ディープラーニングとは何ですか？
このブログでは、何について話します ディープラーニング これは最近の話題であり、人工知能、ビッグデータ、分析などの分野に投資している膨大な数の業界にしっかりと根を下ろしています。たとえば、Googleは音声および画像認識アルゴリズムでディープラーニングを使用していますが、NetflixとAmazonは顧客の行動を理解するためにディープラーニングを使用しています。実際、信じられないかもしれませんが、MITの研究者は、ディープラーニングを使用して将来を予測しようとしています。ここで、深層学習が世界に革命を起こす可能性がどれほどあるか、そして企業がどのように 。ディープラーニングについて話す前に、機械学習や人工知能との関係を理解する必要があります。この関係を理解する最も簡単な方法は、次の図を確認することです。
図： ディープラーニングとは–AIテクノロジーのタイムライン
日付データ型SQLサーバー
ここで、画像では、機械学習がAIのサブセットであることがわかります。これは、提供されたデータセットに基づいて独自に学習できるインテリジェントなマシンを構築できることを意味します。さらに、ディープラーニングは機械学習のサブセットであり、同様の機械学習アルゴリズムを使用してディープニューラルネットワークをトレーニングし、前者が目標を達成できなかった場合に精度を向上させることに気付くでしょう。 Foこのディープラーニングチュートリアルで説明するトピックは次のとおりです。
- 人工知能
- 機械学習
- MLの欠点
- ディープラーニングとは何ですか？
- ディープラーニングアプリケーション
業界レベルのプロジェクトで認定を受け、キャリアを迅速に追跡します
人工知能
図： ディープラーニングとは–人工知能
AIという用語は、1956年に人工知能の父とも呼ばれるジョンマッカーシーによって造られました。 AIの背後にある考え方は、かなりシンプルでありながら魅力的です。それは、自分で意思決定を行うことができるインテリジェントなマシンを作ることです。サイエンスファンタジーと思われるかもしれませんが、最近のテクノロジーやコンピューティングパワーの発展に関しては、そのアイデアそのものが日々現実に近づいているようです。
機械学習：人工知能への一歩
AIに精通しているので、機械学習について簡単に説明し、学習する機械をプログラミングしていると言うときの意味を理解しましょう。機械学習の非常に有名な定義から始めましょう。
「コンピュータプログラムは、Pによって測定されたTでのパフォーマンスが経験Eで向上する場合、あるタスクTとあるパフォーマンス測定値Pに関して経験Eから学習すると言われています。」 —カーネギーメロン大学、トムミッチェル
したがって、プログラムで混雑した交差点での交通パターンを予測する場合（タスクT）、過去の交通パターンに関するデータを使用して機械学習アルゴリズムを実行できます（エクスペリエンスE）。ここで、予測の精度（パフォーマンス測定値P）は、プログラムがデータセットから正常に学習したかどうか（経験E）に依存します。
基本的に、機械学習は人工知能（AI）の一種と呼ばれ、コンピューターを大量のデータにさらすことで明示的にプログラムすることなく学習する機能をコンピューターに提供します。機械学習の背後にある中心的な原則は、データセットから学習し、エラーを最小限に抑えるか、予測が真になる可能性を最大限に高めることです。
機械学習の欠点
- 従来のMLアルゴリズムは、入力と出力が多数ある高次元データを処理する場合には役立ちません。たとえば、手書き認識の場合、大量の入力があり、さまざまな種類の手書きに関連付けられたさまざまな種類の入力があります。
- 2番目の大きな課題は、結果を予測する上で重要な役割を果たすだけでなく、その際の精度を向上させるために、探す必要のある機能をコンピューターに伝えることです。このプロセスは、 特徴抽出 。
生データをアルゴリズムにフィードすることはめったに機能しません。これが、特徴抽出が従来の機械学習ワークフローの重要な部分である理由です。したがって、特徴抽出がないと、アルゴリズムの有効性はプログラマーの洞察力に大きく依存するため、プログラマーにとっての課題は大きくなります。したがって、これらの機械学習モデルまたはアルゴリズムを、オブジェクト認識、手書き認識、NLP（自然言語処理）などの複雑な問題に適用することは非常に困難です。
ディープラーニング
ディープラーニングは、特徴抽出の課題を克服できる唯一の方法の1つです。これは、深層学習モデルは、プログラマーからのガイダンスをほとんど必要とせずに、適切な機能に焦点を当てることを学習できるためです。基本的に、ディープラーニングは私たちの脳が機能する方法を模倣します。つまり、経験から学習します。ご存知のように、私たちの脳は何十億ものニューロンで構成されており、驚くべきことを行うことができます。 1歳の子供の脳でさえ、スーパーコンピューターを使っても解決するのが非常に難しい複雑な問題を解決することができます。例えば：
- 両親の顔やさまざまな物も認識します。
- さまざまな声を識別し、その人の声に基づいて特定の人を認識することさえできます。
- 他の人の顔のジェスチャーやその他多くのことから推論を引き出します。
実際、私たちの脳は何年にもわたってそのようなことをするように無意識のうちに訓練してきました。さて、質問が来ます、 ディープラーニングは脳の機能をどの程度模倣していますか？ ディープラーニングでは、脳に存在する生物学的ニューロンと同じように機能する人工ニューロンの概念を使用します。したがって、ディープラーニングはのサブフィールドであると言えます。 機械 学習 人工ニューラルネットワークと呼ばれる脳の構造と機能に触発されたアルゴリズムに関係しています。
それを理解するために例を見てみましょう。画像内のさまざまな人の顔を認識できるシステムを作りたいとしましょう。これを典型的な機械学習の問題として解決する場合、目、鼻、耳などの顔の特徴を定義し、システムはどの特徴がどの人にとってより重要であるかを識別します。
