Necessità di apprendimento profondo | C'è bisogno di un apprendimento profondo??

Questo articolo è stato pubblicato nell'ambito del Blogathon sulla scienza dei dati.

Gli esseri umani dovrebbero essere preoccupati per la minaccia rappresentata dall'intelligenza artificiale. – Bill Gates

Sono sicuro che la citazione sopra vuole trasmetterci un messaggio, dovremmo assolutamente pensarci. Cosa ne pensi “ho ragione?”, per favore condividi la tua opinione nella casella dei commenti, le leggerò sicuramente, che mi aiuterà a capirlo “C'è qualche impatto negativo di queste tecnologie sulla specie umana o no??” oh "Questa tecnologia sarà responsabile dell'estinzione della specie umana??".

Cominciamo, oggi la nostra agenda è quella di discutere "C'è davvero bisogno di deep learning??".

Negli ultimi anni abbiamo probabilmente sentito parlare molto di deep learning, ma di cosa si tratta veramente? Ecco un'altra domanda curiosa che mi viene in mente: “Perché il deep learning è solo ora al centro della scena??”. Prima capiamo cos'è davvero l'Intelligenza Artificiale.

Intelligenza artificiale

L'intelligenza artificiale è un termine generico per una branca dell'informatica. Il suo obiettivo è che la macchina mimi la cognizione umana, concentrandosi sulla risoluzione di problemi complessi. L'unico obiettivo dell'IA è che la Macchina possa avere un'intelligenza simile a quella umana in futuro. Si riferisce alla simulazione dell'intelligenza umana in macchine programmate in modo che la macchina sia in grado di pensare come gli umani e imitare le loro azioni.

L'apprendimento automatico è un sottoinsieme dell'intelligenza artificiale che si concentra fondamentalmente su come rendere un computer in grado di apprendere da solo senza la necessità di istruzioni codificate a mano. I sistemi di apprendimento automatico analizzano una grande quantità di dati e imparano dagli errori precedenti. I risultati sono generati da algoritmi che completano il loro compito in modo efficiente.

Il deep learning è un sottoinsieme del machine learning, questa tecnologia cerca di imitare l'attività dei neuroni nel cervello umano moltiplicando le matrici. Questa disposizione è chiamata rete neurale.. In realtà, il concetto di reti neurali è entrato in scena in 1957 ed è stato testato per la prima volta in 1980, ma non è stato utile. Il deep web diventa fattibile solo per due motivi, il primo è un aumento della potenza di calcolo e il secondo è una grande quantità di dati. Dopo aver letto fino a questo punto, dubiterai sicuramente che ogni volta che parliamo di Deep Learning ogni volta che "grande quantità di dati" questo termine viene fornito con Deep Learning. In realtà, Perché le reti neurali hanno bisogno di così tanti dati??

La risposta alla domanda di cui sopra è, in realtà, più dati, più robusta sarà la tua rete. Grazie alla sua robustezza, la tua rete fornirà risultati migliori e più accurati rispetto a qualsiasi altro algoritmo. Mettiamoci nei panni del Deep Learning😁. Supponi di aver visto 3 immagini di gatti, preso da diverse angolazioni. Ma d'altra parte, hai visto migliaia di gatti diversi, ora è molto più facile per te riconoscerne uno. Questo è importante per i dati. En Deep Learning, i dati sono l'essenza che permette alla macchina di apprendere.

Nascita della rete neurale

Il vero campo del Deep Learning è iniziato in 2012, prima 2012, la maggior parte degli esperti riteneva che la rete neurale fosse inutile. Sopra 2012, Il Deep Learning diventa il centro dell'attenzione. Sopra 2012, la rete neurale è stata utilizzata per la prima volta in competizione per riconoscere il set di dati di immagini più grande del mondo e, infatti, ha superato tutti i precedenti tipi di algoritmi. In questo movimento, il mondo realizza il vero potere delle reti neurali. Questa è stata la nascita della Rete Neurale.

La mia opinione su “C'è bisogno di deep learning🤔?”

Prima della mia opinione, vediamo un grafico ricercato da google.

Secondo la ricerca di Google dopo 2013, la maggior parte delle persone ha fatto molte ricerche sul Deep Learning. Il grafico sopra mostra l'interesse delle persone nel campo del Deep Learning. Il grafico è aumentato molto tempo dopo 2013, poi, Cosa ha portato a questo aumento di tendenza che capiremo in questo articolo?

