Makine Öğrenimi - Derin Öğrenme
Derin Öğrenme YSA kullanır. İlk olarak, gücü hakkında size bir fikir verecek birkaç derin öğrenme uygulamasına bakacağız.
Başvurular
Derin Öğrenme, makine öğrenimi uygulamalarının çeşitli alanlarında çok fazla başarı göstermiştir.
Self-driving Cars- Otonom sürücüsüz arabalar derin öğrenme tekniklerini kullanır. Genellikle sürekli değişen trafik koşullarına adapte olurlar ve belirli bir süre içinde daha iyi ve daha iyi araç kullanırlar.
Speech Recognition- Derin Öğrenmenin bir başka ilginç uygulaması konuşma tanımadır. Bugün hepimiz konuşmamızı tanıyabilen birkaç mobil uygulama kullanıyoruz. Apple'ın Siri'si, Amazon'un Alexa'sı, Microsoft'un Cortena'sı ve Google'ın Asistanı - bunların hepsi derin öğrenme tekniklerini kullanıyor.
Mobile Apps- Fotoğraflarımızı düzenlemek için çeşitli web tabanlı ve mobil uygulamalar kullanıyoruz. Yüz algılama, yüz kimliği, yüz etiketleme, bir görüntüdeki nesneleri tanımlama - bunların tümü derin öğrenmeyi kullanır.
Kullanılmayan Derin Öğrenim Fırsatları
İnsanlar derin öğrenme uygulamalarının birçok alanda elde ettiği büyük başarıya baktıktan sonra, makine öğreniminin şimdiye kadar uygulanmadığı diğer alanları keşfetmeye başladı. Derin öğrenme tekniklerinin başarıyla uygulandığı birkaç alan vardır ve yararlanılabilecek birçok başka alan vardır. Bunlardan bazıları burada tartışılmaktadır.
Tarım, insanların mahsul verimini artırmak için derin öğrenme tekniklerini uygulayabileceği türden bir endüstridir.
Tüketici finansmanı, makine öğreniminin dolandırıcılık konusunda erken tespit sağlamada ve müşterinin ödeme yeteneğini analiz etmede büyük ölçüde yardımcı olabileceği başka bir alandır.
Derin öğrenme teknikleri, yeni ilaçlar oluşturmak ve bir hastaya kişiselleştirilmiş bir reçete sağlamak için tıp alanında da uygulanır.
Olasılıklar sonsuzdur ve yeni fikirler ve gelişmeler sık sık ortaya çıktıkça kişi izlemeye devam etmelidir.
Derin Öğrenmeyi Kullanarak Daha Fazla Başarmak İçin Neler Gereklidir?
Derin öğrenmeyi kullanmak için süper hesaplama gücü zorunlu bir gerekliliktir. Derin öğrenme modelleri geliştirmek için hem belleğe hem de CPU'ya ihtiyacınız var. Neyse ki, bugün HPC - Yüksek Performanslı Hesaplama için kolay kullanılabilirliğe sahibiz. Bundan dolayı yukarıda bahsettiğimiz derin öğrenme uygulamalarının gelişimi bugün gerçeğe dönüştü ve gelecekte de daha önce tartıştığımız bu kullanılmayan alanlardaki uygulamaları görebiliriz.
Şimdi, derin öğrenmenin makine öğrenimi uygulamamızda kullanmadan önce dikkate almamız gereken bazı sınırlamalarına bakacağız.
Derin Öğrenme Dezavantajları
Derin öğrenmeyi kullanmadan önce dikkat etmeniz gereken bazı önemli noktalar aşağıda listelenmiştir -
- Kara Kutu yaklaşımı
- Geliştirme Süresi
- Data miktarı
- Hesaplamalı Olarak Pahalı
Şimdi bu sınırlamaların her birini ayrıntılı olarak inceleyeceğiz.
Kara Kutu yaklaşımı
YSA, kara kutu gibidir. Siz ona belirli bir girdi verirsiniz ve size belirli bir çıktı sağlar. Aşağıdaki şema, bir hayvan görüntüsünü bir sinir ağına beslediğiniz bu tür bir uygulamayı gösterir ve görüntünün bir köpeğe ait olduğunu söyler.
Buna neden kara kutu yaklaşımı deniyor, ağın neden belirli bir sonuç verdiğini bilmiyorsunuz. Ağın bunun bir köpek olduğu sonucuna nasıl vardığını bilmiyor musunuz? Şimdi, bankanın bir müşterinin kredi değerliliğine karar vermek istediği bir bankacılık uygulamasını düşünün. Ağ size bu soruya kesinlikle bir cevap verecektir. Ancak, bunu bir müşteriye gerekçelendirebilecek misiniz? Bankaların, krediye neden yaptırım uygulanmadığını müşterilerine açıklaması gerekir?
Geliştirme Süresi
Bir sinir ağını eğitme süreci aşağıdaki diyagramda gösterilmektedir -
Önce çözmek istediğiniz problemi tanımlarsınız, onun için bir spesifikasyon yaratırsınız, giriş özelliklerine karar verirsiniz, bir ağ tasarlar, devreye alır ve çıktıyı test edersiniz. Çıktı beklendiği gibi değilse, ağınızı yeniden yapılandırmak için bunu bir geri bildirim olarak alın. Bu yinelemeli bir süreçtir ve zaman ağı istenen çıktıları üretmek için tam olarak eğitilene kadar birkaç yineleme gerektirebilir.
Data miktarı
Derin öğrenme ağları genellikle eğitim için büyük miktarda veriye ihtiyaç duyarken, geleneksel makine öğrenimi algoritmaları sadece birkaç bin veri noktasıyla bile büyük bir başarıyla kullanılabilir. Neyse ki, aşağıda verilen diyagramda görüldüğü gibi, veri bolluğu yılda% 40 ve CPU işlem gücü yılda% 20 artmaktadır -
Hesaplamalı Olarak Pahalı
Bir sinir ağını eğitmek, geleneksel algoritmaları çalıştırmak için gerekenden birkaç kat daha fazla hesaplama gücü gerektirir. Derin Sinir Ağlarının başarılı eğitimi, birkaç haftalık eğitim süresi gerektirebilir.
Bunun aksine, geleneksel makine öğrenimi algoritmalarının eğitilmesi yalnızca birkaç dakika / saat sürer. Ayrıca, derin sinir ağını eğitmek için gereken hesaplama gücü miktarı, büyük ölçüde verilerinizin boyutuna ve ağın ne kadar derin ve karmaşık olduğuna bağlıdır?
Makine Öğreniminin ne olduğuna, yeteneklerine, sınırlamalarına ve uygulamalarına genel bir bakış aldıktan sonra, şimdi “Makine Öğrenimi” öğrenmeye dalalım.