Cet article a été publié dans le cadre du Blogathon sur la science des données.
Les humains devraient être préoccupés par la menace posée par l'intelligence artificielle. – Bill Gates
Je suis sûr que la citation ci-dessus veut nous transmettre un message, il faut absolument y penser. Que penses-tu “J'ai raison?”, s'il vous plaît partagez votre opinion dans la zone de commentaire, je vais certainement les lire, ce qui m'aidera à comprendre que “Y a-t-il un impact négatif de ces technologies sur l'espèce humaine ou non?” O « Cette technologie sera-t-elle responsable de l'extinction de l'espèce humaine ??".
Commençons, aujourd'hui, notre ordre du jour est que nous allons discuter “¿Existe realmente alguna necesidad de l'apprentissage en profondeurL'apprentissage en profondeur, Une sous-discipline de l’intelligence artificielle, s’appuie sur des réseaux de neurones artificiels pour analyser et traiter de grands volumes de données. Cette technique permet aux machines d’apprendre des motifs et d’effectuer des tâches complexes, comme la reconnaissance vocale et la vision par ordinateur. Sa capacité à s’améliorer continuellement au fur et à mesure que de nouvelles données lui sont fournies en fait un outil clé dans diverses industries, de la santé...?".
Au cours des dernières années, nous avons probablement beaucoup entendu parler de l'apprentissage en profondeur, mais de quoi s'agit-il vraiment? Voici une autre question curieuse qui me vient à l'esprit: “Pourquoi le deep learning n'occupe-t-il le devant de la scène que maintenant ??”. Commençons par comprendre ce qu'est vraiment l'intelligence artificielle.
Intelligence artificielle
L'intelligence artificielle est un terme générique pour une branche de l'informatique. Son objectif est que la machine imite la cognition humaine, centrándose en la résolutionLa "résolution" fait référence à la capacité de prendre des décisions fermes et d’atteindre les objectifs fixés.. Dans des contextes personnels et professionnels, Il s’agit de définir des objectifs clairs et d’élaborer un plan d’action pour les atteindre. La résolution est essentielle à la croissance personnelle et à la réussite dans divers domaines de la vie, car cela vous permet de surmonter les obstacles et de rester concentré sur ce qui compte vraiment.... de problemas complejos. Le seul objectif de l'IA est que la Machine puisse avoir une intelligence humaine à l'avenir. Il fait référence à la simulation de l'intelligence humaine dans des machines qui sont programmées pour que la machine soit capable de penser comme les humains et d'imiter leurs actions..
L'apprentissage automatique est un sous-ensemble de l'intelligence artificielle qui se concentre essentiellement sur la façon de rendre un ordinateur capable d'apprendre par lui-même sans avoir besoin d'instructions codées à la main.. Les systèmes d'apprentissage automatique analysent une grande quantité de données et apprennent des erreurs précédentes. Les résultats sont générés à partir d'algorithmes qui accomplissent leur tâche efficacement.
L'apprentissage en profondeur est un sous-ensemble de l'apprentissage automatique, cette technologie tente d'imiter l'activité des neurones du cerveau humain en multipliant les matrices. Esta disposición se llama neuronal rougeLes réseaux de neurones sont des modèles computationnels inspirés du fonctionnement du cerveau humain. Ils utilisent des structures appelées neurones artificiels pour traiter et apprendre des données. Ces réseaux sont fondamentaux dans le domaine de l’intelligence artificielle, permettant des avancées significatives dans des tâches telles que la reconnaissance d’images, Traitement du langage naturel et prédiction de séries temporelles, entre autres. Leur capacité à apprendre des motifs complexes en fait des outils puissants... En réalité, le concept de réseaux de neurones est entré en scène dans 1957 et a été testé pour la première fois dans 1980, mais ce n'était pas utile. Le deep web ne devient réalisable que pour deux raisons, le premier est une augmentation de la puissance de calcul et le second est une grande quantité de données. Après avoir lu jusqu'à ce point, vous douterez certainement que chaque fois que nous parlons de Deep Learning à chaque fois "big data", ce terme vient avec Deep Learning. En réalité, Pourquoi les réseaux de neurones ont-ils besoin de tant de données?
