亚博ios彩票什么是深入学习?

9.

AI人www.yabovip4工智能大脑深入学习

本文是其中的一部分贬低艾..,一系列帖子(尝试)消除围绕人工智能的行话和神话。www.yabovip4

2012年9月,来自多伦多大学的Alex Krizhevsky和Ilya Sutskever,来自Toronto大学的AI研究人员,在Imagenet成为历史,这是一个受欢迎的竞争,其中参与者开发了可以在大型数字图像数据库中识别对象的软件。Krizhevsky和Sutskever和他们的导师Ai Pioneer Geoffrey Hinton,提交了一种基于深度学习和神经网络的算法,这是一种人工智能技术,即AI社区因其过去的缺点而被怀疑。www.yabovip4

由德克萨斯大学研究人员开发的深度学习算法AlexNet以15.3%的错误率赢得了比赛,比亚军高出了惊人的10.8%。一些人认为,该事件引发了深度学习革命,引起了许多学术和商业组织对该领域的兴趣。

如今,深度学习已经对我们每天使用的许多应用程序都有关键,例如内容推荐系统,翻译应用程序,数字助理,聊天和面部识别系统。深度学习也有助于在许多特殊领域中创造进步,如医疗保健,教育和自驾车。

深入学习的名气也导致了混乱和歧义在它是什么以及它可以做的事情。以下是深度学习和神经网络的简要分解,他们可以(并且不能做)以及他们的优势和限制是什么。

机器学习的底漆

深度学习是一个子集机器学习,改变软件行为的AI领域的领域。开发软件的古典方法,也被称为“良好的老式AI”(Gofai),涉及手动编码定义应用程序行为的规则的程序员。

戈夫戴在规则清晰的域中效果良好,可以翻译成程序流命令,例如如果别的命令。但基于规则的系统在诸如此类的领域中挣扎计算机视觉,软件必须在不同角度和不同的照明条件下拍摄照片和视频的内容。

机器学习算法使用不同的数学和统计模型来分析大量数据并找到有用的模式和相关性。然后,机器学习使用所获得的知识来进行预测或定义应用程序的行为。

机器学习已在几十年中使用,但其功能在某些地区有限。仍有很多劳动密集型手动设计。例如,当在计算机视觉中使用时,开发人员必须执行大量的“功能工程”,该算法使算法从图像中提取不同的特征,然后应用统计模型,例如逻辑回归或支持向量机(SVM)。该过程非常耗时,需要参与几个AI工程师和领域专家。

经典机器学习乳腺癌检测
经典机器学习方法涉及许多复杂的步骤,需要几十个域专家,数学家和程序员的合作

神经网络和深度学习算法如何工作?

深度学习与其他机器学习和AI技术的不同之处在于它涉及非常少的手动设计。深度学习使用神经网络,是AI研究员Jeremy Howard定义为“无限灵活的功能“这可以解决大多数机器学习问题而不通过您以前必须执行的域特定的特征工程。

当您为一组示例提供一个神经网络时,例如人们的图像,它可以在这些图像之间找到共同的功能。当您彼此顶部堆叠几个神经网络时,它可以从找到更简单的功能,例如边缘和轮廓,以更复杂的功能,如眼睛,鼻子,耳朵,面孔和脸部。

神经网络深入学习人工智能www.yabovip4
分层神经网络可以以分层方式从图像中提取不同的特征(源:www.deeplearningbook.org.

在创建深度学习算法时,开发人员和工程师配置层数以及将每层输出连接到下一个的输入的函数的类型。接下来,他们通过提供许多注释的例子来培训模型。例如,您提供了具有数千个图像和标签的深度学习算法,该标签对应于每个图像的内容。

The algorithm will run those examples through its layered neural network (the many layers is why it’s called “deep” learning) and adjust the weights of the variables (or neurons or activations) in each layer of the neural network to be able to detect the common patterns that define images with similar labels.

