Học máy - Học sâu

Học sâu sử dụng ANN. Trước tiên, chúng ta sẽ xem xét một vài ứng dụng học sâu sẽ cho bạn ý tưởng về sức mạnh của nó.

Các ứng dụng

Deep Learning đã cho thấy rất nhiều thành công trong một số lĩnh vực ứng dụng máy học.

Self-driving Cars- Xe ô tô tự lái sử dụng kỹ thuật học sâu. Họ thường thích nghi với các tình huống giao thông luôn thay đổi và ngày càng lái xe tốt hơn trong một khoảng thời gian.

Speech Recognition- Một ứng dụng thú vị khác của Deep Learning là nhận dạng giọng nói. Tất cả chúng ta ngày nay đều sử dụng một số ứng dụng di động có khả năng nhận dạng giọng nói của chúng ta. Siri của Apple, Alexa của Amazon, Cortena của Microsoft và Trợ lý của Google - tất cả đều sử dụng các kỹ thuật học sâu.

Mobile Apps- Chúng tôi sử dụng một số ứng dụng di động và dựa trên web để sắp xếp ảnh của mình. Nhận diện khuôn mặt, nhận dạng khuôn mặt, gắn thẻ khuôn mặt, xác định đối tượng trong hình ảnh - tất cả đều sử dụng học sâu.

Cơ hội chưa được khai thác của Học sâu

Sau khi xem xét thành công lớn mà các ứng dụng học sâu đã đạt được trong nhiều lĩnh vực, mọi người bắt đầu khám phá các lĩnh vực khác mà cho đến nay máy học vẫn chưa được áp dụng. Có một số lĩnh vực mà kỹ thuật học sâu được áp dụng thành công và có nhiều lĩnh vực khác có thể được khai thác. Một số trong số này được thảo luận ở đây.

• Nông nghiệp là một trong những ngành mà mọi người có thể áp dụng các kỹ thuật học sâu để nâng cao năng suất cây trồng.

• Tài chính tiêu dùng là một lĩnh vực khác mà máy học có thể giúp ích rất nhiều trong việc phát hiện sớm các hành vi gian lận và phân tích khả năng thanh toán của khách hàng.

• Kỹ thuật học sâu cũng được áp dụng trong lĩnh vực y học để tạo ra các loại thuốc mới và cung cấp đơn thuốc được cá nhân hóa cho bệnh nhân.

Khả năng là vô tận và người ta phải tiếp tục theo dõi khi các ý tưởng và phát triển mới xuất hiện thường xuyên.

Điều gì cần thiết để đạt được nhiều thành tích hơn bằng cách sử dụng Học sâu

Để sử dụng học sâu, sức mạnh siêu máy tính là một yêu cầu bắt buộc. Bạn cần cả bộ nhớ cũng như CPU ​​để phát triển các mô hình học sâu. May mắn thay, ngày nay chúng ta đã có sẵn HPC - Máy tính Hiệu suất Cao một cách dễ dàng. Do đó, sự phát triển của các ứng dụng học sâu mà chúng ta đã đề cập ở trên đã trở thành hiện thực ngày nay và trong tương lai chúng ta cũng có thể thấy các ứng dụng trong những lĩnh vực chưa được khai thác mà chúng ta đã thảo luận trước đó.

Bây giờ, chúng ta sẽ xem xét một số hạn chế của học sâu mà chúng ta phải xem xét trước khi sử dụng nó trong ứng dụng học máy của mình.

Nhược điểm của Học sâu

Một số điểm quan trọng mà bạn cần xem xét trước khi sử dụng học sâu được liệt kê dưới đây:

• Cách tiếp cận Hộp đen
• Thời gian phát triển
• Số lượng dữ liệu
• Đắt tiền

Bây giờ chúng ta sẽ nghiên cứu chi tiết từng hạn chế này.

Cách tiếp cận Hộp đen

ANN giống như một hộp đen. Bạn cung cấp cho nó một đầu vào nhất định và nó sẽ cung cấp cho bạn một đầu ra cụ thể. Sơ đồ sau đây cho bạn thấy một ứng dụng như vậy, nơi bạn cung cấp hình ảnh động vật vào mạng nơ-ron và nó cho bạn biết rằng hình ảnh đó là của một con chó.

Tại sao đây được gọi là cách tiếp cận hộp đen là bạn không biết tại sao mạng lại đưa ra một kết quả nhất định. Bạn không biết làm thế nào mà dân mạng kết luận đó là một con chó? Bây giờ, hãy xem xét một ứng dụng ngân hàng mà ngân hàng muốn quyết định mức độ tín nhiệm của khách hàng. Mạng chắc chắn sẽ cung cấp cho bạn câu trả lời cho câu hỏi này. Tuy nhiên, liệu bạn có thể biện minh cho khách hàng? Các ngân hàng cần giải thích cho khách hàng hiểu vì sao cho vay không bị xử phạt?

Thời gian phát triển

Quá trình đào tạo một mạng nơ-ron được mô tả trong sơ đồ dưới đây:

Trước tiên, bạn xác định vấn đề mà bạn muốn giải quyết, tạo một đặc tả cho nó, quyết định các tính năng đầu vào, thiết kế mạng, triển khai nó và kiểm tra đầu ra. Nếu kết quả đầu ra không như mong đợi, hãy coi đây là phản hồi để cơ cấu lại mạng của bạn. Đây là một quá trình lặp đi lặp lại và có thể yêu cầu nhiều lần lặp lại cho đến khi mạng thời gian được huấn luyện đầy đủ để tạo ra các đầu ra mong muốn.

Số lượng dữ liệu

Các mạng học sâu thường yêu cầu một lượng lớn dữ liệu để đào tạo, trong khi các thuật toán học máy truyền thống có thể được sử dụng thành công rực rỡ ngay cả khi chỉ với vài nghìn điểm dữ liệu. May mắn thay, lượng dữ liệu dồi dào đang tăng lên 40% mỗi năm và sức mạnh xử lý của CPU đang tăng ở mức 20% mỗi năm như được thấy trong biểu đồ bên dưới -

Đắt tiền

Việc đào tạo một mạng nơ-ron đòi hỏi sức mạnh tính toán cao hơn nhiều lần so với sức mạnh cần thiết khi chạy các thuật toán truyền thống. Việc đào tạo thành công Mạng thần kinh sâu có thể yêu cầu thời gian đào tạo vài tuần.

Trái ngược với điều này, các thuật toán học máy truyền thống chỉ mất vài phút / giờ để đào tạo. Ngoài ra, lượng sức mạnh tính toán cần thiết để đào tạo mạng nơ-ron sâu phụ thuộc nhiều vào kích thước dữ liệu của bạn và mức độ sâu và phức tạp của mạng?

Sau khi có cái nhìn tổng quan về Học máy là gì, các khả năng, hạn chế và ứng dụng của nó, bây giờ chúng ta hãy đi sâu vào tìm hiểu “Học máy”.