Qu'est-ce que le Deep Learning?
Dans ce blog, je parlerai de What is L'apprentissage en profondeur qui est un buzz chaud de nos jours et qui a fermement ancré ses racines dans une vaste multitude d'industries qui investissent dans des domaines tels que l'intelligence artificielle, le Big Data et l'analyse. Par exemple, Google utilise le deep learning dans ses algorithmes de reconnaissance vocale et d'image, tandis que Netflix et Amazon l'utilisent pour comprendre le comportement de leur client. En fait, vous ne le croirez pas, mais les chercheurs du MIT essaient de prédire l'avenir en utilisant le deep learning.Maintenant, imaginez le potentiel du deep learning pour révolutionner le monde et comment les entreprises rechercheront le .Avant de parler d'apprentissage profond, il faut comprendre sa relation avec l'apprentissage automatique et l'intelligence artificielle. Le moyen le plus simple de comprendre cette relation est de parcourir le diagramme ci-dessous:
figure: Qu'est-ce que le Deep Learning - Chronologie des technologies d'IA
Ici, dans l'image, vous pouvez voir que le Machine Learning est un sous-ensemble de l'IA. Cela implique le fait que nous pouvons construire des machines intelligentes qui peuvent apprendre en fonction de l'ensemble de données fourni par elles-mêmes. En outre, vous remarquerez que le Deep Learning est un sous-ensemble du Machine Learning dans lequel des algorithmes similaires de Machine Learning sont utilisés pour entraîner des réseaux de neurones profonds afin d'obtenir une meilleure précision dans les cas où l'ancien ne fonctionnait pas à la hauteur. FoVoici les sujets que je vais aborder dans ce tutoriel d'apprentissage en profondeur:
fonction de tri tableau c ++
- Intelligence artificielle
- Apprentissage automatique
- Inconvénients du ML
- Qu'est-ce que le Deep Learning?
- Application d'apprentissage en profondeur
Obtenez la certification avec des projets de niveau industriel et accélérez votre carrière
Intelligence artificielle
figure: Qu'est-ce que le Deep Learning - Intelligence Artificielle
Le terme IA a été inventé en 1956 par John McCarthy, également appelé père de l'intelligence artificielle. L'idée derrière l'IA est assez simple mais fascinante, qui consiste à créer des machines intelligentes capables de prendre des décisions par elles-mêmes. Vous pouvez le penser comme un fantasme scientifique, mais en ce qui concerne les développements récents de la technologie et de la puissance de calcul, l'idée même semble se rapprocher de la réalité de jour en jour.
Apprentissage automatique: un pas vers l'intelligence artificielle
Maintenant que vous êtes familiarisé avec l'IA, parlons brièvement de l'apprentissage automatique et comprenons ce que cela signifie lorsque nous disons que nous programmons des machines pour apprendre. Commençons par une définition très célèbre du Machine Learning:
«On dit qu'un programme informatique apprend de l'expérience E en ce qui concerne une tâche T et une mesure de performance P, si sa performance sur T, telle que mesurée par P, s'améliore avec l'expérience E.» - Tom Mitchell, Université Carnegie Mellon
Ainsi, si vous souhaitez que votre programme prédit les modèles de trafic à une intersection très fréquentée (tâche T), vous pouvez l'exécuter via un algorithme d'apprentissage automatique avec des données sur les modèles de trafic passés (expérience E). Maintenant, la précision de la prédiction (mesure de performance P) dépendra du fait que le programme a réussi ou non à apprendre à partir de l'ensemble de données (expérience E).
Fondamentalement, l'apprentissage automatique est considéré comme un type d'intelligence artificielle (IA) qui fournit aux ordinateurs la capacité d'apprendre sans être explicitement programmés en les exposant à une grande quantité de données. Le principe de base du Machine Learning est d'apprendre à partir des ensembles de données et d'essayer de minimiser les erreurs ou de maximiser la probabilité que leurs prédictions soient vraies.
Inconvénients du Machine Learning
- Les algorithmes de ML traditionnels ne sont pas utiles lorsque vous travaillez avec des données de grande dimension, c'est là que nous avons un grand nombre d'entrées et de sorties. Par exemple, dans le cas de la reconnaissance de l'écriture manuscrite, nous avons une grande quantité d'entrées où nous aurons différents types d'entrées associés à différents types d'écriture manuscrite.
- Le deuxième défi majeur est de dire à l'ordinateur quelles sont les fonctionnalités qu'il doit rechercher et qui joueront un rôle important dans la prédiction du résultat ainsi que pour obtenir une meilleure précision. Ce processus même est appelé extraction de caractéristiques .
