การเรียนรู้ของเครื่อง - การเรียนรู้เชิงลึก

Deep Learning ใช้ ANN ก่อนอื่นเราจะดูแอปพลิเคชั่นการเรียนรู้เชิงลึกสองสามตัวที่จะทำให้คุณเห็นถึงพลังของมัน

การใช้งาน

Deep Learning ประสบความสำเร็จอย่างมากในหลาย ๆ ด้านของแอปพลิเคชันแมชชีนเลิร์นนิง

Self-driving Cars- รถยนต์ขับเคลื่อนอัตโนมัติใช้เทคนิคการเรียนรู้เชิงลึก โดยทั่วไปแล้วพวกเขาจะปรับตัวให้เข้ากับสถานการณ์การจราจรที่เปลี่ยนแปลงตลอดเวลาและขับรถได้ดีขึ้นเรื่อย ๆ ในช่วงเวลาหนึ่ง

Speech Recognition- แอปพลิเคชั่น Deep Learning ที่น่าสนใจอีกอย่างคือการรู้จำเสียง พวกเราทุกคนใช้แอพมือถือหลายตัวในปัจจุบันที่สามารถจดจำคำพูดของเราได้ Siri ของ Apple, Alexa ของ Amazon, Cortena ของ Microsoft และผู้ช่วยของ Google ทั้งหมดนี้ใช้เทคนิคการเรียนรู้เชิงลึก

Mobile Apps- เราใช้แอปบนเว็บและแอพมือถือหลายตัวเพื่อจัดระเบียบรูปภาพของเรา การตรวจจับใบหน้า, รหัสใบหน้า, การติดแท็กใบหน้า, การระบุวัตถุในภาพ - ทั้งหมดนี้ใช้การเรียนรู้เชิงลึก

โอกาสที่ไม่ได้ใช้ของการเรียนรู้เชิงลึก

หลังจากดูแอปพลิเคชันการเรียนรู้เชิงลึกที่ประสบความสำเร็จอย่างมากในหลายโดเมนผู้คนเริ่มสำรวจโดเมนอื่น ๆ ที่ยังไม่มีการใช้แมชชีนเลิร์นนิง มีหลายโดเมนที่ใช้เทคนิคการเรียนรู้เชิงลึกได้สำเร็จและยังมีโดเมนอื่น ๆ อีกมากมายที่สามารถใช้ประโยชน์ได้ บางส่วนจะกล่าวถึงที่นี่

  • เกษตรกรรมเป็นอุตสาหกรรมหนึ่งที่ผู้คนสามารถใช้เทคนิคการเรียนรู้เชิงลึกเพื่อปรับปรุงผลผลิตของพืชได้

  • การเงินสำหรับผู้บริโภคเป็นอีกส่วนหนึ่งที่แมชชีนเลิร์นนิงสามารถช่วยในการตรวจจับการฉ้อโกงได้ล่วงหน้าและวิเคราะห์ความสามารถในการชำระเงินของลูกค้า

  • เทคนิคการเรียนรู้เชิงลึกยังถูกนำไปใช้กับสาขาการแพทย์เพื่อสร้างยาใหม่ ๆ และจัดหาใบสั่งยาเฉพาะบุคคลให้กับผู้ป่วย

ความเป็นไปได้นั้นไม่มีที่สิ้นสุดและเราต้องคอยเฝ้าดูความคิดและการพัฒนาใหม่ ๆ ที่เกิดขึ้นบ่อยๆ

สิ่งที่จำเป็นสำหรับการบรรลุมากขึ้นโดยใช้การเรียนรู้เชิงลึก

ในการใช้การเรียนรู้เชิงลึกพลังการประมวลผลขั้นสูงเป็นข้อกำหนดบังคับ คุณต้องมีทั้งหน่วยความจำและ CPU เพื่อพัฒนาโมเดลการเรียนรู้เชิงลึก โชคดีที่วันนี้เรามี HPC - High Performance Computing ด้วยเหตุนี้การพัฒนาแอปพลิเคชันการเรียนรู้เชิงลึกที่เรากล่าวถึงข้างต้นจึงกลายเป็นความจริงในวันนี้และในอนาคตเช่นกันเราจึงสามารถเห็นแอปพลิเคชันในพื้นที่ที่ไม่ได้ใช้ซึ่งเราได้กล่าวถึงก่อนหน้านี้

ตอนนี้เราจะมาดูข้อ จำกัด บางประการของการเรียนรู้เชิงลึกที่เราต้องพิจารณาก่อนใช้ในแอปพลิเคชันแมชชีนเลิร์นนิงของเรา

