ສິ່ງທີ່ທ່ານຈໍາເປັນຕ້ອງຮູ້ກ່ຽວກັບວິວັດທະນາການຂອງປັນຍາປອມ
ການຮຽນຮູ້ທີ່ລຶກຊຶ້ງແມ່ນຮູບແບບທີ່ມີປະສິດທິພາບຂອງ ການຮຽນຮູ້ເຄື່ອງ (ML) ທີ່ສ້າງໂຄງສ້າງຄະນິດສາດແບບສະລັບສັບຊ້ອນທີ່ເອີ້ນວ່າ ເຄືອຂ່າຍ neural ໂດຍໃຊ້ຂໍ້ມູນຈໍານວນຫລາຍ (ຂໍ້ມູນ).
Deep Learning Definition
ການສຶກສາຢ່າງເລິກເຊິ່ງແມ່ນວິທີການປະຕິບັດ ML ໂດຍນໍາໃຊ້ຫຼາຍຊັ້ນຂອງເຄືອຂ່າຍປະສາດເພື່ອປະມວນຜົນປະເພດຂໍ້ມູນທີ່ສັບສົນຫຼາຍ. ບາງຄັ້ງເອີ້ນວ່າການຮຽນແບບຊັ້ນສູງ, ການຮຽນແບບເລິກເຊິ່ງໃຊ້ປະເພດຕ່າງໆຂອງເຄືອຂ່າຍ neural ເພື່ອຮຽນຮູ້ຄຸນລັກສະນະຕ່າງໆ (ຍັງເອີ້ນວ່າການສະແດງ) ແລະຊອກຫາໃຫ້ຢູ່ໃນຊຸດໃຫຍ່ຂອງຂໍ້ມູນທີ່ບໍ່ຖືກກໍານົດໄວ້ (ຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ). ຫນຶ່ງໃນການສະແດງຄວາມກ້າວຫນ້າທໍາອິດຂອງການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງແມ່ນໂຄງການທີ່ໄດ້ເລືອກເອົາຮູບພາບຂອງແມວອອກຈາກວິດີໂອ YouTube.
ຕົວຢ່າງການຮຽນຮູ້ຢ່າງລຶກລັບໃນຊີວິດປະຈໍາວັນ
ການສຶກສາຢ່າງເລິກເຊິ່ງບໍ່ພຽງແຕ່ຖືກນໍາໃຊ້ໃນການຮັບຮູ້ຮູບພາບ, ແຕ່ວ່າການແປພາສາ, ການກວດສອບການສໍ້ໂກງແລະການວິເຄາະຂໍ້ມູນທີ່ເກັບກໍາໂດຍບໍລິສັດກ່ຽວກັບລູກຄ້າຂອງພວກເຂົາ. ຕົວຢ່າງເຊັ່ນ, Netflix ໃຊ້ການຮຽນແບບເລິກເຊິ່ງເພື່ອວິເຄາະນິໄສການເບິ່ງແຍງຂອງທ່ານແລະຄາດຄະເນການສະແດງແລະຮູບເງົາທີ່ທ່ານມັກເບິ່ງ. ນັ້ນຄືວິທີທີ່ Netflix ຮູ້ຈະເຮັດໃຫ້ຮູບເງົາປະຕິບັດງານແລະເອກະສານລັກສະນະຕ່າງໆໃນແຖວຄໍາແນະນໍາຂອງທ່ານ. Amazon ໃຊ້ການຮຽນຮູ້ຢ່າງລ້ໍາຄ່າເພື່ອວິເຄາະການຊື້ແລະລາຍະການທີ່ທ່ານໄດ້ຄົ້ນຫາໃນເມື່ອກ່ອນເພື່ອສ້າງຄໍາແນະນໍາສໍາລັບເພງໃຫມ່ຂອງປະເທດເພງທີ່ທ່ານມັກຈະສົນໃຈແລະວ່າທ່ານຢູ່ໃນຕະຫຼາດສໍາລັບຄູ່ຂອງ tennis ສີຂີ້ເຖົ່າແລະສີເຫຼືອງ ເກີບ. ໃນຂະນະທີ່ການຮຽນຮູ້ຢ່າງລຶກຊຶ້ງໄດ້ສະແດງໃຫ້ເຫັນເຖິງຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງແລະວັດຖຸດິບ, ບໍລິສັດສາມາດຄາດຫວັງຄວາມຕ້ອງການຂອງລູກຄ້າໃນຂະນະທີ່ທ່ານ, ລູກຄ້າສ່ວນບຸກຄົນໄດ້ຮັບການບໍລິການລູກຄ້າສ່ວນບຸກຄົນ.
