Maschinelles Lernen - Deep Learning
Deep Learning verwendet ANN. Zuerst werden wir uns einige Deep-Learning-Anwendungen ansehen, die Ihnen einen Eindruck von ihrer Leistungsfähigkeit vermitteln.
Anwendungen
Deep Learning hat in mehreren Bereichen maschineller Lernanwendungen große Erfolge gezeigt.
Self-driving Cars- Die autonomen selbstfahrenden Autos verwenden Deep-Learning-Techniken. Sie passen sich im Allgemeinen den sich ständig ändernden Verkehrssituationen an und können im Laufe der Zeit immer besser fahren.
Speech Recognition- Eine weitere interessante Anwendung von Deep Learning ist die Spracherkennung. Wir alle verwenden heute mehrere mobile Apps, die unsere Sprache erkennen können. Apples Siri, Amazonas Alexa, Microsofts Cortena und Googles Assistent - all dies verwendet Deep-Learning-Techniken.
Mobile Apps- Wir verwenden mehrere webbasierte und mobile Apps zum Organisieren unserer Fotos. Gesichtserkennung, Gesichtserkennung, Gesichtsmarkierung, Identifizierung von Objekten in einem Bild - all dies erfordert tiefes Lernen.
Ungenutzte Möglichkeiten des tiefen Lernens
Nachdem wir uns die großen Erfolge angesehen hatten, die Deep-Learning-Anwendungen in vielen Bereichen erzielt haben, begannen die Menschen, andere Bereiche zu erkunden, in denen maschinelles Lernen bisher nicht angewendet wurde. Es gibt mehrere Bereiche, in denen Deep-Learning-Techniken erfolgreich angewendet werden, und es gibt viele andere Bereiche, die genutzt werden können. Einige davon werden hier diskutiert.
Die Landwirtschaft ist eine solche Branche, in der Menschen Deep-Learning-Techniken anwenden können, um den Ernteertrag zu verbessern.
Konsumentenfinanzierung ist ein weiterer Bereich, in dem maschinelles Lernen wesentlich dazu beitragen kann, Betrug frühzeitig zu erkennen und die Zahlungsfähigkeit des Kunden zu analysieren.
Deep-Learning-Techniken werden auch auf dem Gebiet der Medizin angewendet, um neue Medikamente zu entwickeln und einem Patienten ein personalisiertes Rezept zu geben.
Die Möglichkeiten sind endlos und man muss weiter beobachten, wie die neuen Ideen und Entwicklungen häufig auftauchen.
Was ist erforderlich, um mit Deep Learning mehr zu erreichen?
Um Deep Learning nutzen zu können, ist Supercomputing-Leistung eine zwingende Voraussetzung. Sie benötigen sowohl Speicher als auch CPU, um Deep-Learning-Modelle zu entwickeln. Glücklicherweise haben wir heute eine einfache Verfügbarkeit von HPC - High Performance Computing. Aus diesem Grund wurde die Entwicklung der oben erwähnten Deep-Learning-Anwendungen heute Realität, und auch in Zukunft können wir die Anwendungen in den zuvor diskutierten unerschlossenen Bereichen sehen.
Jetzt werden wir uns einige der Einschränkungen des Deep Learning ansehen, die wir berücksichtigen müssen, bevor wir es in unserer Anwendung für maschinelles Lernen verwenden.
Deep Learning Nachteile
Einige der wichtigen Punkte, die Sie berücksichtigen müssen, bevor Sie Deep Learning anwenden, sind nachstehend aufgeführt:
- Black-Box-Ansatz
- Entwicklungsdauer
- Datenmenge
- Rechenintensiv
Wir werden nun jede dieser Einschränkungen im Detail untersuchen.
Black-Box-Ansatz
Ein ANN ist wie eine Blackbox. Sie geben ihm eine bestimmte Eingabe und es gibt Ihnen eine bestimmte Ausgabe. Das folgende Diagramm zeigt Ihnen eine solche Anwendung, bei der Sie einem neuronalen Netzwerk ein Tierbild zuführen und das Ihnen zeigt, dass es sich bei dem Bild um einen Hund handelt.
Dies wird als Black-Box-Ansatz bezeichnet, da Sie nicht wissen, warum das Netzwerk ein bestimmtes Ergebnis erzielt hat. Sie wissen nicht, wie das Netzwerk zu dem Schluss kam, dass es sich um einen Hund handelt? Stellen Sie sich nun einen Bankantrag vor, bei dem die Bank über die Kreditwürdigkeit eines Kunden entscheiden möchte. Das Netzwerk wird Ihnen auf jeden Fall eine Antwort auf diese Frage geben. Können Sie dies jedoch einem Kunden gegenüber rechtfertigen? Banken müssen ihren Kunden erklären, warum der Kredit nicht sanktioniert wird.
Entwicklungsdauer
Der Prozess des Trainings eines neuronalen Netzwerks ist in der folgenden Abbildung dargestellt:
Sie definieren zunächst das Problem, das Sie lösen möchten, erstellen eine Spezifikation dafür, legen die Eingabefunktionen fest, entwerfen ein Netzwerk, stellen es bereit und testen die Ausgabe. Wenn die Ausgabe nicht wie erwartet ist, nehmen Sie dies als Feedback, um Ihr Netzwerk neu zu strukturieren. Dies ist ein iterativer Prozess und erfordert möglicherweise mehrere Iterationen, bis das Zeitnetzwerk vollständig trainiert ist, um die gewünschten Ausgaben zu erzeugen.
Datenmenge
Die Deep-Learning-Netzwerke erfordern normalerweise eine große Datenmenge für das Training, während die herkömmlichen Algorithmen für maschinelles Lernen selbst mit nur wenigen Tausend Datenpunkten mit großem Erfolg verwendet werden können. Glücklicherweise wächst die Datenmenge um 40% pro Jahr und die CPU-Verarbeitungsleistung um 20% pro Jahr, wie in der folgenden Abbildung dargestellt.
Rechenintensiv
Das Training eines neuronalen Netzwerks erfordert ein Mehrfaches an Rechenleistung als das Ausführen herkömmlicher Algorithmen. Ein erfolgreiches Training tiefer neuronaler Netze kann mehrere Wochen Trainingszeit erfordern.
Im Gegensatz dazu benötigen herkömmliche Algorithmen für maschinelles Lernen nur wenige Minuten / Stunden zum Trainieren. Außerdem hängt die Menge an Rechenleistung, die zum Trainieren eines tiefen neuronalen Netzwerks benötigt wird, stark von der Größe Ihrer Daten ab und davon, wie tief und komplex das Netzwerk ist.
Nachdem wir uns einen Überblick über das maschinelle Lernen, seine Fähigkeiten, Einschränkungen und Anwendungen verschafft haben, wollen wir uns nun mit dem Erlernen des „maschinellen Lernens“ befassen.