Часть 1: Применение глубоких нейронных сетей
Нейронные сети существуют уже давно, но все еще находятся в зачаточном состоянии. Они являются детищем пионеров искусственного интеллекта (ИИ), таких как Алан Тьюринг и Джон фон Нейман, и до сих пор разрабатываются исследователями по всему миру. Нейронные сети можно использовать для решения самых разных задач, включая классификацию изображений и обработку естественного языка. Однако в этой статье основное внимание будет уделено двум другим приложениям: беспилотным автомобилям и автоматизации здравоохранения.
Приложения для нейронных сетей
Классификация изображений
Представьте, что вам дали изображение кошки, и вам нужно определить, котенок это или нет. Вы можете обучать свою нейронную сеть, снабжая ее сотнями примеров изображений, помеченных как котята, затем давая ей новые изображения и измеряя, насколько хорошо она может их идентифицировать. Сеть узнает, какие функции похожи на котят в обучающих данных, и будет использовать эти функции для классификации новых изображений.
После обучения нейронная сеть этого типа может использоваться во многих различных приложениях, включая:
· Идентификация объектов на фотографиях (например, автомобилей)
· Прогнозирование будущего поведения на основе прошлых событий (например, предсказание того, выиграет ли кто-то выборы)
Распознавание голоса
Распознавание голоса — это задача идентификации произносимых слов в речевом сигнале. Он имеет множество приложений, включая системы голосового поиска и диктовки, телефонные автоответчики и программы для диктовки, а также системы автоматического распознавания речи (ASR) для потребительских устройств, таких как смартфоны и планшеты.
К проблеме понимания данных, сгенерированных человеком, можно подойти с нескольких разных точек зрения. Наиболее распространенным подходом является извлечение признаков из самого входного сигнала; другие методы включают статистические модели, основанные на вероятностях или байесовском выводе. Распознавание речи включает преобразование неструктурированных звуков в структурированные слова путем извлечения значимых акустических характеристик из этих сигналов, которые затем объединяются для получения оценок для каждого распознаваемого слова.
Обработка естественного языка
· Встраивание слов: это процесс, при котором слова объединяются в более компактные представления. Например, «кошка сидела на коврике» можно представить как [кошка(коврик)]. Встраивание полезно для обработки естественного языка, потому что оно позволяет нам представлять большие объемы текста с использованием меньшего количества слов, чем было бы необходимо, если бы мы просто хранили каждое слово отдельно.
· Встраивание предложений: Встраивание предложений означает, что вместо одного слова за раз у нас есть несколько предложений или фраз, встроенных в наше векторное пространство слов. Теперь, когда вы говорите «кот сидел на коврике», вы имеете в виду оба этих предложения (кошка сидела на коврике), а также тот факт, что эти два предложения связаны друг с другом, являясь частью одного большего предложения! Другими словами, между этими тремя вещами существует определенная связь: кошки сидят на циновках; кошки были помещены на указанные коврики; и, наконец, кошки, находящиеся/становящиеся/расположенные на указанных ковриках (т. е. не обязательно все сразу).
· Нейронный машинный перевод: этот тип нейронной сети использует данные из одного исходного файла языка вместе с переводами из другого исходного файла данных, чтобы они могли производить промежуточный перевод между ними, основываясь на том, что, по их мнению, должно идти, в зависимости от того, насколько похожи их исходные предложения. были по структуре, но не обязательно по значению — это означает, что только определенные слова могут выглядеть по-разному в зависимости от контекста, но при этом сохраняется сходство базовой структуры для всех языков, используемых в процессе обучения, что помогает поддерживать интерпретируемость за счет точных выходных переводов без необходимости ручного вмешательства переводчиков-людей, которые в противном случае могли бы потратить слишком много времени уходит на расшифровку смысла каждой строки, записанной машинами, вместо того, чтобы потратить несколько дополнительных минут на исправление опечаток, сделанных при переводе текста со скоростью, превышающей скорость, на которую люди когда-либо могли рассчитывать.
