Bedarf an tiefem Lernen | Ist Deep Learning erforderlich??

Dieser Artikel wurde im Rahmen der Data Science Blogathon.

Menschen sollten sich Sorgen machen über die Bedrohung durch künstliche Intelligenz. – Bill Gates

Ich bin mir sicher, dass das obige Zitat uns eine Botschaft übermitteln möchte, wir sollten unbedingt drüber nachdenken. Was Sie denken “Ich habe recht?”, Bitte teile deine Meinung im Kommentarfeld, Ich werde sie auf jeden Fall lesen, was mir helfen wird das zu verstehen “Gibt es negative Auswirkungen dieser Technologien auf die menschliche Spezies oder nicht??” Ö „Wird diese Technologie für das Aussterben der menschlichen Spezies verantwortlich sein??”.

Lasst uns beginnen, Heute ist unsere Tagesordnung, dass wir diskutieren werden "Gibt es wirklich einen Bedarf an Deep Learning??”.

In den letzten Jahren haben wir wahrscheinlich viel über Deep Learning gehört, aber worum geht es wirklich? Hier kommt mir noch eine kuriose Frage in den Sinn: “Warum steht Deep Learning erst jetzt im Mittelpunkt??”. Lassen Sie uns zuerst verstehen, was Künstliche Intelligenz wirklich ist.

Künstliche Intelligenz

Künstliche Intelligenz ist ein Oberbegriff für einen Zweig der Informatik. Ihr Ziel ist es, dass die Maschine die menschliche Kognition nachahmt, Konzentration auf die Lösung komplexer Probleme. Das einzige Ziel der KI ist, dass die Maschine in Zukunft eine menschenähnliche Intelligenz haben kann. Es bezieht sich auf die Simulation menschlicher Intelligenz in Maschinen, die so programmiert sind, dass die Maschine in der Lage ist, wie Menschen zu denken und ihre Handlungen nachzuahmen.

Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz, die sich im Wesentlichen darauf konzentriert, einen Computer in die Lage zu versetzen, selbstständig zu lernen, ohne dass handcodierte Anweisungen erforderlich sind. Machine-Learning-Systeme analysieren große Datenmengen und lernen aus früheren Fehlern. Die Ergebnisse werden aus Algorithmen generiert, die ihre Aufgabe effizient erledigen.

Deep Learning ist eine Teilmenge des maschinellen Lernens, Diese Technologie versucht, die Aktivität von Neuronen im menschlichen Gehirn zu imitieren, indem sie Matrizen multipliziert. Diese Anordnung wird als neuronales Netz bezeichnet.. In Wirklichkeit, Das Konzept der neuronalen Netze betrat die Szene in 1957 und wurde erstmals getestet in 1980, aber es war nicht nützlich. Das Deep Web wird nur aus zwei Gründen machbar, das erste ist eine Erhöhung der Rechenleistung und das zweite ist eine große Datenmenge. Nach dem Lesen bis hierher, Sie werden definitiv bezweifeln, dass dieser Begriff jedes Mal, wenn wir über Deep Learning sprechen, jedes Mal, wenn "Big Data" mit Deep Learning verbunden ist. In Wirklichkeit, Warum brauchen neuronale Netze so viele Daten?

Die Antwort auf die obige Frage ist, in Wirklichkeit, desto mehr Daten, desto robuster wird Ihr Netzwerk sein. Aufgrund seiner Robustheit, Ihr Netzwerk liefert bessere und genauere Ergebnisse als jeder andere Algorithmus. Versetzen wir uns in die Haut von Deep Learning😁. Angenommen, Sie haben gesehen 3 Katzenbilder, aus verschiedenen Blickwinkeln aufgenommen. Andererseits, du hast tausende verschiedene katzen gesehen, jetzt fällt es dir viel leichter einen zu erkennen. Das ist wichtig für die Daten. De Deep Learning, Daten sind die Essenz, die es der Maschine ermöglicht zu lernen.

Geburt des neuronalen Netzes

Das wahre Feld des Deep Learning begann in 2012, Vor 2012, die meisten Experten hielten das neuronale Netz für nutzlos. In 2012, Deep Learning rückt in den Mittelpunkt. In 2012, das neuronale Netz wurde erstmals im Wettbewerb zur Erkennung des weltweit größten Bilddatensatzes eingesetzt und, in der Tat, übertraf alle vorherigen Algorithmustypen. In dieser Bewegung, die Welt erkennt die wahre Macht neuronaler Netze. Dies war die Geburtsstunde des Neuronalen Netzes.

Meine Meinung zu “Gibt es einen Bedarf an Deep Learning??”

Vor meiner Meinung, Sehen wir uns eine von Google recherchierte Grafik an.

Laut Google-Suche nach 2013, die meisten Leute haben viel über Deep Learning geforscht. Die obige Grafik zeigt das Interesse der Menschen im Bereich Deep Learning. Die Grafik ist lange danach gestiegen 2013, dann, Was zu diesem Trendanstieg geführt hat, werden wir in diesem Artikel verstehen?