La réponse à la question ci-dessus est, en réalité, plus il y a de données, plus votre réseau sera robuste. En raison de sa robustesse, votre réseau donnera des résultats meilleurs et plus précis que tout autre algorithme. Mettons-nous dans la peau du Deep Learning😁. Supposons que vous ayez vu 3 images de chat, pris sous différents angles. Mais d'autre part, vous avez vu des milliers de chats différents, maintenant il est beaucoup plus facile pour vous d'en reconnaître un. Ceci est important pour les données. Apprentissage en profondeur, les données sont l'essence qui permet à la machine d'apprendre.
Naissance du réseau de neurones
Le véritable domaine du Deep Learning a commencé en 2012, avant de 2012, la plupart des experts pensaient que le réseau de neurones était inutile. Dans 2012, Le Deep Learning devient le centre d'attention. Dans 2012, le réseau de neurones a été utilisé pour la première fois en compétition pour reconnaître le plus grand ensemble de données d'images au monde et, En réalité, a surpassé tous les types d'algorithmes précédents. Dans ce mouvement, le monde réalise la vraie puissance des réseaux de neurones. Ce fut la naissance du réseau de neurones.
Mon avis sur “Y a-t-il un besoin d'apprentissage en profondeur🤔?”
Avant mon avis, voyons un graphique recherché par google.
Selon la recherche Google après 2013, la plupart des gens ont fait beaucoup de recherches sur le Deep Learning. Le graphique ci-dessus montre l'intérêt des personnes dans le domaine du Deep Learning. Le graphique a augmenté longtemps après 2013, ensuite, Ce qui a conduit à cette montée de tendance que nous allons comprendre dans cet article?
Selon certains experts, il y a de nombreuses raisons derrière cette tendance ou la croissance exponentielle de l'intérêt des gens pour le domaine du Deep Learning. Voyons-les un par un.
1. La première chose est qu'après 2013 la plupart des gens connaissent les smartphones et commencent à les utiliser. Les gens commencent à utiliser diverses plateformes de médias sociaux comme Facebook, Instagram ou WhatsApp, qui génèrent en fait beaucoup de données. En utilisant cette grande quantité de données, nous pouvons certainement faire beaucoup de choses, résoudre différents types de cas d'utilisation. Ex. système de recommandation et beaucoup de choses.
Les données sont la principale raison pour laquelle le deep learning entre en scène. Selon une enquête quotidienne d'environ. 2,5 trillion d'octets de données générés. Regardons un beau graphique partagé par Sir Andrew Ng.
Ici, nous pouvons voir ce graphique spécifique où sur l'axe des x nous avons la quantité de données et sur l'axe des y nous avons les performances de l'algorithme. Comme on le voit, une mesureLa "mesure" C’est un concept fondamental dans diverses disciplines, qui fait référence au processus de quantification des caractéristiques ou des grandeurs d’objets, phénomènes ou situations. En mathématiques, Utilisé pour déterminer les longueurs, Surfaces et volumes, tandis qu’en sciences sociales, il peut faire référence à l’évaluation de variables qualitatives et quantitatives. La précision des mesures est cruciale pour obtenir des résultats fiables et valides dans toute recherche ou application pratique.... que aumentamos la cantidad de datos con respecto a los algoritmos de aprendizaje más antiguos (tout type d'algorithme d'apprentissage automatique), performance après un moment précis, a commencé à se dégrader et reste presque constant, n'a pas augmenté. Mais dans le cas du Deep Learning, à mesure que nous augmentons la quantité de données, les performances augmentent également. Cela signifie que cette croissance exponentielle des données nous a amenés à créer des modèles d'apprentissage en profondeur étonnants en termes de précision et de diverses mesures de performance..