具有足够的培训,神经网络变得微调,并且能够根据从示例中获得的知识来分类未标记的图像。

寻找质量培训数据是深度学习算法的主要挑战之一。幸运的是,有许多可公开的数据集可以选择深度学习工程师。

一个例子是想象成数据库,其中包含超过200,000个类别的超过1400万图像。Imagenet是培训和测试计算机视觉算法的事实标准之一。其他数据集包括Cifar.,另一个通用计算机视觉数据集,以及m,一大十万手写数字的专门数据库。

监督,无人监督和加强学习

机器人学习或机器学习

上述过程被称为“监督学习”,目前正在开发深度学习算法的主要方式。它被称为监督,因为AI模型被给出了全套问题(例如图像)及其解决方案(例如,它们的相关标签或描述),并且被指示在输入和输出之间找到正确的映射。监督学习用于计算机愿景和语音识别等领域。

无人监督的学习,另一种深入学习模型,用于解决您拥有一堆数据的问题,但您没有相应的输出来将它们映射到。在这种情况下,深度学习算法必须仔细阅读培训数据并找到有用的模式,否则会有很多人力努力。

例如,深入学习算法可以通过10年的销售数据,并为您提供有关如何调整货物价格以最大限度地销售的销售预测或建议。这些都被称为预测和规定性分析并且在许多域中是有用的,例如天气预报和内容推荐。

加强学习,其他类型的深度学习模型培训,被许多人视为“人工智能的圣杯”(即我们现在所知)。www.yabovip4在钢筋学习中,提供了一个AI模型的问题域的基本规则,并留下了在没有监督或人类的情况下自己开发其行为。深度学习模型使用试验和错误逐步学习如何掌握域。

强化学习是开发中使用的主要方法之一掌握着名游戏的AI模型如国际象棋,去,扑克,最近,星际争霸2。科学家也使用了钢筋学习发展机器人手自学如何处理物体,这是AI行业的一个非常艰巨的挑战。虽然人工智能是一个非常令人兴奋的领域,但强化学习具有非常截然不同在计算资源方面非常苛刻。在实验室中表现出非常有趣的壮举,钢筋学习已经显示在现实世界应用有限。

为什么现在深入学习?

虽然深入学习早些时候变得流行,但它并不是新的。神经网络的概念日期回到20世纪50年代,开发了第一神经网络的Marceptron时。

在20世纪80年代和1990年代还讨论了神经网络,但由于其性能有限及其数据和计算要求,主要被解雇。当时,创建深度学习模型所需的数据和计算资源无法使用。培训深入学习模型需要很多时间。其他方法在他们的需求和结果中更为逼真。

Mark 1 Perceptron神经网络深入学习
MarcePtron是1957年首次实施神经网络的实施(来源:维基百科)

目前,数据和计算都已广泛可用,廉价。有一种GPU和专业的硬件,可以帮助训练深入学习模型的速度非常快。有云计算服务,如Paperspace和Crestle,专门用于深入学习。

深度学习的应用

深入学习目前发现了它进入许多不同的领域。以下是深度学习的一些有趣应用:

  • 自动驾驶汽车:为了在没有驾驶员的情况下导航街道,自动车辆需要能够理解他们周围的环境。深度学习算法从安装在汽车周围的摄像机上摄取视频源,并检测路牌,交通灯,其他汽车和行人。深度学习是无人驾驶汽车的主要部件之一(但不是唯一一个)。
  • 面部识别:面部识别目前在许多不同的域中使用,例如解锁你的iPhone,付款,找到犯罪分子。以前的技术迭代需要广泛的手动努力,并且不太可靠。随着深度学习,面部识别系统只需要查看一个人的几张图像,并且可以实时地检测到那个人的照片和视频中的脸部,并具有体面的准确性。基于AI的面部识别目前在道德辩论的中心,因为它潜在的险恶用途
  • 语音识别和转录:训练有素的深度学习模型可以将音频流转换为书面文本,并且比以前的任何转录技术更准确。深度学习使智能扬声器能够解析用户给出的语音命令。除了转录文本之外,深度学习还可以帮助讲述不同人的声音之间的区别,并确定谁在说话。
  • 机器翻译:在深度学习之前,自动翻译系统的质量非常有限,并且非常难以开发,需要为每种语言对进行单独的努力。最近几年,谷歌等科技巨头一直在利用深度学习来提高机器翻译系统的质量。深入学习对人类语言的理解有限,但它可以在简单的翻译中表现非常好。
  • 医学成像:深度学习模式可以帮助医生自动化分析X射线和MRI扫描的过程,并找到症状和诊断疾病。深度学习不会取代放射科医生,但它肯定会帮助他们在他们的工作中变得更好。

