mesterséges intelligenciát képezzünk a kimenetek előrejelzésére, adott bemeneti halmaz esetén. A mesterséges intelligencia kiképzésére felügyelt és felügyelet nélküli tanulás egyaránt használható.
Megtanuljuk, hogyan működik a mély tanulás egy hipotetikus repülőjegy-becslési szolgáltatás kiépítésével . Felügyelt tanulási módszerrel fogjuk kiképezni.
Azt akarjuk, hogy repülőjegy-árbecslőnk megjósolja az árat a következő bemenetek felhasználásával (az egyszerűség kedvéért kizárjuk a visszatérő jegyeket):
- Eredeti repülőtér
- Rendeltetési repülőtér
- Indulási időpont
- Légitársaság
Ideghálózatok
Nézzünk bele a mi agyunk agyába.
Az állatokhoz hasonlóan AI becslésünk agyában is vannak neuronok. Körök képviselik őket. Ezek az idegsejtek összekapcsolódnak.
Az idegsejtek három különböző típusú rétegre vannak csoportosítva:
- Bemeneti réteg
- Rejtett réteg (ek)
- Kimeneti réteg
Az input réteg fogadja a bemeneti adatokat. Esetünkben négy neuron van az input rétegben: Origin Airport, Destination Airport, Indulás dátuma és Airline. Az input réteg továbbítja a bemeneteket az első rejtett rétegnek.
A rejtett rétegek matematikai számításokat végeznek a bemeneteinken. A neurális hálózatok létrehozásának egyik kihívása a rejtett rétegek számának, valamint az egyes rétegek neuronjainak meghatározása.
A mély tanulás „ mélye ” arra utal, hogy egynél több rejtett réteg van.
A kimeneti réteg a kimeneti adatokat adja vissza. Esetünkben megjósolja az árat.
Tehát hogyan számítja ki az árjóslatot?
Itt kezdődik a mély tanulás varázsa .
Az idegsejtek közötti minden kapcsolat súlyhoz kapcsolódik . Ez a súly diktálja az input érték fontosságát. A kezdeti súlyokat véletlenszerűen állítják be.
A repülőjegy árának megjóslásakor az indulási dátum az egyik nehezebb tényező. Ezért az idegsejtek indulási dátumának nagy súlya lesz.
Minden idegsejtnek van egy aktivációs funkciója. Ezeket a funkciókat matematikai érvelés nélkül nehéz megérteni.
Egyszerűen fogalmazva, egyik célja az idegsejt kimenetének "szabványosítása".
Miután egy bemeneti adatkészlet áthaladt az ideghálózat összes rétegén, a kimeneti adatokat a kimeneti rétegen keresztül adja vissza.
Semmi bonyolult, igaz?
A neurális hálózat képzése
Az AI tanítása a mély tanulás legnehezebb része. Miért?
- Nagy adatkészletre van szüksége .
- Szüksége van egy nagy mennyiségű számítási teljesítményt .
A repülőjegyár-becslésünkhöz meg kell találnunk a jegyárak korábbi adatait. És a lehetséges repülőterek nagy száma és az indulási dátum kombinációk miatt nagyon nagy listára van szükségünk a jegyárakról.
Az AI kiképzéséhez meg kell adnunk neki az adatsorunkból származó bemeneteket, és össze kell hasonlítanunk a kimeneteit az adatsor kimeneteivel. Mivel az AI még mindig nem képzett, kimenetei hibásak lesznek.
Miután végigjártuk a teljes adatsort, létrehozhatunk egy olyan funkciót, amely megmutatja, mennyire tévesek voltak az AI kimenetei a valós kimeneteknél. Ezt a függvényt költségfunkciónak hívják.
Ideális esetben azt akarjuk, hogy a költségfüggvényünk nulla legyen. Ekkor az AI kimeneteink megegyeznek az adatkészlet kimeneteivel.
Hogyan csökkenthetjük a költségfüggvényt?
Megváltoztatjuk a neuronok közötti súlyt. Véletlenszerűen változtathatnánk őket, amíg alacsony a költségfüggvényünk, de ez nem túl hatékony.
Ehelyett a Gradient Descent nevű technikát fogjuk használni.
A gradiens süllyedés olyan technika, amely lehetővé teszi számunkra, hogy megtaláljuk a függvény minimumát. Esetünkben keressük a minimális költségfüggvényt.
Ez úgy működik, hogy a súlyokat minden egyes adatsor-ismétlés után kis lépésekben változtatja . A költségfüggvény deriváltjának (vagy gradiensének) kiszámításával egy bizonyos súlykészleten láthatjuk, hogy a minimum melyik irányba mutat.
A költségfüggvény minimalizálása érdekében sokszor meg kell ismételnie az adatkészletet. Ezért van szüksége nagy mennyiségű számítási erőre.
A súlyok gradiens ereszkedéssel történő frissítése automatikusan megtörténik . Ez a mély tanulás varázsa!
Miután kiképeztük a repülőjegyár-becslő AI-t, felhasználhatjuk a jövőbeli árak előrejelzésére.
Hol tudok többet megtudni?
Számos más típusú neurális hálózat létezik: konvolúciós neurális hálózatok a számítógépes látáshoz és visszatérő neurális hálózatok a természetes nyelv feldolgozásához.
Ha meg szeretné tanulni a mély tanulás technikai aspektusát, javasoljuk, hogy vegyen részt egy online tanfolyamon.
Jelenleg a mély tanulás egyik legjobb tanfolyama Andrew Ng mély tanulási specializációja. Ha nem érdekli az igazolás megszerzése, akkor nem kell fizetnie a tanfolyamért. Ehelyett ingyen ellenőrizheti.
Ha bármilyen kérdése van, vagy további technikai magyarázatot szeretne kapni a koncepciókról, kérjük, tegye fel alább!
Összefoglalva…
- A Deep Learning egy neurális hálózatot használ az állatok intelligenciájának utánzásához.
- Az ideghálózatban három típusú neuronréteg van: az InputRéteg, rejtett réteg (ek) és kimeneti réteg.
- Az idegsejtek közötti kapcsolatok súlyhoz kapcsolódnak, meghatározva az input érték fontosságát.
- A neuronok aktiválási funkciót alkalmaznak az adatokon, hogy „szabványosítsák” az idegsejtből kimenő kimenetet.
- A neurális hálózat kiképzéséhez nagy adatkészletre van szükség.
- Az adatkészleten keresztüli ismétlés és a kimenetek összehasonlítása költségfüggvényt eredményez, amely jelzi, hogy az AI mennyire van kikapcsolva a valós kimenetektől.
- Az adatsoron keresztüli minden egyes iteráció után az idegsejtek közötti súlyt a Gradient Descent segítségével állítjuk be a költségfüggvény csökkentése érdekében.
Ha tetszett ez a cikk, kérem, adjon néhány tapsot, hogy minél többen lássák. Köszönöm!
Megnézheti tapasztalataimat is arról, hogyan szereztem szakmai gyakorlatomat a Shopify-ban!
További frissítésekért kövessen a Twitteren.