การเรียนรู้อย่างลึกซึ้ง: การเรียนรู้เครื่องจักรที่ดีที่สุด

สิ่งที่คุณต้องรู้เกี่ยวกับวิวัฒนาการของปัญญาประดิษฐ์

การเรียนรู้แบบลึกคือรูปแบบ การเรียนรู้ด้วยเครื่อง (ML) ที่มีประสิทธิภาพซึ่งสร้างโครงสร้างทางคณิตศาสตร์ที่ซับซ้อนซึ่งเรียกว่า เครือข่ายประสาทเทียม โดยใช้ข้อมูลจำนวนมหาศาล

นิยามการเรียนรู้ลึก

การเรียนรู้แบบลึกคือวิธีการใช้ ML โดยใช้หลายชั้นของเครือข่ายประสาทเทียมเพื่อประมวลผลข้อมูลประเภทที่ซับซ้อนมากขึ้น บางครั้งเรียกว่าการเรียนรู้ตามลำดับชั้นการเรียนรู้ลึก ๆ จะใช้เครือข่ายประสาทประเภทต่างๆเพื่อเรียนรู้คุณลักษณะต่างๆ (เรียกว่าการเป็นตัวแทน) และหาข้อมูลเหล่านี้ในชุดข้อมูลดิบที่ไม่มีป้ายกำกับ (ข้อมูลที่ไม่มีโครงสร้าง) หนึ่งในการสาธิตครั้งแรกในการเรียนรู้อย่างลึกซึ้งคือโปรแกรมที่เลือกภาพแมวจากวิดีโอ YouTube อย่างสมบูรณ์

ตัวอย่างการเรียนรู้ลึก ๆ ในชีวิตประจำวัน

การเรียนรู้ในลึกไม่ได้ใช้เฉพาะในการจดจำภาพเท่านั้น แต่ยังมีการแปลภาษาการตรวจสอบการฉ้อโกงและการวิเคราะห์ข้อมูลที่ บริษัท เก็บรวบรวมเกี่ยวกับลูกค้า ตัวอย่างเช่น Netflix ใช้การเรียนรู้อย่างลึกซึ้งในการวิเคราะห์พฤติกรรมการดูของคุณและคาดการณ์ว่าการแสดงและภาพยนตร์ที่คุณต้องการจะดูเป็นอย่างไร ด้วยเหตุนี้ Netflix จึงควรนำภาพยนตร์แอ็คชั่นและสารคดีธรรมชาติเข้ามาในคิวแนะนำของคุณ Amazon ใช้การเรียนรู้อย่างลึกซึ้งเพื่อวิเคราะห์การซื้อล่าสุดของคุณและรายการที่คุณเพิ่งค้นหาเพื่อสร้างคำแนะนำสำหรับอัลบั้มเพลงประเทศใหม่ที่คุณน่าจะสนใจและคุณกำลังอยู่ในตลาดสำหรับคู่ของเทนนิสสีเทาและสีเหลือง รองเท้า. เนื่องจากการเรียนรู้ในเชิงลึกช่วยให้ข้อมูลเชิงลึกจากข้อมูลที่ไม่มีโครงสร้างและข้อมูลดิบทำให้ บริษัท สามารถคาดการณ์ความต้องการของลูกค้าได้ดีขึ้นในขณะที่ลูกค้าแต่ละรายได้รับบริการลูกค้าที่เป็นส่วนตัวมากขึ้น

เครือข่ายประสาทเทียมและการเรียนรู้ลึก ๆ

เพื่อให้การเรียนรู้ลึก ๆ เข้าใจง่ายขึ้นให้ ทบทวนการเปรียบเทียบเครือข่ายประสาทเทียม (ANN) ของเรา สำหรับการเรียนรู้ลึก ๆ สมมติว่าอาคารสำนักงานสูง 15 ชั้นของเราตั้งอยู่ในตัวเมืองพร้อมอาคารสำนักงานอีก 5 แห่ง มีสามอาคารด้านข้างของถนน อาคารของเราเป็นอาคาร A และใช้ฝั่งตรงข้ามของถนนเป็นอาคาร B และ C. ฝั่งตรงข้ามจากอาคาร A คืออาคาร 1 และฝั่งตรงข้ามจากอาคาร B คืออาคาร 2 และอื่น ๆ แต่ละอาคารมีจำนวนชั้นที่แตกต่างกันทำจากวัสดุที่แตกต่างกันและมีรูปแบบสถาปัตยกรรมที่แตกต่างจากที่อื่น ๆ อย่างไรก็ตามอาคารแต่ละหลังยังคงจัดอยู่ในชั้นแยกต่างหาก (ชั้น) ของออฟฟิศ (โหนด) ด้วยเช่นกันดังนั้นอาคารแต่ละหลังจึงมีเอกลักษณ์เฉพาะตัวของ ANN