Беспилотные автомобили
Нейронные сети — это метод компьютерных наук, который использует искусственные нейроны для моделирования работы мозга. Цель состоит в том, чтобы создать модель, которая имитирует человеческое познание и поведение.
Использование нейронных сетей в беспилотных автомобилях в последние годы становится все более популярным, и Google стала одной из первых компаний, добившихся значительного прогресса в этом направлении. Почему им удалось добиться таких потрясающих результатов? Потому что они смогли объединить свои знания о том, как люди учатся, думают и чувствуют, с их пониманием алгоритмов машинного обучения, таких как алгоритмы глубокого обучения (которое включает обучение больших групп взаимосвязанных узлов). Это позволило им не только создавать лучшие алгоритмы, но и ускорять их значительно быстрее, чем позволяли бы традиционные подходы!
Здравоохранение
Нейронные сети использовались для диагностики заболеваний и предсказания будущего. В здравоохранении их можно использовать для обнаружения мошенничества и предотвращения мошенничества.
Например, у пациента может быть диагностировано такое заболевание, как болезнь Паркинсона или болезнь Альцгеймера, на основании симптомов или результатов сканирования (например, МРТ). Эти пациенты часто испытывают тремор, скованность и трудности при ходьбе, вызванные повреждением нервов в их теле; эти симптомы можно обнаружить с помощью нейронных сетей, обученных на изображениях этих типов сканирования. Если вы посещали этого пациента для лечения в вашей клинике, вы могли бы спросить его о симптомах, прежде чем давать ему лекарство или другое лечение: «Стали ли какие-либо из ваших конечностей более жесткими со временем?» или «Вы чувствуете, что что-то не так в вашей голове?» Вы также можете попробовать спросить о том, какие действия вызывают боль во время движения — например, спросить кого-нибудь с артритом, есть ли у него проблемы с передвижением, потому что ему больно подниматься по лестнице слишком быстро!
Автономные роботы
Автономные роботы — это тип роботов, которые могут выполнять задачи самостоятельно. Автономные роботы использовались во многих коммерческих приложениях и исследованиях, включая военные, промышленные и бытовые. Примером автономного робота является пылесос Roomba, который автономно перемещается по вашему дому, убирая любые пролитые жидкости или мусор, которые он находит на своем пути.
Однако использование нейронных сетей в этих системах имеет ряд недостатков, а также преимуществ. Например:
· Нейронные сети работают медленно по сравнению с традиционными подходами, такими как фильтры Калмана или стохастические контроллеры; поэтому они не могут реагировать достаточно быстро, когда вещи быстро меняются (например, из одной комнаты в другую).
· Процесс обучения занимает больше времени, чем другие методы, потому что нет прямой связи между входами и выходами, как в случае алгоритмов обучения с учителем
Еще несколько приложений:
· Финансовое моделирование — используется для прогнозирования фондового рынка.
· Прогноз временных рядов — прогноз климата, погоды, припадков и т. д.
· Компьютерные игры — интеллектуальные агенты, шахматы, нарды.
· Анализ данных — сжатие данных, анализ данных.
Нейронные сети используются в самых разных приложениях, включая классификацию изображений, распознавание голоса и обработку естественного языка. Они также применяются в беспилотных автомобилях и здравоохранении. В этой статье вы узнаете, как работают нейронные сети и как их можно использовать в реальных сценариях. Правильно, мы сказали нейронные сети! Нейронные сети — это тип машинного обучения, который можно использовать для решения сложных задач путем обучения моделей на больших наборах данных. Это один из способов заставить машины учиться на своих ошибках и со временем совершенствоваться!
Если вы еще не подписаны на меня, пожалуйста, сделайте это. Перейдите по ссылке ниже для части 2 этой серии глубокого обучения.
А пока вы можете сообщить мне свои мысли в разделе комментариев.