Laut einigen Experten, Es gibt viele Gründe für diesen Trend oder das exponentielle Wachstum des Interesses der Menschen am Bereich Deep Learning. Sehen wir sie uns einzeln an.

1. Das erste ist, dass danach 2013 Die meisten Leute kennen Smartphones und beginnen, sie zu benutzen. Die Leute beginnen, verschiedene Social-Media-Plattformen wie Facebook zu nutzen, Instagram oder WhatsApp, die tatsächlich viele Daten generieren. Durch die Nutzung dieser großen Datenmenge, wir können bestimmt vieles machen, verschiedene Anwendungsfälle lösen. Ex. Empfehlungssystem und vieles mehr.

Daten sind der wichtigste Grund, warum Deep Learning ins Spiel kommt. Laut einer Umfrage täglich ca.. 2,5 Billionen Byte generierte Daten. Schauen wir uns eine schöne Grafik an, die von Sir Andrew Ng . geteilt wurde.

Hier oben, Wir können diesen speziellen Graphen sehen, wo wir auf der x-Achse die Datenmenge und auf der y-Achse die Leistung des Algorithmus haben. Wie wir sehen, da wir die Datenmenge gegenüber älteren Lernalgorithmen erhöhen (jede Art von maschinellem Lernalgorithmus), Leistung nach einem bestimmten Zeitpunkt, begann sich zu verschlechtern und bleibt fast konstant, nicht gestiegen. Aber im Fall von Deep Learning, wenn wir die Datenmenge erhöhen, auch die Leistung steigt. Das bedeutet, dass dieses exponentielle Datenwachstum dazu führte, dass wir einige erstaunliche Deep-Learning-Modelle in Bezug auf Genauigkeit und verschiedene Leistungsmetriken erstellt haben..

2. Technologie ist ein weiterer Grund, der uns dazu ermutigt, Deep Learning zu erforschen, denn, zusammen mit einer großen Datenmenge, Deep Learning erforderte auch hochwertige Hardware. Hier rede ich von GPU (Grafikkarte) y TPU (Tensor-Verarbeitungseinheit). Aufgrund der Verbesserung der Technologie, jetzt bekommen wir ganz einfach gute Hardware zu einem viel günstigeren Preis. Da die Technologie von Tag zu Tag wächst, Die Hardwarekosten sinken von Tag zu Tag drastisch.

3. In Wirklichkeit, Deep Learning kombiniert Merkmalsextraktion und Trainingsteil des Modells. Diese beiden Techniken führen wir beim Machine Learning getrennt durch, aber hier sind beide Techniken innerhalb der Deep-Learning-Techniken enthalten.. Hier Feature-Extraktion und Modellbau, dass wir dies im Fall von Machine Learning separat tun, werden vollständig in Deep-Learning-Projekten kombiniert. Aus diesem Grund, Deep Learning kann komplexe Probleme wie die Bildklassifizierung wirklich lösen, Objekterkennung oder NLP-Aufgabe. Deep Learning verwendet tatsächlich das tiefe neuronale Netzwerk, wenn das neuronale Netz tief wird und immer komplexere Informationen und Merkmale innerhalb einer Problemstellung extrahiert werden.

Lass uns fertig sein😅!

In den vorherigen Punkten, Wir haben besprochen, dass die Technologie uns kontinuierlich unterstützt, warum also nicht seine Hand nehmen und vortreten? Aber diese Technologie hat trotz aller Vorteile eine Reihe von erheblichen Nachteilen.. Nach meinem, das Deep-Learning-Modell kann keine Argumente dafür liefern, warum es zu einer bestimmten Schlussfolgerung gelangt ist. Ich denke, es kann einige Probleme verursachen und eine Herausforderung für das Deep-Learning-Modell sein. Es ist in Ordnung, dass es viel Zeit und gute Hardware braucht, um das Modell zu trainieren.

Ich denke, Deep-Learning-Modelle sollten auch eine spezifische Aussage über ihre Ausgabe treffen, Angenommen, jedes Mal, wenn uns jemand fragt, was? “es ist eine Katze?”, Wie wir erklären, warum es eine Katze ist, Ich denke, dass das Deep-Learning-Modell auch die gleiche Strategie entwickeln sollte, die uns, wenn es ein Ergebnis liefert, auch eine angemessene Schlussfolgerung liefert. Ich glaube nicht, dass es möglich ist oder nicht, Ich teile nur meine Ansichten😅.

Und meine letzte Meinung ist das, in Wirklichkeit, wir sollten mit den trends und technologien weitermachen, die uns tatsächlich helfen, auf dem Laufenden zu bleiben und mehr zu wachsen. Was Sie denken, Hinterlasse unten einen Kommentar.

Abschließende Anmerkungen!

Hoffe dir hat dieser Artikel gefallen. Irgendeine Frage? Habe ich was verpasst? Bitte kontaktieren Sie mich unter meiner LinkedIn. Und schlussendlich, … Keine Notwendigkeit zu sagen,