การเรียนรู้อย่างลึกซึ้ง: มันคืออะไรและเกี่ยวข้องกับการเรียนรู้ของเครื่องอย่างไร

บทความต่อไปที่เราได้ทำต่อไปที่นี่เราจะพูดคุยเกี่ยวกับ การเรียนรู้ลึก และความสัมพันธ์กับ การเรียนรู้ของเครื่อง คำศัพท์ทั้งสองมี ความสำคัญเพิ่มขึ้น ในสังคมที่เราอาศัยอยู่และมันจะเป็นประโยชน์ในการรู้ว่าสิ่งที่ล้อมรอบเรา

ดัชนีเนื้อหา

การเรียนรู้เชิงลึก คืออะไร

การเรียนรู้อย่างลึก เป็นส่วนหนึ่งของเทคนิคที่เกิดขึ้น รอบ ปี 2000 เป็น ผลมาจาก การเรียนรู้ ของ เครื่อง ด้วยเหตุนี้เราควรจัดว่ามันเป็น หนึ่งในกิ่งก้านสาขาของมันซึ่ง เป็นส่วนหนึ่งของวิทยาศาสตร์คอมพิวเตอร์

ระบบเหล่านี้มี ความอิสระมากกว่าพี่น้องรุ่นเก่า ถึงแม้ว่าโครงสร้างของพวกเขาจะมีความซับซ้อนมากขึ้นเช่นกัน สิ่งนี้ทำให้พวกเขา ได้เปรียบอย่างชัดเจน เมื่อทำงานประเภทต่าง ๆ ที่พวกเขาทำงาน เหมือนกันหรือดีกว่าระบบอื่น ๆ ด้วยอัลกอริทึม การเรียนรู้ของเครื่อง

นอกจากนี้ยังมีงานอื่น ๆ ที่ การเรียนรู้ลึก โดดเด่นเหนือรุ่นก่อน หนึ่งในกรณีที่ฉาวโฉ่ที่สุดคือ ปัญญาประดิษฐ์ สไตล์ AlphaGo ปัญญา ของ Google ที่ สามารถเอาชนะแชมป์โลกของ Go ได้

อาจฟังดูเป็นภาษาจีนเล็กน้อยสำหรับคุณ แต่ Go เป็นเกมที่โด่งดัง และมีความต้องการอย่างมาก นักคณิตศาสตร์อ้างอย่างเด่นชัดว่างานอดิเรกนี้ ซับซ้อนกว่าหมากรุกมาก

ในอีกทางหนึ่งการเรียนรู้ อย่าง ลึกซึ้งนั้น สัมพันธ์กับ ข้อมูลขนาดใหญ่ อย่างใกล้ชิด เนื่องจากแหล่งข้อมูลที่ดีเหล่านี้สามารถใช้ในการ เรียนรู้และรวบรวมประสบการณ์ นอกจากนี้ด้วยสถานการณ์ที่เรามีอยู่สภาพแวดล้อมสำหรับการแพร่กระจายและการพัฒนาของเทคโนโลยีนี้เหมาะสำหรับ สามประเด็นสำคัญ:

1. การสะสมข้อมูลที่ยอดเยี่ยม เนื่องจากด้วยเครื่องมือที่เรามีอยู่ทุกวันนี้สามารถรับและเก็บข้อมูลได้จากเกือบทุกคน ระดับของเทคโนโลยีที่เรามีอยู่ เนื่องจากส่วนประกอบต่าง ๆ นั้นดีที่จะให้พลังงานที่พอเหมาะ ความปรารถนาของ บริษัท ในการปรับปรุงวิธีการของพวกเขา เนื่องจากการใช้ประโยชน์จากจุดสองจุดก่อนหน้านี้ บริษัท จำนวนมากขึ้นจึงวางเดิมพัน ปัญญาประดิษฐ์ หาก บริษัท ของคุณมีการจัดเก็บข้อมูลจากลูกค้าและเทคโนโลยีนับพันให้โอกาสคุณได้ เรียนรู้จากพวกเขาและใช้มันเป็นเดิมพันที่ปลอดภัย

โครงสร้างของ การเรียนรู้ลึก

แม้จะมีการพัฒนาค่อนข้างคล้ายกับ การเรียนรู้ของเครื่อง แต่อัลกอริทึมชุดนี้มี ความแตกต่างทางนิวเคลียร์บ้าง สิ่งที่สำคัญที่สุดน่าจะ เป็นโครงสร้างภายในของมัน นั่นคือโค้ดที่ประกอบขึ้นเป็นอัลกอริธึม