ลองนึกภาพว่ามีแพ็กเกจดิจิตอลมาถึงอาคาร A ซึ่งมีข้อมูลประเภทต่างๆมากมายจากแหล่งต่างๆเช่นข้อมูลแบบข้อความสตรีมวิดีโอสตรีมเสียงสายโทรศัพท์คลื่นวิทยุและรูปถ่าย แต่ก็มาถึงความสับสนขนาดใหญ่และ ไม่ได้มีการติดฉลากหรือเรียงลำดับด้วยเหตุผลใด ๆ (ข้อมูลที่ไม่มีโครงสร้าง) ข้อมูลจะถูกส่งผ่านแต่ละชั้นตามลำดับตั้งแต่ 1 ถึง 15 สำหรับการประมวลผล หลังจากที่ความสับสนทางข้อมูลถึงชั้นที่ 15 (ส่งออก) จะถูกส่งไปที่ชั้น 1 (อินพุท) ของอาคาร 3 พร้อมกับผลการประมวลผลขั้นสุดท้ายจากอาคาร A อาคาร 3 เรียนรู้และรวมผลที่ส่งมาจากอาคาร A และ จากนั้นประมวลผลข้อมูลที่สับสนผ่านแต่ละชั้นในลักษณะเดียวกัน เมื่อข้อมูลมาถึงชั้นบนสุดของอาคาร 3 จะถูกส่งจากที่นั่นพร้อมกับผลของอาคารดังกล่าวไปสู่อาคาร 1. ตึก 1 จะเรียนรู้และรวมผลจากอาคาร 3 ก่อนที่จะทำการปูพื้นชั้นทีละชั้น อาคาร 1 ส่งข้อมูลและผลลัพธ์ในลักษณะเดียวกับการสร้าง C ซึ่งประมวลผลและส่งไปยังอาคาร 2 ซึ่งจะประมวลผลและส่งไปยังอาคาร B

แต่ละ ANN (building) ในตัวอย่างของเราจะค้นหาคุณลักษณะที่แตกต่างกันในข้อมูลที่ไม่มีโครงสร้าง (ความสับสนของข้อมูล) และส่งผลไปยังอาคารถัดไป อาคารถัดไปประกอบด้วย (เรียนรู้) ผลลัพธ์ (ผลลัพธ์) จากก่อนหน้านี้ เนื่องจากข้อมูลถูกประมวลผลโดยแต่ละ ANN (Building) จะได้รับการจัดและติดฉลาก (จำแนก) ตามลักษณะเฉพาะเพื่อให้เมื่อข้อมูลถึงผลผลิตสุดท้าย (ชั้นบนสุด) ของ ANN ล่าสุด (อาคาร) จะมีการจัดประเภทและติดฉลาก (มีโครงสร้างมากขึ้น)

ปัญญาประดิษฐ์การเรียนรู้ด้วยเครื่องจักรและการเรียนรู้ลึก ๆ

การเรียนรู้แบบลึกนั้นเหมาะสมกับภาพรวมของ ปัญญาประดิษฐ์ (AI) และ ML อย่างไร? การเรียนรู้แบบลึกช่วยเพิ่มพลังของ ML และเพิ่มช่วงของงานที่ AI มีความสามารถในการแสดงผล เนื่องจากการเรียนรู้แบบลึกขึ้นอยู่กับการใช้มุ้งระบบประสาทและการจดจำคุณลักษณะภายในชุดข้อมูลแทนที่จะเป็น อัลกอริทึม เฉพาะงานที่เรียบง่ายจึงสามารถค้นหาและใช้รายละเอียดจากข้อมูลที่ไม่มีโครงสร้าง (ดิบ) โดยไม่ต้องใช้โปรแกรมเมอร์ในการติดป้ายกำกับด้วยตนเองเป็นครั้งแรก - งานที่สามารถนำข้อผิดพลาด การเรียนรู้ลึก ๆ จะช่วยให้คอมพิวเตอร์ทำงานได้ดีขึ้นและดีขึ้นเมื่อใช้ข้อมูลเพื่อช่วยทั้งองค์กรและบุคคล