Este artigo foi publicado como parte do Data Science Blogathon
Este artigo tem como objetivo explicar o aprendizado profundo e alguns algoritmos de aprendizado profundo supervisionado.. Este artigo irá discutir os seguintes tópicos
- Definição de aprendizado profundo
- Como funciona o algoritmo de aprendizado profundo.
- Tipos de algoritmos de aprendizado profundo supervisionado
- As 5 principais aplicações de algoritmos de aprendizado profundo
Definição de aprendizado profundo
O aprendizado profundo é um subconjunto de um algoritmo de aprendizado de máquina que usa várias camadas de redes neurais para realizar processamento de dados e cálculos em uma grande quantidade de dados.. O algoritmo de aprendizado profundo é baseado na função e funcionamento do cérebro humano.
O algoritmo de aprendizado profundo é capaz de aprender sem supervisão humana e pode ser usado para tipos de dados estruturados e não estruturados. O aprendizado profundo pode ser usado em vários setores, como saúde, as finanças, para o banco, comércio eletrônico, etc.
Como funciona o algoritmo de aprendizado profundo
A operação de algoritmos de aprendizado profundo depende da rede neural, assim como o cérebro humano calcula informações usando milhões de neurônios.
Vamos analisar o tipo de camadas:
- Camada de entrada: a camada de entrada tem recursos de entrada e um conjunto de dados que conhecemos.
- Manto oculto: camada escondida, assim como precisamos treinar o cérebro através de neurônios ocultos.
- Camada de saída – valor que queremos classificar
Obtemos o recurso de entrada da observação e o colocamos em uma camada. Essa camada cria uma saída que se torna a entrada para a próxima camada, conhecida como camada oculta.. Isso acontece até obtermos o resultado final.
Separamos ainda mais a rede e adicionamos muitas camadas ocultas dependendo da complexidade do problema e conectamos tudo assim como o cérebro humano interliga tudo e é assim que os valores de entrada são processados por todas as camadas ocultas e então temos a saída. É por isso que esse processo de aprendizado é conhecido como aprendizado profundo, porque muitos cálculos são feitos entre as camadas de entrada e saída.
Tipos de algoritmos de aprendizado profundo:
Aqui está a classificação dos algoritmos de Deep Learning:
Basicamente, podemos classificar o aprendizado profundo em dois tipos e, em seguida, aprofundar cada tipo em vários algoritmos de aprendizado profundo.
Aqui, neste artigo, discutiremos algoritmos de aprendizado profundo supervisionado.
- Neuronal vermelho artificial
- Convolucional neuronal vermelho
- Recorrente neuronal vermelho
Agora, vamos analisar esses 3 algoritmos em resumo:
1. Neuronal vermelho artificial:
Uma rede neural artificial é o componente de um sistema de computador projetado de tal forma que o cérebro humano analisa e toma uma decisão. Ann é a pedra angular do aprendizado profundo e resolve o problema que parece impossível ou muito difícil para os humanos.
Redes neurais artificiais funcionam como um cérebro humano. O cérebro humano possui bilhões de neurônios e cada neurônio é composto por um corpo celular que é responsável por calcular as informações, transportando as informações para os neurônios ocultos e fornecendo a saída final..
A RNA inicialmente na fase de treinamento aprende a identificar padrões com base nas entradas fornecidas à camada de entrada. Durante esta fase, A saída de Ann é comparada com a saída real, e a diferença entre esses dois é conhecida como um erro.
O objetivo é minimizar o erro ajustando o peso e a polarização da interconexão, o que é conhecido como retropropagação. Com o processo de retropropagação, a diferença entre a saída desejada e a saída real produz o menor erro.
2. Convolucional neuronal vermelho
CNN é um tipo supervisionado de aprendizado profundo, mais preferencialmente usado em reconhecimento de imagem e visão computacional.