แนวคิดทั่วไปเกี่ยวกับการเรียนรู้ลึก

อย่างที่คุณเห็นในภาพ การเรียนรู้ลึก นั้นสัมพันธ์กับ เครือข่ายประสาท แนวคิดนี้ไม่ใช่เรื่องใหม่ แต่ยังไม่ได้อยู่กับเราเป็นเวลานานดังนั้นคุณ อาจไม่ทราบ

เพื่อให้ง่ายขึ้นเราสามารถกำหนดโครงข่ายประสาทเทียมเป็น ชุดของอัลกอริธึม (แต่ละชั้นเรียกว่าเลเยอร์) ที่จัดการและส่งข้อมูล แต่ละเลเยอร์ได้รับค่าอินพุตและส่งคืนเอาต์พุตและเมื่อมันผ่านเครือข่ายทั้งหมด ค่าผลลัพธ์สุดท้ายจะถูกส่งกลับ ทั้งหมดนี้เกิดขึ้นตามลำดับโดยปกติที่แต่ละชั้นมีน้ำหนักแตกต่างกัน ขึ้นอยู่กับผลลัพธ์ที่ต้องการ

ที่นี่เราแสดงวิดีโอสั้น ๆ (ภาษาอังกฤษ) เกี่ยวกับ การเรียนรู้ ปัญญาประดิษฐ์ เพื่อเล่น Super Mario World :

และคุณอาจสงสัยว่า "ทำไมวิธีนี้จึงซับซ้อนทั้งหมด" . แน่นอนว่า การเรียนรู้ลึก ยังคงเป็นสิ่งที่เราเรียกว่า ปัญญาประดิษฐ์ที่อ่อนแอ แต่อาจ เป็นก้าวแรกที่แข็งแกร่ง

วิธีการนี้เป็น แรงบันดาลใจอย่างหลวม ๆ โดยวิธีการทำงานของสมอง คล้ายกับสิ่งที่เราเห็นใน "โลกทางกายภาพ" ระบบจะสร้างเลเยอร์และแต่ละเลเยอร์ทำงานใน ลักษณะเดียวกันกับเซลล์ประสาท ด้วยวิธีนี้เลเยอร์เกี่ยวข้องซึ่งกันและกันแบ่งปันข้อมูลและสิ่งที่สำคัญที่สุดคือ ทุกสิ่งถูกดำเนินการโดยอัตโนมัติ

รูปแบบที่ง่ายมากของการเรียนรู้ลึก

ตามกฎนี้ ปัญญาที่ สมบูรณ์ที่สุดคือโดยปกติแล้วผู้ที่มี เลเยอร์และอัลกอริทึมที่ซับซ้อนมากขึ้น

ปัญญาประดิษฐ์ ทำงานกับอัลกอริทึมนี้อย่างไร

หากคุณเคยเห็นบทความก่อนหน้าของเราเกี่ยวกับเรื่องนี้ คุณจะได้เห็น gif นี้ ที่นี่คุณสามารถดูบทความของเราเกี่ยวกับ ปัญญาประดิษฐ์ และที่นี่คุณสามารถอ่านเกี่ยวกับ การเรียนรู้ของเครื่อง

แต่เราจะแสดงให้คุณเห็นเป็นครั้งสุดท้าย

ภาพนี้สะท้อนให้เห็นถึง วิธีการที่ หน่วยสืบราชการลับที่ ใช้โครงข่ายประสาทเทียมทำงานได้ ดีและเรียบง่าย อย่างที่คุณเห็นงานของเขาเรียบง่าย: จำแนกภาพและเรียนรู้ที่จะตรวจจับสุนัขในรูปถ่ายต่าง ๆ ที่ส่งถึงเขา

แต่ละอิมเมจ เริ่มต้นด้วยการป้อนฟีดอินพุต นั่นคือ เลเยอร์อินพุต ที่การคำนวณแรกจะเริ่มขึ้นแล้ว ผลลัพธ์ที่ได้จะถูก แชร์ไปยังชั้นที่สองหรือเซลล์ประสาท และเห็นได้ชัดว่ามีการแจ้งให้ทราบ ว่าเซลล์ประสาทใดได้ทำการคำนวณนี้ กระบวนการนี้ซ้ำ หลายครั้งตามที่เลเยอร์ระบบของเรามี จนกว่าเราจะไปถึงขั้นตอนสุดท้าย