ເຄືອຂ່າຍ Neural ທຽມແລະການສຶກສາຢ່າງເລິກເຊິ່ງ
ເພື່ອເຮັດໃຫ້ການຮຽນຮູ້ແບບເລິກເຊິ່ງງ່າຍຕໍ່ການເຂົ້າໃຈ, ໃຫ້ເຮົາ ທົບທວນການປຽບທຽບຂອງເຄືອຂ່າຍ neural ທຽມ (ANN). ສໍາລັບການຮຽນຮູ້ຢ່າງລຶກລັບ, ຈິນຕະນາການອາຄານຫ້ອງການ 15 ຊັ້ນຂອງພວກເຮົາກວມເອົາຕົວເມືອງທີ່ມີຫ້າອາຄານສໍານັກງານອື່ນໆ. ມີສາມອາຄານຢູ່ແຕ່ລະດ້ານຂອງຖະຫນົນ. ອາຄານຂອງພວກເຮົາກໍ່ແມ່ນອາຄານ A ແລະແບ່ງເບື້ອງດຽວກັນຂອງຖະຫນົນຕາມອາຄານ B ແລະ C. ທົ່ວຖະຫນົນຈາກອາຄານ A ແມ່ນອາຄານ 1 ແລະທົ່ວໄປຈາກອາຄານ B ແມ່ນອາຄານ 2 ແລະອື່ນໆ. ແຕ່ລະຕຶກມີຈໍານວນຊັ້ນທີ່ແຕກຕ່າງກັນ, ແມ່ນເຮັດຈາກວັດສະດຸທີ່ແຕກຕ່າງກັນແລະມີແບບສະຖາປັດຕະແຕກຕ່າງກັນຈາກຄົນອື່ນ. ຢ່າງໃດກໍ່ຕາມ, ແຕ່ລະຕຶກກໍ່ຍັງຈັດຢູ່ໃນຊັ້ນແຍກຕ່າງຫາກ (ຊັ້ນ) ຂອງຫ້ອງການ (ຂໍ້ແຫນງ) - ດັ່ງນັ້ນແຕ່ລະອາຄານແມ່ນເອກະລັກທີ່ມີເອກະລັກ.
ຈິນຕະນາການວ່າແພັກເກັດດິຈິຕອນມາຮອດອາຄານ A ເຊິ່ງມີຫລາຍປະເພດທີ່ແຕກຕ່າງກັນຈາກຂໍ້ມູນຈາກແຫຼ່ງຂໍ້ມູນຫຼາຍເຊັ່ນຂໍ້ມູນຂໍ້ຄວາມ, ສາຍວິດີໂອ, ສາຍສຽງ, ການໂທ, ໂທລະພາບແລະພາບຖ່າຍ. ບໍ່ໄດ້ຕິດປ້າຍຫຼືຈັດຮຽງຕາມວິທີທີ່ມີເຫດຜົນ (ຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ). ຂໍ້ມູນດັ່ງກ່າວຖືກສົ່ງຜ່ານແຕ່ລະພື້ນທີ່ເພື່ອດໍາເນີນການຈາກ 1 ເຖິງ 15 ຜ່ານມາ. ຫຼັງຈາກຂໍ້ມູນຂ່າວສານ jumble ຮອດຊັ້ນ 15 (ອອກ), ມັນຖືກສົ່ງໄປຫາຊັ້ນ ທີ 1 ຂອງອາຄານ 3 ພ້ອມກັບຜົນການແກ້ໄຂຂັ້ນສຸດທ້າຍຈາກອາຄານ A. ອາຄານ 3 ຮຽນຮູ້ຈາກແລະປະກອບຜົນໄດ້ຮັບສົ່ງໂດຍອາຄານ A ແລະ ຫຼັງຈາກນັ້ນ, ການປະຕິບັດຂໍ້ມູນຂ່າວສານ jumble ຜ່ານແຕ່ລະຊັ້ນໃນລັກສະນະດຽວກັນ. ໃນເວລາທີ່ຂໍ້ມູນຂ່າວສານໄດ້ມາເຖິງຊັ້ນເທິງຂອງອາຄານ 3, ມັນຖືກສົ່ງມາຈາກນັ້ນມີຜົນໄດ້ຮັບຈາກການກໍ່ສ້າງຂອງອາຄານ 1. ການກໍ່ສ້າງ 1 ຮຽນຮູ້ແລະປະກອບຜົນໄດ້ຮັບຈາກການກໍ່ສ້າງ 3 ກ່ອນທີ່ຈະປະຕິບັດຕາມພື້ນເຮືອນໂດຍຊັ້ນ. ການກໍ່ສ້າງ 1 ຜ່ານຂໍ້ມູນແລະຜົນໄດ້ຮັບໃນແບບດຽວກັນກັບການກໍ່ສ້າງ C, ເຊິ່ງຂະບວນການແລະສົ່ງໄປທີ່ອາຄານ 2, ເຊິ່ງຂະບວນການແລະສົ່ງໄປຫາກໍ່ສ້າງ B.
