인공 지능의 진화에 대해 알아야 할 사항
딥 학습은 방대한 양의 데이터 (정보)를 사용하여 신경 네트워크 라는 복잡한 수학 구조를 만드는 강력한 기계 학습 (ML)의 형태입니다.
심층 학습 정의
딥 학습은보다 복잡한 유형의 데이터를 처리하기 위해 다중 레이어의 신경망을 사용하여 ML을 구현하는 방법입니다. 계층 적 학습이라고도하는 딥 학습은 다양한 유형의 신경 네트워크를 사용하여 기능 (표현이라고도 함)을 학습하고 레이블이 지정되지 않은 원시 데이터 (구조화되지 않은 데이터)의 큰 세트에서이를 찾습니다. 깊은 학습의 첫 번째 획기적인 시연 중 하나는 YouTube 동영상 세트에서 고양이의 이미지를 성공적으로 선택하는 프로그램이었습니다.
일상 생활에서의 깊은 학습 사례
심층 학습은 이미지 인식뿐만 아니라 언어 번역, 사기 탐지 및 회사에서 고객에 대해 수집 한 데이터를 분석하는 데 사용됩니다. 예를 들어, Netflix는 심도있는 학습을 통해 시청 습관을 분석하고 시청하려는 영화 및 영화를 예측합니다. 이것이 넷플릭스가 액션 영화와 자연 다큐멘터리를 제안 큐에 넣는 방법입니다. 아마존은 최근에 구입 한 항목과 최근에 구매 한 항목을 분석하여 관심있는 국가의 새 컨트리 음악 앨범에 대한 제안을 작성하고 회색 및 노란색 테니스 한 벌을 시장에 내놓았다 고 분석합니다 구두. 심층적 인 학습은 체계화되지 않은 원시 데이터로부터 점점 더 많은 통찰력을 제공하므로 기업은 고객의 요구를 더 잘 예측할 수 있으며, 개별 고객은보다 개인화 된 고객 서비스를 얻을 수 있습니다.
인공 신경망 및 딥 학습
깊은 학습을 쉽게 이해할 수 있도록 인공 신경망 (ANN)을 비교해 봅시다. 깊은 학습을 위해 우리의 15 층 사무실 건물이 5 개의 다른 사무실 건물과 함께 도시 블록을 차지하고 있다고 상상해보십시오. 거리의 양쪽에 세 개의 건물이 있습니다. 우리 건물은 건물 A와 건물 B와 C와 같은 거리를 공유하고 있습니다. 건물 A에서 길 건너편에는 건물 1이 있고 건물 B 건너편에는 건물 2가 있습니다. 각 건물은 서로 다른 층수를 가지고 있으며, 다른 재료로 만들어지며 다른 건물과는 다른 건축 양식을 가지고 있습니다. 그러나 각 건물은 여전히 사무실 (노드)의 개별 층 (계층)에 배열되어 있으며 각 건물은 고유 한 ANN입니다.
디지털 패키지가 빌딩 A에 도착하고 텍스트 기반 데이터, 비디오 스트림, 오디오 스트림, 전화, 전파 및 사진과 같은 여러 소스로부터 많은 종류의 다양한 정보가 포함되어 있다고 가정 해보십시오. 어떤 논리적 인 방법 (분류되지 않은 데이터)으로 분류되거나 분류되지 않았습니다. 정보는 처리를 위해 1 층에서 15 층까지 각 층을 통해 전송됩니다. 정보가 뒤범벅 된 후 15 층 (출력)에 도달하면 건물 A의 최종 처리 결과와 함께 건물 3의 1 층 (입력)으로 전송됩니다. 건물 3은 빌딩 A에서 보낸 결과를 통합하여 통합합니다. 같은 방식으로 각 층을 통해 정보 뒤죽박죽을 처리합니다. 정보가 건물 3의 최상층에 도달하면 해당 건물의 결과가 건물 1로 전송됩니다. 건물 1은 건물 3에서 얻은 결과를 바탕으로 처리 한 다음 층별로 처리합니다. 건물 1은 정보와 결과를 건물 C와 동일한 방식으로 전달하여 처리하고 건물 2로 보내면 건물 B로 보내집니다.
이 예에서 각 ANN (건물)은 구조화되지 않은 데이터 (정보의 뒤죽박죽)에서 다른 기능을 검색하고 그 결과를 다음 건물로 전달합니다. 다음 건물은 이전 건물의 결과 (결과물)를 통합 (학습)합니다. 데이터가 각 ANN (건물)별로 처리되면 특정 기능에 따라 구성되고 분류 (분류)되어 데이터가 마지막 ANN (건물)의 최종 출력 (최상층)에 도달하면 분류되고 레이블이 지정됩니다 (더 구조화 된).
인공 지능, 기계 학습 및 심화 학습
깊은 학습은 인공 지능 (AI)과 ML의 전반적인 그림에 어떻게 맞습니까? 깊은 학습은 ML의 힘을 높이고 AI가 수행 할 수있는 작업 범위를 증가시킵니다. 심층적 인 학습은 단순한 작업 별 알고리즘 대신 신경망의 사용과 데이터 세트 내의 기능 인식에 의존하기 때문에 프로그래머가 수동으로 레이블을 지정하지 않고도 구조화되지 않은 (원시) 데이터의 세부 정보를 찾아 사용할 수 있습니다 - 오류를 가져올 수있는 소비 작업. 깊은 학습은 데이터를 사용하여 기업과 개인 모두를 돕는 데있어 컴퓨터가 더 좋아 지도록 도와줍니다.