เซลล์ประสาทสุดท้ายถูกตั้งชื่อเป็น เลเยอร์เอาท์พุท และเป็นหนึ่งในตัวอย่างนี้แสดงผลลัพธ์ ในกรณีอื่น เลเยอร์เอาท์พุท จะจบลงด้วย การดำเนินการคำนวณ นอกจากนี้หากเราใส่สูตรที่ต้องดำเนินการให้เร็วที่สุดเท่าที่จะทำได้ (เช่นในวิดีโอเกม) ผลลัพธ์ควรใกล้เคียงทันที อย่างไรก็ตามด้วยจุดเทคโนโลยีที่เราอยู่ที่ นี่เป็นไปได้แล้ว

หนึ่งในตัวอย่างที่ชัดเจนที่สุดของเรื่องนี้คืออัล ฟ่าสตาร์ปัญญาประดิษฐ์ การสร้าง Google อีกแบบหนึ่ง

ปัญญาประดิษฐ์ Google Deepmind

เราได้บอกคุณเกี่ยวกับ AlphaGo AI ที่ สามารถต่อสู้ กับผู้เล่น Go ที่ ดีที่สุดในโลก อย่างไรก็ตามอันนี้มีพี่น้องน้อยที่สามารถบรรลุเป้าหมายที่ น่าประทับใจ

AlphaZero

ข่าวกรอง นี้เรียนรู้ใน เวลาเพียง 24 ชั่วโมง หมากรุก ระดับเหนือมนุษย์ โชจิและไป กับที่เขาได้รับรางวัล ผู้เล่นที่มีชื่อเสียงหลายคน นอกจากนี้ในรายการของคู่ต่อสู้ที่พ่ายแพ้เขายังชี้ไป ที่รุ่น AlphaGo Zero ที่ มีประสบการณ์ 3 วันซึ่งเป็น สิ่งที่เหลือเชื่อจริงๆ นี่คือ ความเร็วในการเรียนรู้ของ ปัญญาประดิษฐ์ นี้ ออกมา

สิ่งที่น่าประทับใจที่สุดคือทีม ไม่สามารถเข้าถึงการเรียนรู้หนังสือหรือฐานข้อมูล ดังนั้นกลยุทธ์ทั้งหมดของพวกเขาจึงเรียนรู้ด้วยการฝึกฝน

ในการเผชิญหน้าอีกครั้งเขาเผชิญหน้ากับ Stockfish โปรแกรมโอเพ่นซอร์สอัตโนมัติที่เล่นหมากรุก อย่างไรก็ตามในเวลาเพียง สี่ชั่วโมงมันถูกครอบงำโดย AlphaZero

ควรสังเกตว่าในขณะที่การคำนวณครั้งแรก ประมาณ 70 ล้านการเคลื่อนไหว AlphaZero ในหมากรุกเพียงคำนึง ถึงทางออก 80, 000 ที่แตกต่างกันเท่านั้น ความแตกต่างในการทำนายถูกชดเชยโดย การตัดสินที่ดีกว่า ของสิ่งที่จะเล่นที่มีแนวโน้ม

ด้วยการสาธิตการบังคับเช่นนี้เราสามารถเห็น พลังของ ปัญญาประดิษฐ์ ใหม่

AlphaStar

ในทางตรงกันข้าม AlphaStar เป็น AI ที่วันนี้มีความสามารถในการ เล่น RTS Starcraft II (กลยุทธ์เรียลไทม์ในภาษาสเปน)

ในช่วงเวลาของการสาธิต AlphaStar ต่อสู้กับ ผู้เล่นมืออาชีพหลายคนใน เกมที่ชนะสิบเกมติดต่อกันและแพ้ในเกมสุดท้าย

Starcraft II เป็น เกมจับคู่แบบเรียลไทม์ ไม่เหมือนหมากรุกหรือเล่นเกมดังนั้นทุกวินาทีคุณต้องทำสิ่งต่าง ๆ ด้วยเหตุนี้เราจึงสามารถเห็นได้ว่าเทคโนโลยีในปัจจุบันสามารถ รักษาจังหวะการคำนวณและการตัดสินใจเหล่านี้ได้

สำหรับการเตรียมการของ หน่วยสืบราชการลับ สำหรับวันที่ของการทดสอบสดเขามี ประสบการณ์ การฝึกอบรม ประมาณ 200 ปี กับโปรโต (หนึ่งในการแข่งขันที่มีอยู่) นอกจากนี้ยังได้รับการฝึกฝนเพื่อที่จะสามารถดำเนินการ ได้ก็ต่อเมื่อมีกล้องอยู่ในตัวเครื่องเท่านั้น จึงทำให้กลมกลืนกับวิธีการเล่นของคนมากขึ้น