深度学习的极限

神经网络
由销和线程创建的神经网络

深入学习解决了许多问题,以前被认为是计算机的禁止限制。但深度学习的成就导致了许多错误的解释和对其能力的期望。虽然是一个非常令人兴奋的技术,深度学习也有明显的限制

在他深入的论文中,“深度学习:批判性评估,“Gary Marcus,Uber和纽约大学教授Ai的前主管,详细说明了深度学习面的极限和挑战,总结了以下几点:

  • 深度学习需要大量数据。与人类不同,他们可以学习概念并根据有限和不完整的数据做出可靠的决策,深度学习模型通常只与他们接受过的数据的质量和数量一样好。这在注释数据不可用的区域构成限制。
  • 深度学习模式很浅:深度学习和神经网络的能力非常有限,以便在培训外的地区应用他们的知识,当他们在训练的狭窄领域外,他们可以以壮观和危险的方式失败。
  • 深度学习是不透明的:与其他机器学习模式不同,深度学习涉及极少的自上而下的人类设计。它们也非常复杂,涉及数千千万个参数。这使得难以解释他们的产出和理解背后的原因。神经网络被描述为黑匣子因为他们的不透明度。问题已经引起了一系列努力和创造研究可解释的ai.

深入学习和神经网络通常与人类智力相比。但是,虽然深入学习可以在比例或比人类更好地执行一些复杂的任务,但它以一种方式工作从根本上不同于人类思想。它特别有限于顽强和抽象决策。

深度学习的威胁

深度学习是一个非常强大的工具。但与其他所有有效的技术一样,它伴随着自己的权衡。

深入学习模型容易发生算法偏见因为它从其培训数据中获得其行为。这意味着无论在训练示例中嵌入的隐藏或公开的偏差也将发现他们进入深度学习算法的决策。

在过去的几年里,发现有几个案例发现深入学习模型歧视针对特定的人群。例如,去年10月,亚马逊不得不关闭AI招聘工具因为它偏向女申请人。

在错误的手中,深度学习可以为非常邪恶的目的服务。由于深度学习在创造自然的图像和声音方面越来越有效,因此担心该技术可用于创造一种新品种基于AI的伪造犯罪。去年,对FAKEAPP有很大的争议,一种使用深入学习的视频应用程序来换档视频中的人们的面孔。该应用程序用于放置名人和政治家的面孔在色情视频中。

另一个深入学习的威胁是对抗攻击。由于他们所创造的方式,深入学习算法可以以意想不到的方式行事 - 或者至少以似乎不合逻辑对我们人类的方式行事。给定神经网络的不透明性,很难找到它们包含的所有逻辑错误。

专家和研究人员已经表明,这些失败可以变成对抗对抗攻击,恶意演员迫使深入学习算法表现出危险行为。例如,研究人员能够愚弄自行车的视觉算法通过粘贴在停车标志上的一些颜色贴纸。对于一个人来说,它仍然看起来像一个停车标志。但无人驾驶汽车将完全错过它并可能产生危险的情况。

深度学习只是一开始

由于Krizhevsky,Sutskever和Hinton的努力,深入学习已经走到了很长的路法,因为它已经被Krizhevsky,Sutskever和Hinton的努力以及在该领域有工作的许多工作。

但深度学习仍然不是www.yabovip4在创造可以像人类那样思考的合成生物的感觉。我们甚至不知道是否会创建人为的一般情报,许多专家认为这是一个浪费的目标。

然而,就科学家而言,我们仍然需要推动创造更好的技术和技术来自动化复杂的决策。2017年,深度学习和神经网络的长期先驱和倡导者辛顿表示,他将准备扔掉自己创造的一切重新开始

“未来取决于一些对我所说的一切深表疑虑的研究生,”林顿说。

1评论

  1. 强化学习是未来的方式,并且有许多可以从这个AI方法中受益的商业应用程序......

留下一个回复

本网站使用AkisMet减少垃圾邮件。了解如何处理评论数据