機械学習の重要なサブセットであるため、 特にAIの無限の可能性を解き放つことに関心のある人々の間で、大きな上昇が見られました。ディープラーニングの人気の高まりに触発されて、人工知能の分野におけるこの新しいトレンドについて教育し、それが何であるかを理解するのに役立つ一連のブログを考え出すことを考えました。これは、シリーズの多くのブログの最初のものです– ディープラーニングチュートリアル 。
ディープラーニングチュートリアル
このディープラーニングチュートリアルブログでは、次のことについて説明します。これらは、今後のブログの基礎として役立ちます。
- ディープラーニングが生まれた理由
- ディープラーニングとは何ですか？どのように機能しますか？
この概念をよりよく理解するのに役立つ例を使用して、インストラクターがトピックを詳細に説明したディープラーニングチュートリアルのこの記録をご覧ください。
ディープラーニングチュートリアル|ディープラーニングニューラルネットワーク|エドゥレカ
人工知能とディープラーニングの応用
今、これについて考えてみてください。あなたがすべての仕事をする代わりに、あなたはあなたのためにそれを仕上げるための機械を持っているか、それはあなたがまったく不可能だと思った何かをすることができます。例えば：
 | 未来を予測する： 地震や津波などを事前に予知することで、多くの人命が自然災害に陥るのを防ぐための予防策を講じることができます。 |
| チャットボット： 皆さんは、Appleの音声制御仮想アシスタントであるSiriについて聞いたことがあるでしょう。ディープラーニングの助けを借りて、これらの仮想支援は日々賢くなっています。実際、Siriはユーザーに応じて適応し、よりパーソナライズされた支援を提供できます。 |
| 自動運転車： 自分で運転するのが難しい身体障害者や高齢者にとって、それがどれほど素晴らしいことか想像してみてください。これとは別に、ヒューマンエラーのために毎年交通事故に遭う何百万人もの罪のない命を救うでしょう。 |
Google AIアイドクター： これはGoogleが最近行ったイニシアチブで、インドのアイケアチェーンと協力して、網膜スキャンを検査し、失明を引き起こす可能性のある糖尿病性網膜症と呼ばれる状態を特定できるAIソフトウェアを開発しています。 |
| AIミュージックコンポーザー： さて、ディープラーニングを使用してAI音楽作曲家を作ることができると誰が考えましたか。したがって、次善の音楽が機械によって与えられると聞いても驚かないでしょう。 |
| 夢の読書機： これは私のお気に入りの1つで、あなたの夢をビデオなどの形でキャプチャできるマシンです。これまでに見たAIとディープラーニングの非現実的なアプリケーションが非常に多いため、これが数年前に日本で3つの被験者に対して試行され、60％近くの精度を達成できたことがわかっても驚きませんでした。それは非常に信じられないことですが、本当です。 |
AIとディープラーニングのこれらの実際のアプリケーションのいくつかがあなたに鳥肌を与えたであろうと私はかなり確信しています。さて、これであなたの基盤が整いました。これで、このディープラーニングチュートリアルをさらに進めて、人工知能とは何かを理解する準備が整いました。
Javaクラスのインスタンスデータ
人工知能とは何ですか？
人工知能は、インテリジェントな人間の行動を模倣する機械の能力に他なりません。 AIは、人間の脳を模倣し、問題の解決を試みながら、人間の脳がどのように考え、どのように学習し、決定し、機能するかを理解することによって実現されます。
例えば： チェスをするマシン、iPhoneのさまざまな操作を支援する音声起動ソフトウェア、またはスピード違反の車のナンバープレートをキャプチャして処理し、登録番号を抽出して車の所有者を識別するナンバープレート認識システム。これらはすべて、以前は実装が非常に簡単ではありませんでした ディープラーニング 。それでは、人工知能のさまざまなサブセットについて理解しましょう。
人工知能のサブセット
これまで、人工知能、機械学習、ディープラーニングについて多くのことを聞いていたでしょう。しかし、3つすべての関係を知っていますか？基本的に、深層学習は機械学習のサブフィールドであり、機械学習は次の画像に示すように人工知能のサブフィールドです。
私たちが次のようなものを見るとき AlphaGo 、ディープラーニングの大成功として描かれることがよくありますが、実際には、AIと機械学習のいくつかの異なる分野からのアイデアの組み合わせです。実際、ディープニューラルネットワークの背後にある考え方は新しいものではなく、1950年代にまでさかのぼると聞いて驚かれることでしょう。しかし、現在利用可能なハイエンドのリソース機能により、実際に実装することが可能になりました。