La fourniture de données brutes à l'algorithme fonctionne rarement et c'est la raison pour laquelle l'extraction de fonctionnalités est une partie essentielle du flux de travail traditionnel d'apprentissage automatique. Par conséquent, sans extraction de fonctionnalités, le défi pour le programmeur augmente car l'efficacité de l'algorithme dépend beaucoup de la perspicacité du programmeur. Par conséquent, il est très difficile d'appliquer ces modèles ou algorithmes d'apprentissage automatique à des problèmes complexes tels que la reconnaissance d'objets, la reconnaissance de l'écriture manuscrite, la PNL (traitement du langage naturel), etc.
L'apprentissage en profondeur
L'apprentissage en profondeur est l'une des seules méthodes par lesquelles nous pouvons surmonter les défis de l'extraction de fonctionnalités. En effet, les modèles d'apprentissage en profondeur sont capables d'apprendre à se concentrer seuls sur les bonnes fonctionnalités, nécessitant peu de conseils de la part du programmeur. Fondamentalement, l'apprentissage profond imite le fonctionnement de notre cerveau, c'est-à-dire qu'il apprend de l'expérience. Comme vous le savez, notre cerveau est composé de milliards de neurones qui nous permettent de faire des choses incroyables. Même le cerveau d'un enfant d'un an peut résoudre des problèmes complexes qui sont très difficiles à résoudre même en utilisant des super-ordinateurs. Par exemple:
marionnette vs chef vs jenkins
- Reconnaissez également le visage de leurs parents et différents objets.
- Discriminer les différentes voix et peut même reconnaître une personne en particulier en fonction de sa voix.
- Tirez des conclusions à partir des gestes faciaux d'autres personnes et de bien d'autres.
En fait, notre cerveau s'est entraîné inconsciemment à faire de telles choses au fil des ans. Maintenant, la question vient, comment l'apprentissage profond imite la fonctionnalité d'un cerveau? Eh bien, l'apprentissage en profondeur utilise le concept de neurones artificiels qui fonctionnent de la même manière que les neurones biologiques présents dans notre cerveau. Par conséquent, nous pouvons dire que le Deep Learning est un sous-domaine de machine apprentissage concernés par des algorithmes inspirés par la structure et la fonction du cerveau appelés réseaux de neurones artificiels.
Maintenant, prenons un exemple pour le comprendre. Supposons que nous voulions créer un système capable de reconnaître les visages de différentes personnes dans une image.Si nous résolvons cela comme un problème typique d'apprentissage automatique, nous définirons les traits du visage tels que les yeux, le nez, les oreilles, etc., puis le système identifiera les caractéristiques les plus importantes pour quelle personne.
Désormais, l'apprentissage en profondeur prend une longueur d'avance. Le Deep Learning découvre automatiquement les fonctionnalités importantes pour la classification en raison des réseaux de neurones profonds, alors que dans le cas du Machine Learning, nous devions définir manuellement ces fonctionnalités.
figure: Reconnaissance faciale à l'aide de réseaux profonds
Comme le montre l'image ci-dessus, Deep Learning fonctionne comme suit:
- Au niveau le plus bas, le réseau fixe les modèles de contraste local comme importants.
- Le calque suivant est alors capable d'utiliser ces modèles de contraste local pour se fixer sur des choses qui ressemblent aux yeux, au nez et à la bouche
- Enfin, la couche supérieure est capable d'appliquer ces caractéristiques faciales aux modèles de visage.
- Un réseau de neurones profonds est capable de composer des fonctionnalités de plus en plus complexes dans chacune de ses couches successives.
Vous êtes-vous déjà demandé comment Facebook étiquette ou marque automatiquement toutes les personnes présentes dans une image que vous avez téléchargée? Eh bien, Facebook utilise le Deep Learning de la même manière que celle indiquée dans l'exemple ci-dessus. Maintenant, vous auriez réalisé la capacité du Deep Learning et comment il peut surpasser le Machine Learning dans les cas où nous avons très peu d'idée sur toutes les fonctionnalités qui peuvent affecter le résultat. Par conséquent, le réseau profond peut surmonter l'inconvénient de l'apprentissage automatique en tirant des inférences à partir d'un ensemble de données constitué de données d'entrée sans étiquetage approprié.
Qu'est-ce que le Deep Learning | Deep Learning simplifié | Edureka
Applications du Deep Learning
Pour aller de l'avant dans ce blog qu'est le Deep Learning, examinons certaines des applications réelles du Deep Learning pour comprendre ses véritables pouvoirs.
Reconnaissance de la parole
Vous auriez tous entendu parler de Siri, l’assistant intelligent à commande vocale d’Apple. Comme d'autres grands géants, Apple a également commencé à investir dans le Deep Learning pour rendre ses services meilleurs que jamais.