อย่างไรก็ตามแม้จะมีแต้มต่อเหล่านี้ แต่อัล ฟ่าสตาร์ ก็สามารถเอาชนะการเผชิญหน้าส่วนใหญ่ได้ ด้วยการใช้กลยุทธ์ที่ถูกทอดทิ้งในด้านการแข่งขันของเกม สิ่งหนึ่งที่ควรทราบคือ AlphaStar มักจะทำให้ APMs (การกระทำต่อนาที) ต่ำดังนั้น การตัดสินใจจึงมีประสิทธิภาพมาก

การกระทำโดยเฉลี่ยต่อนาทีที่ดำเนินการโดย AI และโดยผู้เล่นมืออาชีพ

อย่างไรก็ตามเมื่อสถานการณ์เรียกร้องให้เขาแสดงให้เห็นถึง การควบคุม ของหน่วย เหนือมนุษย์อย่างแท้จริง โดยทำลายเคาน์เตอร์ได้อย่างง่ายดาย

ที่นี่คุณสามารถเห็น หนึ่งในตัวอย่างของเขา เต็มรูปแบบ:

อนาคตของ ปัญญาประดิษฐ์

เราได้พูดคุยเกี่ยวกับหัวข้อนี้แล้วดังนั้นเราจะไม่พูดซ้ำเหมือนเดิมมากเกินไป สิ่งที่ควรเน้นคือ อนาคตที่เป็นไปได้ที่รอ การเรียนรู้ลึก

จากข้อมูลของ Andrew Yan-Tak Ng ผู้เชี่ยวชาญด้าน ปัญญาประดิษฐ์ที่ รู้จักกันดี การเรียนรู้อย่างลึกซึ้ง เป็น ขั้นตอนที่ดีต่อความ ฉลาด ของอนาคต แตกต่างจากวิธีการสอนอื่น ๆ วิธีนี้ มีประสิทธิภาพมากขึ้น เมื่อเราเพิ่มตัวอย่างข้อมูล

เราขอแนะนำ BABAHU X1: คุณสามารถใช้แปรงสีฟัน AI ได้แล้ว

สไลด์ถัดไปเป็นการนำเสนอของเขา "สิ่งที่นักวิทยาศาสตร์ข้อมูลควรรู้เกี่ยวกับการเรียนรู้ลึก" หากคุณสนใจ คุณสามารถดูได้ที่ลิงค์นี้

ไม่ไร้ประโยชน์การพัฒนาเทคโนโลยี ไม่ได้หยุด ทุกปีเราจะมีส่วนประกอบที่มีประสิทธิภาพมากขึ้นดังนั้นเราจะมีลานทดสอบมากขึ้นเรื่อย ๆ เช่นเดียวกับที่เกิดขึ้นกับ AIs เก่า และ การเรียนรู้ของเครื่องจักร อัลกอริทึมใหม่วิธีการและระบบจะปรากฏขึ้น และแทนที่ การเรียนรู้ เชิง ลึกที่ ล้ำสมัยของวันนี้

นอกจากนี้คุณสามารถจินตนาการได้ว่าอนาคตจะได้รับการจัดการด้วยเครื่องจักร กึ่งอัจฉริยะ

ในขณะที่เราชี้ให้เห็นในบทความอื่น ๆ อุปกรณ์อิเล็กทรอนิกส์ส่วนใหญ่จะมี (บางส่วนรวมอยู่แล้ว) สนับสนุน ข่าวกรอง กรณีที่มีชื่อเสียงมากคือความ ชาญฉลาด ที่ช่วยในการถ่ายภาพที่มีคุณภาพดีขึ้น

อย่างไรก็ตามจุดที่เทคโนโลยีนี้อาจเฟื่องฟูสำหรับ ผู้ใช้ส่วนใหญ่คือ IoT (Internet of Things, Spanish)

อินเทอร์เน็ตของทุกสิ่ง

คำนี้ มีน้ำหนักมากขึ้นเรื่อย ๆ ในการประชุมทางเทคโนโลยีและการคำนวณและพยายามที่จะรวมตอนนี้ว่าเรามีวิธีการ