2. La technologie est une autre raison qui nous encourage à rechercher l'apprentissage en profondeur parce que, avec une grande quantité de données, l'apprentissage en profondeur nécessitait également un matériel de bonne qualité. Ici je parle de GPU (Processeur graphique) et TPU (Unidad de procesamiento de tensorLos tensores son estructuras matemáticas que generalizan conceptos como scalars y vectores. Se utilizan en diversas disciplinas, incluyendo física, ingeniería y aprendizaje automático, para representar datos multidimensionales. Un tensor puede ser visualizado como una matriz de múltiples dimensiones, lo que permite modelar relaciones complejas entre diferentes variables. Su versatilidad y capacidad para manejar grandes volúmenes de información los convierten en herramientas fundamentales en el análisis y procesamiento de datos....). En raison de l'amélioration de la technologie, maintenant, nous obtenons facilement du bon matériel à un prix beaucoup plus bas. Alors que la technologie augmente de jour en jour, le coût du matériel diminue considérablement de jour en jour.
3. En réalité, el aprendizaje profundo combina la extracción de características y la parte de entraînementLa formation est un processus systématique conçu pour améliorer les compétences, connaissances ou aptitudes physiques. Il est appliqué dans divers domaines, Comme le sport, Éducation et développement professionnel. Un programme d’entraînement efficace comprend la planification des objectifs, Pratique régulière et évaluation des progrès. L’adaptation aux besoins individuels et la motivation sont des facteurs clés pour obtenir des résultats réussis et durables dans toutes les disciplines.... del modelo. Nous réalisons ces deux techniques séparément dans le cas du Machine Learning, mais ici les deux techniques sont incluses dans les techniques de deep learning.. Ici extraction de caractéristiques et construction de modèles, que nous le fassions séparément dans le cas du Machine Learning, sont entièrement combinés dans des projets de Deep Learning. À cause de, Le Deep Learning peut vraiment résoudre des problèmes complexes comme la classification d'images, détection d'objet ou tâche NLP. L'apprentissage profond utilise en fait le réseau de neurones profonds, à mesure que le réseau de neurones devient profond et que des informations et des caractéristiques de plus en plus complexes sont extraites dans un énoncé de problème.
Finissons!
Dans les points précédents, nous avons discuté du fait que la technologie nous soutient en permanence, alors pourquoi ne pas lui prendre la main et avancer? Mais cette technologie présente un ensemble d'inconvénients importants malgré tous ses avantages.. Selon moi, le modèle d'apprentissage en profondeur est incapable de fournir des arguments expliquant pourquoi il est parvenu à une certaine conclusion. Je pense que cela peut causer des problèmes et peut être difficile pour le modèle d'apprentissage en profondeur. Il est normal qu'il faille beaucoup de temps et un bon matériel pour entraîner le modèle.
Je pense que les modèles d'apprentissage en profondeur devraient également donner une conclusion spécifique sur ses résultats, supposons que chaque fois que quelqu'un nous demande ce “c'est un chat?”, La façon dont nous expliquons pourquoi c'est un chat, Je pense que le modèle d'apprentissage profond devrait également concevoir la même stratégie que chaque fois qu'il donne un résultat, il nous donnera également une conclusion adéquate. je ne pense pas que ce soit possible ou pas, Je partage juste mon point de vue😅.
Et mon dernier avis est que, en réalité, nous devons continuer avec les tendances et les technologies, qui en fait nous aident à rester à jour et à grandir plus. Ce que vous pensez, laissez un commentaire ci-dessous.
Remarques finales!
J'espère que cet article vous a plu. N'importe quelle question? Ai-je raté quelque chose? Veuillez me contacter à mon LinkedIn. Et finalement, … Pas besoin de dire,
Merci pour la lecture!
À plus!
Les médias présentés dans cet article ne sont pas la propriété de DataPeaker et sont utilisés à la discrétion de l'auteur.