ข้อเสียของการเรียนรู้เชิงลึก

ประเด็นสำคัญบางประการที่คุณต้องพิจารณาก่อนใช้การเรียนรู้เชิงลึกมีดังต่อไปนี้ -

  • แนวทาง Black Box
  • ระยะเวลาในการพัฒนา
  • ปริมาณข้อมูล
  • มีราคาแพงในการคำนวณ

ตอนนี้เราจะศึกษาข้อ จำกัด แต่ละข้อโดยละเอียด

แนวทาง Black Box

ANN เปรียบเสมือนกล่องดำ คุณป้อนข้อมูลที่แน่นอนและจะให้ผลลัพธ์เฉพาะแก่คุณ แผนภาพต่อไปนี้แสดงให้คุณเห็นแอปพลิเคชั่นดังกล่าวที่คุณป้อนภาพสัตว์เข้ากับโครงข่ายประสาทเทียมและจะบอกคุณว่าภาพนั้นเป็นของสุนัข

เหตุใดจึงเรียกว่าวิธีการแบบกล่องดำคือคุณไม่ทราบว่าเหตุใดเครือข่ายจึงได้ผลลัพธ์บางอย่าง คุณไม่รู้ว่าเครือข่ายสรุปว่าเป็นหมาได้อย่างไร? ตอนนี้ให้พิจารณาแอปพลิเคชันธนาคารที่ธนาคารต้องการตัดสินความน่าเชื่อถือของลูกค้า เครือข่ายจะให้คำตอบแก่คุณสำหรับคำถามนี้อย่างแน่นอน อย่างไรก็ตามคุณจะสามารถให้เหตุผลกับลูกค้าได้หรือไม่? ธนาคารจำเป็นต้องอธิบายให้ลูกค้าเข้าใจว่าเหตุใดเงินกู้จึงไม่ถูกลงโทษ?

ระยะเวลาในการพัฒนา

ขั้นตอนการฝึกโครงข่ายประสาทเทียมแสดงไว้ในแผนภาพด้านล่าง -

ก่อนอื่นคุณต้องกำหนดปัญหาที่คุณต้องการแก้ไขสร้างข้อกำหนดสำหรับปัญหานั้นตัดสินใจเกี่ยวกับคุณสมบัติอินพุตออกแบบเครือข่ายปรับใช้และทดสอบเอาต์พุต หากผลลัพธ์ไม่เป็นไปตามที่คาดไว้ให้ใช้ข้อมูลนี้เป็นข้อเสนอแนะเพื่อปรับโครงสร้างเครือข่ายของคุณใหม่ นี่เป็นกระบวนการที่ทำซ้ำและอาจต้องทำซ้ำหลายครั้งจนกว่าเครือข่ายเวลาจะได้รับการฝึกฝนอย่างเต็มที่เพื่อให้ได้ผลลัพธ์ที่ต้องการ

ปริมาณข้อมูล

เครือข่ายการเรียนรู้เชิงลึกมักต้องการข้อมูลจำนวนมากสำหรับการฝึกอบรมในขณะที่อัลกอริทึมการเรียนรู้ของเครื่องแบบเดิมสามารถใช้งานได้อย่างประสบความสำเร็จแม้จะมีจุดข้อมูลเพียงไม่กี่พันจุด โชคดีที่ปริมาณข้อมูลเพิ่มขึ้นที่ 40% ต่อปีและกำลังประมวลผลของ CPU เพิ่มขึ้นที่ 20% ต่อปีดังที่เห็นในแผนภาพด้านล่าง -

มีราคาแพงในการคำนวณ

การฝึกอบรมเครือข่ายประสาทเทียมต้องใช้พลังในการคำนวณมากกว่าที่จำเป็นในการรันอัลกอริทึมแบบเดิมหลายเท่า การฝึกโครงข่ายประสาทเทียมระดับลึกให้ประสบความสำเร็จอาจต้องใช้เวลาฝึกหลายสัปดาห์

ตรงกันข้ามกับสิ่งนี้อัลกอริทึมการเรียนรู้ของเครื่องแบบเดิมใช้เวลาเพียงไม่กี่นาที / ชั่วโมงในการฝึกอบรม นอกจากนี้จำนวนพลังการคำนวณที่จำเป็นสำหรับการฝึกโครงข่ายประสาทเทียมแบบลึกนั้นขึ้นอยู่กับขนาดของข้อมูลของคุณและเครือข่ายนั้นลึกและซับซ้อนเพียงใด?

หลังจากดูภาพรวมแล้วว่า Machine Learning คืออะไรความสามารถข้อ จำกัด และแอปพลิเคชันแล้วตอนนี้ให้เราดำดิ่งสู่การเรียนรู้“ Machine Learning”