Dans le domaine de la reconnaissance vocale et de l'assistant intelligent à commande vocale comme Siri, on peut développer un modèle acoustique plus précis en utilisant un réseau neuronal profond et est actuellement l'un des domaines les plus actifs pour la mise en œuvre de l'apprentissage profond. En termes simples, vous pouvez construire un tel système qui peut apprendre de nouvelles fonctionnalités ou s'adapter selon vous et donc, fournir une meilleure assistance en prédisant toutes les possibilités à l'avance.
Traduction automatique automatique
Nous savons tous que Google peut traduire instantanément entre 100 langues humaines différentes, cela trop très rapidement comme par magie. La technologie derrière Google Traduction est appelé Traduction automatique et a sauvé les gens qui ne peuvent pas communiquer entre eux à cause de la différence de langue parlée. Maintenant, vous penseriez que cette fonctionnalité existe depuis longtemps, alors qu'est-ce qu'il y a de nouveau dans ce domaine? Permettez-moi de vous dire qu'au cours des deux dernières années, avec l'aide du deep learning, Google a totalement réformé l'approche de la traduction automatique dans son Google Translate. En fait, les chercheurs en apprentissage profond qui ne connaissent presque rien à la traduction linguistique proposent des solutions d'apprentissage automatique relativement simples qui surpassent les meilleurs systèmes de traduction linguistique conçus par des experts au monde. La traduction de texte peut être effectuée sans aucun prétraitement de la séquence, ce qui permet à l'algorithme d'apprendre les dépendances entre les mots et leur correspondance avec une nouvelle langue. Des réseaux empilés de grands réseaux de neurones récurrents sont utilisés pour effectuer cette traduction.
comment faire des pouvoirs en java
- Traduction visuelle instantanée
Comme vous le savez, l'apprentissage en profondeur est utilisé pour identifier les images contenant des lettres et leur emplacement sur la scène. Une fois identifiés, ils peuvent être transformés en texte, traduits et l'image recréée avec le texte traduit. Ceci est souvent appelé traduction visuelle instantanée .
Maintenant, imaginez une situation où vous avez visité un autre pays dont la langue maternelle ne vous est pas connue. Eh bien, ne vous inquiétez pas, en utilisant diverses applications comme Google Translate, vous pouvez effectuer des traductions visuelles instantanées pour lire des panneaux ou des panneaux de magasin écrits dans une autre langue. Cela n'a été possible que grâce au Deep Learning.
Remarque: Vous pouvez télécharger l'application Google Translate et découvrir l'incroyable traduction visuelle instantanée à l'aide de l'image ci-dessus.
Comportement: voitures autonomes automatisées
Google essaie d'amener son initiative de voiture autonome, connue sous le nom de WAYMO, à un tout nouveau niveau de perfection en utilisant le Deep Learning. Par conséquent, plutôt que d'utiliser d'anciens algorithmes codés à la main, ils peuvent désormais programmer un système qui peut apprendre par eux-mêmes en utilisant des données fournies par différents capteurs. L'apprentissage en profondeur est désormais la meilleure approche pour la plupart des tâches de perception, ainsi que pour de nombreuses tâches de contrôle de bas niveau. Par conséquent, maintenant même les personnes qui ne savent pas conduire ou qui sont handicapées, peuvent aller de l'avant et faire le trajet sans dépendre de personne d'autre.
Ici, je n'ai mentionné que quelques cas d'utilisation réels célèbres où le Deep Learning est largement utilisé et montre des résultats prometteurs. Il existe de nombreuses autres applications de l'apprentissage profond ainsi que de nombreux domaines qui n'ont pas encore été explorés.
Donc, tout est question d'apprentissage en profondeur en un mot. Je suis sûr que maintenant, vous auriez réalisé la différence entre le Machine Learning et le Deep Learning, ainsi que la façon dont le Deep Learning peut être très utile pour diverses applications réelles. Maintenant, dans mon prochain blog de cette série de tutoriels d'apprentissage en profondeur, nous allons approfondir divers concepts et algorithmes d'apprentissage en profondeur ainsi que leur application en détail.
Maintenant que vous connaissez le Deep Learning, consultez le par Edureka, une entreprise d'apprentissage en ligne de confiance avec un réseau de plus de 250 000 apprenants satisfaits répartis dans le monde entier. Le cours de formation Edureka Deep Learning avec certification TensorFlow aide les apprenants à devenir des experts dans la formation et l'optimisation des réseaux de neurones de base et convolutifs à l'aide de projets et d'affectations en temps réel ainsi que de concepts tels que la fonction SoftMax, les réseaux de neurones à encodeur automatique, la machine Boltzmann restreinte (RBM).
Vous avez une question pour nous? Veuillez le mentionner dans la section commentaires et nous vous recontacterons.