แนวคิดก็คือเครื่องใช้ในครัวเรือนเครื่องใช้ไฟฟ้าและอื่น ๆ เป็นวัตถุที่สามารถระบุตัวตนได้พวกเขาสามารถสื่อสารซึ่งกันและกันและนอกจากนี้ยังสามารถควบคุมด้วยอุปกรณ์ ด้วยวิธีนี้เราสามารถนับจำนวนวัตถุที่มีอยู่ในสถานที่พวกเขาอยู่โต้ตอบกับพวกเขาและ ทั้งหมดนี้จากมือถือ ในทำนองเดียวกันวัตถุก็สามารถ โต้ตอบซึ่งกันและกัน และถ้าเช่นอาหารหมดอายุบางทีตู้เย็นอาจจะบอกคุณได้เมื่อคุณเปิดมัน

ในทางกลับกัน ปัญญาประดิษฐ์ ควรจะสามารถ ตรวจสอบสถานะและประสิทธิภาพของเครื่องใช้ในครัวเรือน ด้วยสิ่งนี้คุณสามารถสร้าง แผนการไฟฟ้าและเพิ่มประสิทธิภาพพลังงานที่ใช้

อย่างไรก็ตามประเด็นที่เกี่ยวข้องที่เรายังคงต้องปรับปรุงคือ ความปลอดภัย ทางอินเทอร์เน็ต มันเป็นสิ่งที่ ดูเหมือนว่าจะไม่ได้รับความทรมานมากนัก แต่เราทุกคนรู้ว่ามันจะเป็นสิ่งจำเป็นหากเราต้องการให้มัน เป็นบริการที่ปลอดภัย

มันเป็นความคิดที่เป็นนามธรรม แต่เมื่อมันบุกรุกชีวิตของเรา คุณจะคุ้นเคย

ความสำคัญของเทคโนโลยีใหม่และ การเรียนรู้ลึก

มันไม่สามารถคิดได้ว่าการคำนวณและ ปัญญาประดิษฐ์กำลัง จะสร้าง อนาคตที่รอเราอยู่ ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องตระหนักถึงสิ่งที่เกิดขึ้นในโลกที่ถูกควบคุมโดยบิต

ด้วยจิตวิญญาณที่อยู่ในใจเราสามารถเห็น องศาองศาและหลักสูตรที่แตกต่างกัน ซึ่งสอนหัวข้อเหล่านี้ในเชิงลึก ยกตัวอย่างเช่นวิศวกรรมข้อมูลบางอย่างได้ปรากฏตัวขึ้นในระดับอื่น ๆ บน บิ๊กดาต้า และแน่นอนว่าในหลักสูตร การเรียนรู้ลึก และ ปัญญาประดิษฐ์

ด้วยเหตุผลเดียวกันนี้เราขอให้คุณ ตรวจสอบเรื่องนี้ อินเทอร์เน็ต ด้วยข้อดีและข้อเสียของมันยังไม่เป็นอิสระหรือสมบูรณ์แบบหรือปลอดภัยจริง ๆ แต่มันก็เป็น แหล่งความรู้ที่ไร้ขีด จำกัด ด้วยโชคใด ๆ คุณจะได้พบกับสถานที่เรียนรู้และคุณสามารถเริ่มดำเนินการในภาษาใหม่หรือ โลกใหม่

เนื่องจาก การเรียนรู้ของเครื่อง เป็นวินัยที่ เบากว่าเล็กน้อยจึง มีโปรแกรมที่ช่วยให้คุณสามารถยุ่งกับข้อมูลได้เล็กน้อย หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับหัวข้อและ ตรวจสอบด้วยตนเอง / ข้อ จำกัด ของเทคโนโลยีนี้ คุณสามารถเยี่ยมชม IBM Watson Developer Cloud หรือ Amazon Machine Learning เราเตือนคุณ: คุณจะต้องสร้างบัญชีและ จะไม่เป็นวิธีที่ง่ายต่อการเรียนรู้ แต่บางทีวันหนึ่งมันจะช่วยให้คุณบรรลุเป้าหมายที่ดี

นอกเหนือจากที่นี่คือโลกแห่งความคิดดังนั้น ทุกสิ่งอยู่ในมือคุณ และสำหรับคุณคุณคิดอย่างไรกับเทคโนโลยีใหม่ที่เกี่ยวข้องกับปัญญาประดิษฐ์? คุณรู้หรือไม่ว่าแอปพลิเคชัน การเรียนรู้เชิงลึก อื่น ๆ ต้องการหรือไม่ แบ่งปันความคิดของคุณในช่องด้านล่าง

บล็อกธุรกิจที่มาคิดว่า BigXatakaMachine Learning Mastery