それでは、このディープラーニングチュートリアルブログを進めて、機械学習とそれに続く制限について見ていきましょう。
機械学習とは何ですか？
機械学習は人工知能のサブセットであり、明示的にプログラムされていなくてもコンピューターが学習できるようにします。機械学習では、他のプログラミングアプリケーションのように、すべてのステップや条件を明示的に定義する必要はありません。それどころか、マシンは、モデルを作成するのに十分な大きさのトレーニングデータセットでトレーニングされます。これは、マシンが学習に基づいて意思決定を行うのに役立ちます。
例えば： 機械学習を使用して、花びらとがく片の長さ（花の葉）に基づいて花の種を特定したいと考えています。では、どうすればいいのでしょうか。
| 上の画像にあるように、さまざまな花のさまざまな特性とそれぞれの種を含む花のデータセットをマシンにフィードします。この入力データセットを使用して、マシンは花をさまざまなカテゴリに分類するために使用できるモデルを作成してトレーニングします。 |
| モデルがトレーニングされたら、モデルへの入力として一連の特性を渡します。 |
| 最後に、モデルは新しい入力データセットに存在する花の種を出力します。モデルを作成して意思決定に使用するようにマシンをトレーニングするこのプロセスは、 機械学習 。ただし、このプロセスにはいくつかの制限があります。 |
機械学習の制限
機械学習は、入出力が非常に大きい高次元データを処理できません。このようなタイプのデータの処理と処理は非常に複雑になり、リソースを使い果たします。これは、 次元の呪い 。これを簡単に理解するために、次の画像について考えてみましょう。
Javaの2進化10進数
| 100ヤードのラインを考えてみましょう。ラインのどこかにコインを落としました。さて、ラインを歩くだけでコインを見つけるのはとても便利です。この線は一次元の実体です。 |
| 次に、上の画像に示すように、それぞれ100ヤードの正方形の辺があり、その間のどこかにコインを落としたとします。さて、前のシナリオと比較して、その正方形内のコインを見つけるのにより多くの時間がかかることは非常に明白です。この正方形は2次元のエンティティです。 |
| それぞれ100ヤードの辺の立方体を考えて、一歩先を進んでみましょう。その間のどこかにコインを落としました。さて、今回はコインを見つけるのがさらに難しくなりました。この立方体は3次元のエンティティです。 |
したがって、次元が増加するにつれて複雑さが増加していることがわかります。そして実際には、私たちが話していた高次元のデータには数千の次元があり、処理と処理が非常に複雑になっています。高次元データは、画像処理、NLP、画像変換などのユースケースで簡単に見つけることができます。
機械学習ではこれらのユースケースを解決できなかったため、ディープラーニングが役に立ちました。ディープラーニングは、高次元のデータを処理することができ、それ自体で適切な機能に焦点を合わせるのにも効率的です。このプロセスは特徴抽出と呼ばれます。それでは、このディープラーニングチュートリアルを進めて、ディープラーニングがどのように機能するかを理解しましょう。
ディープラーニングはどのように機能しますか？
人間の脳を再設計する試みとして、ディープラーニングは脳細胞またはニューロンと呼ばれる脳の基本単位を研究します。ニューロンから着想を得て、人工ニューロンまたはパーセプトロンが開発されました。ここで、生物学的ニューロンの機能と、パーセプトロンまたは人工ニューロンでこの機能を模倣する方法を理解しましょう。
生物学的ニューロンの構造に焦点を当てると、入力を受け取るために使用される樹状突起があります。これらの入力は細胞体で合計され、上の画像に示すように、軸索を使用して次の生物学的ニューロンに渡されます。
同様に、パーセプトロンは複数の入力を受け取り、さまざまな変換と関数を適用して出力を提供します。
私たちの脳はニューラルネットワークと呼ばれる複数の接続されたニューロンで構成されていることがわかっているので、パーセプトロンと呼ばれる人工ニューロンのネットワークを使用してディープニューラルネットワークを形成することもできます。それでは、このディープラーニングチュートリアルを進めて、ディープニューラルネットワークがどのように見えるかを理解しましょう。
ディープラーニングチュートリアル：ディープラーニングとは何ですか？