Secondo alcuni esperti, ci sono molte ragioni dietro questa tendenza o la crescita esponenziale dell'interesse delle persone nel campo del Deep Learning. Vediamoli uno per uno.

1. La prima cosa è che dopo 2013 la maggior parte delle persone conosce gli smartphone e inizia a usarli. Le persone iniziano a utilizzare varie piattaforme di social media come Facebook, Instagram o WhatsApp, che in realtà generano molti dati. Usando questa grande quantità di dati, possiamo sicuramente fare molte cose, risolvere diversi tipi di casi d'uso. Ex. sistema di raccomandazione e molte cose.

I dati sono il motivo principale per cui il deep learning entra in gioco. Secondo un sondaggio ogni giorno circa. 2,5 trilioni di byte di dati generati. Diamo un'occhiata a una bella grafica condivisa da Sir Andrew Ng.

Qui su, possiamo vedere questo grafico specifico dove sull'asse x abbiamo la quantità di dati e sull'asse y abbiamo le prestazioni dell'algoritmo. Come vediamo, man mano che aumentiamo la quantità di dati rispetto ai vecchi algoritmi di apprendimento (qualsiasi tipo di algoritmo di apprendimento automatico), prestazioni dopo un determinato momento, ha cominciato a degradarsi e rimane quasi costante, non è aumentato. Ma nel caso del Deep Learning, man mano che aumentiamo la quantità di dati, aumentano anche le prestazioni. Significa che questa crescita esponenziale dei dati ci ha portato a creare alcuni sorprendenti modelli di deep learning in termini di accuratezza e varie metriche di performance..

2. La tecnologia è un altro motivo che ci incoraggia a ricercare il deep learning perché, insieme a una grande quantità di dati, il deep learning richiedeva anche hardware di buona qualità. Qui sto parlando di GPU (Unità di elaborazione grafica) e TPU (Unità di elaborazione del tensore). A causa del miglioramento della tecnologia, ora otteniamo facilmente un buon hardware a un prezzo molto più basso. Mentre la tecnologia aumenta di giorno in giorno, il costo dell'hardware diminuisce drasticamente di giorno in giorno.

3. In realtà, il deep learning combina l'estrazione delle funzionalità e la parte di addestramento del modello. Eseguiamo queste due tecniche separatamente nel caso del Machine Learning, ma qui entrambe le tecniche sono incluse nelle tecniche di deep learning.. Qui l'estrazione delle caratteristiche e la costruzione del modello, che lo facciamo separatamente nel caso del Machine Learning, sono completamente combinati nei progetti di Deep Learning. A causa di ciò, Il Deep Learning può davvero risolvere problemi complessi come la classificazione delle immagini, rilevamento di oggetti o attività di PNL. Il deep learning utilizza effettivamente la rete neurale profonda, man mano che la rete neurale diventa profonda e informazioni e caratteristiche sempre più complesse vengono estratte all'interno di una dichiarazione del problema.

Finiamo😅!

Nei punti precedenti, abbiamo discusso che la tecnologia ci supporta continuamente, quindi perché non prenderle la mano e fare un passo avanti?? Ma questa tecnologia ha una serie di svantaggi significativi nonostante tutti i suoi vantaggi.. Secondo il mio, il modello di deep learning non è in grado di fornire argomenti sul motivo per cui ha raggiunto una certa conclusione. Penso che possa causare alcuni problemi e può essere una sfida per il modello di deep learning. Va bene che ci voglia molto tempo e un buon hardware per addestrare il modello.

Penso che i modelli di deep learning dovrebbero anche dare una conclusione specifica sul suo output, supponiamo che ogni volta che qualcuno ci chiede cosa “è un gatto?”, Il modo in cui spieghiamo perché è un gatto, Penso che anche il Deep Learning Model dovrebbe ideare la stessa strategia che ogni volta che dà qualche risultato ci darà anche una conclusione adeguata. Non credo sia possibile o no, Condivido solo le mie opinioni😅.

E la mia ultima opinione è che, in realtà, dovremmo andare avanti con le tendenze e le tecnologie, che di fatto ci aiutano a tenerci aggiornati e a crescere di più. Cosa ne pensi, lascia un commento qui sotto.

Note finali!

Spero che questo articolo ti sia piaciuto. Qualsiasi domanda? Mi sono perso qualcosa?? Per favore contattami al mio LinkedIn. E infine, … Non c'è bisogno di dire,