現在、ディープラーニングはこれを一歩先に進めています。ディープラーニングは、ディープニューラルネットワークのために分類に重要な機能を自動的に検出しますが、機械学習の場合は、これらの機能を手動で定義する必要がありました。
図： ディープネットワークを使用した顔認識
上の画像に示されているように、ディープラーニングは次のように機能します。
- 最も低いレベルでは、ネットワークはローカルコントラストのパターンを重要なものとして固執します。
- 次のレイヤーは、ローカルコントラストのパターンを使用して、目、鼻、口に似たものに固執することができます。
- 最後に、最上層はそれらの顔の特徴を顔テンプレートに適用することができます。
- ディープニューラルネットワークは、連続する各レイヤーでますます複雑な機能を構成することができます。
Facebookが、あなたがアップロードした画像に存在するすべての人に自動的にラベルを付けたり、タグを付けたりする方法について疑問に思ったことはありませんか？ Facebookは、上記の例で述べたのと同様の方法でディープラーニングを使用しています。これで、結果に影響を与える可能性のあるすべての機能についてほとんど理解していない場合に、ディープラーニングの機能とそれが機械学習よりも優れたパフォーマンスを発揮する方法を理解できたはずです。したがって、ディープネットワークは、適切なラベル付けを行わずに入力データで構成されるデータセットから推論を引き出すことで、機械学習の欠点を克服できます。
ディープラーニングとは|簡略化されたディープラーニング|エドゥレカ
ディープラーニングのアプリケーション
このディープラーニングブログとは何かを先に進めて、ディープラーニングの実際のアプリケーションのいくつかを見て、その真の力を理解しましょう。
音声認識
皆さんは、Appleの音声制御インテリジェント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。他の大手企業と同様に、Appleもサービスをこれまで以上に改善するためにディープラーニングへの投資を開始しました。
Siriのような音声認識と音声制御のインテリジェントアシスタントの分野では、ディープニューラルネットワークを使用してより正確な音響モデルを開発でき、現在、ディープラーニングの実装で最も活発な分野の1つです。簡単に言えば、新しい機能を学習したり、自分に合わせて適応したりできるシステムを構築できるため、すべての可能性を事前に予測することで、より良い支援を提供できます。
自動機械翻訳
グーグルが100の異なる人間の言語の間で即座に翻訳できることは誰もが知っています、それはまるで魔法のように非常に速く。背後にある技術 グーグル翻訳 と呼ばれる 機械翻訳 話す言語の違いのために互いにコミュニケーションをとることができない人々の救世主でした。さて、あなたはこの機能が長い間存在していたと思うでしょう、それで、これの何が新しいのですか？過去2年間で、ディープラーニングの助けを借りて、GoogleはGoogle翻訳における機械翻訳のアプローチを完全に改革しました。実際、言語翻訳についてほとんど何も知らない深層学習研究者は、世界で最高の専門家が構築した言語翻訳システムを打ち負かしている比較的単純な機械学習ソリューションを提案しています。テキストの翻訳は、シーケンスの前処理なしで実行できるため、アルゴリズムは単語間の依存関係と新しい言語へのマッピングを学習できます。この変換を実行するために、大規模なリカレントニューラルネットワークのスタックネットワークが使用されます。
- インスタントビジュアル翻訳
ご存知のように、ディープラーニングは、文字が含まれている画像と、文字がシーンのどこにあるかを識別するために使用されます。識別されると、それらはテキストに変換され、翻訳され、翻訳されたテキストで画像が再作成されます。これはよく呼ばれます インスタントビジュアル翻訳 。
さて、あなたが母国語が知られていない他の国を訪れたという状況を想像してみてください。心配する必要はありません。Google翻訳などのさまざまなアプリを使用すると、すぐに視覚的な翻訳を実行して、別の言語で書かれた看板やショップボードを読むことができます。これは、ディープラーニングのおかげでのみ可能になりました。
注意： 先に進んでGoogle翻訳アプリをダウンロードし、上の画像を使用して驚くべきインスタントビジュアル翻訳をチェックしてください。
動作：自動運転車
Googleは、ディープラーニングを使用して、WAYMOとして知られる自動運転車のイニシアチブをまったく新しいレベルの完成度に引き上げようとしています。したがって、古い手作業でコーディングされたアルゴリズムを使用するのではなく、さまざまなセンサーから提供されたデータを使用して自分で学習できるシステムをプログラムできるようになりました。ディープラーニングは現在、ほとんどの知覚タスク、および多くの低レベルの制御タスクに対する最良のアプローチです。そのため、運転を知らない人や身体の不自由な人でも、誰にも頼らずに先に進んで乗ることができます。
ここでは、ディープラーニングが広く使用され、有望な結果を示している有名な実際のユースケースについてのみ言及しました。まだ調査されていない多くの分野とともに、ディープラーニングの他の多くのアプリケーションがあります。
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す。これまでに、機械学習とディープラーニングの違いと、ディープラーニングがさまざまな実際のアプリケーションに非常に役立つ方法を理解していると思います。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、さまざまな概念とアルゴリズム、ディープラーニングとそのアプリケーションについて詳しく説明します。
例を含む2012年初心者向けのssisチュートリアル
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。