A CNN possui várias camadas que processam e extraem recursos importantes da imagem.. Existem principalmente 4 Etapas de operação da CNN
Paso: 1 Operação de convolução com função de ativação Relu
O objetivo da operação de convolução é encontrar características na imagem usando detectores de características para preservar a relação especial entre os pixels.. A função de ativação Relu é usada para quebrar a linearidade e você deseja aumentar a não linearidade porque as próprias imagens são altamente não lineares.
Paso: 2 agrupamento
Binning é uma operação de downsampling que reduz dimensões e computação, reduz o overfitting, pois há menos parâmetros e o modelo é tolerante à variação e distorção.
Paso: 3 achatamento
O achatamento é usado para colocar a saída do pool em uma matriz unidimensional antes do processamento adicional..
Paso: 4 camada totalmente conectada
Uma camada totalmente conectada é formada quando a saída de nivelamento é alimentada a uma rede neural que classifica e reconhece ainda mais as imagens..
3. Redes neurais recorrentes (RNN)
RNN é um tipo de aprendizado profundo supervisionado em que a saída da etapa anterior é alimentada como entrada para a etapa atual. O algoritmo de aprendizado profundo da RNN é mais adequado para dados sequenciais. O RNN é mais preferencialmente usado em legendas de imagens, análise de séries temporais, processamento de linguagem natural, reconhecimento de caligrafia e tradução automática.
A característica mais importante do RNN é o estado oculto, que memoriza certas informações sobre uma sequência. Existem principalmente 4 passos de como o RNN funciona.
- A saída do estado oculto em t-1 foi alimentada na entrada no tempo t.
- Da mesma maneira, a saída no tempo t foi alimentada na entrada no tempo t + 1.
- A RNN pode processar entradas de qualquer comprimento considerável
- O cálculo do RNN depende dos dados da sequência histórica e o tamanho do modelo não aumenta com o tamanho da entrada.
Desta maneira, RNN converte ativações independentes em ativações dependentes, reduzindo assim a complexidade de incrementar parâmetros e lembrando cada saída anterior dando cada saída como entrada para a próxima camada oculta.
As 5 principais aplicações de algoritmos de aprendizado profundo
A seguir, mostra algumas maneiras pelas quais o aprendizado profundo é usado em vários setores.
1. Visão computacional
A visão computacional depende principalmente de métodos de processamento de imagem. Antes do aprendizado profundo, o melhor algoritmo de visão computacional baseado em aprendizado de máquina convencional e processamento de imagem rendeu uma taxa de erro de 25%. Mas, quando uma rede neural profunda foi usada para processamento de imagem, a taxa de erro foi reduzida para 16 por cento, e agora com o avanço nos algoritmos de aprendizado profundo, a taxa de erro foi reduzida para menos de 4%.
2. Análise e compreensão de textos
A análise de texto consiste na classificação de documentos, análise de sentimentos, tradução automática, etc. Redes neurais recorrentes são o algoritmo de aprendizado profundo mais útil aqui, devido ao tipo sequencial de dados textuais.
3. Reconhecimento de voz
O reconhecimento de fala permite que os computadores processem a fala humana em texto.. Tradicionalmente, reconhecimento de fala depende muito de um importante processo de extração de recursos, mas o aprendizado profundo está trabalhando diretamente em dados brutos e treinamento feito em um grande conjunto de dados de gravação de áudio.
4. Reconhecimento de padrões
O reconhecimento de padrões é a identificação automatizada de padrões e regularidades nos dados.. O tipo de dados pode variar de texto, imagens para sons ou áudio.
PayPal usa aprendizado profundo por meio de H2O, uma plataforma de análise preditiva, para ajudar a evitar transações fraudulentas de compra e pagamento e
5. veículos autônomos
O veículo autônomo conseguiu coletar dados sobre seu ambiente a partir de vários sensores, explique isso e, com base na explicação, escolha quais ações devem ser tomadas. O aprendizado profundo nos permite aprender a fazer o trabalho de forma tão eficiente quanto os humanos.
Obrigado pela leitura! No meu próximo artigo, Vou explicar várias funções de ativação com aplicativos.
A mídia mostrada neste artigo não é propriedade da DataPeaker e é usada a critério do autor.