- ディープニューラルネットワークは、次の3種類のレイヤーで構成されます。
- 入力レイヤー
- 隠しレイヤー
- 出力層
| 上の図では、最初のレイヤーはすべての入力を受け取る入力レイヤーであり、最後のレイヤーは目的の出力を提供する出力レイヤーです。 |
| これらのレイヤーの間にあるすべてのレイヤーは、非表示レイヤーと呼ばれます。最近利用可能なハイエンドリソースのおかげで、n個の隠れ層が存在する可能性があります。 |
| 隠れ層の数と各層のパーセプトロンの数は、解決しようとしているユースケースに完全に依存します。 |
ディープニューラルネットワークの写真ができたので、このディープラーニングチュートリアルに進んで、ディープニューラルネットワークが画像認識の問題をどのように解決するかを高レベルで確認しましょう。
ディープラーニングのユースケース–ケース
ディープネットワークを使用して画像認識を実行したい：
| ここでは、高次元データを入力レイヤーに渡します。入力データの次元を一致させるために、入力レイヤーには、入力全体を消費できるように、パーセプトロンの複数のサブレイヤーが含まれます。 |
| 入力レイヤーから受信した出力にはパターンが含まれ、コントラストレベルに基づいて画像のエッジのみを識別できます。 |
| この出力は隠しレイヤー1に送られ、そこで目、鼻、耳などのさまざまな顔の特徴を識別できます。 |
| これで、これが非表示のレイヤー2に送られ、そこで顔全体を形成できるようになります。次に、レイヤー2の出力が出力レイヤーに送信されます。 |
| 最後に、出力層は前の結果に基づいて分類を実行し、名前を予測します。 |
質問をさせてください。これらの層のいずれかが欠落している場合、またはニューラルネットワークが十分に深くない場合はどうなりますか？ 単純ですが、画像を正確に特定することはできません。これが、ディープラーニングの前にこれらのユースケースが解決策を持っていなかったまさにその理由です。これをさらに進めるために、MNISTデータセットにディープネットワークを適用しようとします。
mysqlワークベンチの使用方法
Mnistデータセットは、手書きの数字画像の60,000のトレーニングサンプルと10,000のテストサンプルで構成されています。ここでのタスクは、画像に存在する数字を正確に識別できるモデルをトレーニングすることです。
- このユースケースを解決するために、複数の非表示レイヤーを使用してディープネットワークを作成し、60,000のすべての画像をピクセルごとに処理し、最後に出力レイヤーを受け取ります。
- 出力層は、インデックス0から9の配列になります。ここで、各インデックスはそれぞれの桁に対応します。インデックス0には、0が入力画像に存在する数字である確率が含まれています。
同様に、値が0.1のインデックス2は、実際には2が入力画像に存在する数字である確率を表します。したがって、この配列で最も高い確率が0.8である場合、これは配列のインデックス7に存在します。したがって、画像に表示される数は7です。
結論
つまり、これは一言で言えばディープラーニングに関するものでした。この深層学習チュートリアルでは、深層学習のさまざまなアプリケーションを見て、AIおよび機械学習との関係を理解しました。次に、パーセプトロンまたは人工ニューロンの基本的な構成要素を使用して、このような複雑なタスクを実行できるディープニューラルネットワークを作成する方法を理解しました。最後に、ディープニューラルネットワークを使用して画像認識を実行し、舞台裏で発生するすべてのステップを理解するディープラーニングのユースケースの1つを経験しました。さて、このディープラーニングチュートリアルシリーズの次のブログでは、ディープラーニング用のPythonベースのライブラリであるTensorFlowを使用してパーセプトロンを実装する方法を学習します。
ディープラーニングについて理解したので、 25万人以上の満足した学習者のネットワークを持つ信頼できるオンライン学習会社であるEdurekaが世界中に広がっています。 Edureka Deep Learning with TensorFlow認定トレーニングコースは、SoftMax関数、オートエンコーダニューラルネットワーク、制限付きボルツマンマシン（RBM）などの概念に加えて、リアルタイムのプロジェクトと割り当てを使用して、基本的および畳み込みニューラルネットワークのトレーニングと最適化のエキスパートになるのに役立ちます。
質問がありますか？コメント欄にご記入ください。折り返しご連絡いたします。