ແຕ່ລະ ANN (ການກໍ່ສ້າງ) ໃນຕົວຢ່າງຂອງພວກເຮົາຊອກຫາລັກສະນະທີ່ແຕກຕ່າງກັນໃນຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ (ຂໍ້ກັງວົນຂອງຂໍ້ມູນ) ແລະສົ່ງຜົນໃຫ້ການກໍ່ສ້າງຕໍ່ໄປ. ອາຄານຕໍ່ໄປນີ້ລວມເອົາ (ຮຽນຮູ້) ຜົນຜະລິດ (ຜົນໄດ້ຮັບ) ຈາກທີ່ຜ່ານມາ. ໃນຂະນະທີ່ຂໍ້ມູນຖືກປະຕິບັດໂດຍແຕ່ລະອາຄານ (ANN), ມັນໄດ້ຮັບການຈັດລະບຽບແລະການຕິດສະຫຼາກ (ປະເພດ) ໂດຍມີຄຸນລັກສະນະເສພາະເຈາະຈົງດັ່ງນັ້ນເມື່ອຂໍ້ມູນໄດ້ມາຮອດຂັ້ນສຸດທ້າຍ (ຊັ້ນເທິງ) ຂອງ ANN (ອາຄານ) ສຸດທ້າຍ, (ຫຼາຍໂຄງສ້າງ).
ທັກສະທາງທຽມ, ການຮຽນຮູ້ເຄື່ອງຈັກແລະການຮຽນຮູ້ທີ່ລຶກລັບ
ການຮຽນຮູ້ລຶກຊຶ້ງເຂົ້າໄປໃນຮູບພາບລວມຂອງ ຄວາມຮູ້ທາງປັນຍາ (AI) ແລະ ML ແນວໃດ? ການຮຽນຮູ້ທີ່ລຶກຊຶ້ງຊ່ວຍໃຫ້ພະລັງງານຂອງ ML ແລະເພີ່ມປະລິມານຂອງຫນ້າວຽກ AI ສາມາດປະຕິບັດໄດ້. ເນື່ອງຈາກວ່າການຮຽນຮູ້ຢ່າງກວ້າງຂວາງແມ່ນອີງໃສ່ການນໍາໃຊ້ເຄືອຂ່າຍທາງ neural ແລະການຮັບຮູ້ຄຸນສົມບັດພາຍໃນຊຸດຂໍ້ມູນແທນທີ່ຈະເຮັດວຽກ ຂັ້ນຕອນ ທີ່ງ່າຍດາຍ, ມັນສາມາດຊອກຫາແລະນໍາໃຊ້ລາຍລະອຽດຈາກຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ (ດິບ) ໂດຍບໍ່ຈໍາເປັນຕ້ອງມີໂປລແກລມຄວບຄຸມຕົນເອງ. - ວຽກງານທີ່ຮັບຜິດຊອບທີ່ສາມາດນໍາໃຊ້ຂໍ້ຜິດພາດ. ການຮຽນຮູ້ເລິກແມ່ນຊ່ວຍໃຫ້ຄອມພິວເຕີໄດ້ຮັບການດີຂຶ້ນແລະດີກວ່າໃນການນໍາໃຊ້ຂໍ້ມູນເພື່ອຊ່ວຍທັງບໍລິສັດແລະບຸກຄົນ.