Rețelele neuronale sunt un set de algoritmi, modelași în mod liber după creierul uman, care sunt concepuți pentru a recunoaște tiparele. Aceștia interpretează datele senzoriale printr-un fel de percepție a mașinii, etichetare sau aglomerare de intrare brută. Modelele pe care le recunosc sunt numerice, conținute în vectori, în care trebuie traduse toate datele din lumea reală, fie că sunt imagini, sunet, text sau serii de timp.
Rețelele neuronale ne ajută să facem clustere și să clasificăm. Vă puteți gândi la ele ca la un strat de clustering și clasificare deasupra datelor stocate și gestionate. Acestea ajută la gruparea datelor false în funcție de similitudini între intrări (de exemplu) și clasifică datele atunci când au un set de date etichetat pentru a se antrena. (Rețelele neuronale pot extrage, de asemenea, funcții care sunt alimentate de alți algoritmi pentru clustering și clasificare; deci puteți gândi rețelele neuronale profunde ca componente ale aplicațiilor de învățare automată mai mare care implică algoritmi de învățare, clasificare și regresie.)
Ce fel de probleme rezolvă învățarea profundă și, mai important, poate rezolva a ta? Pentru a ști răspunsul, trebuie să puneți întrebări:
- Ce rezultate mă interesează? Aceste rezultate sunt etichete care ar putea fi aplicate la date: de exemplu, spam sau not_spam într-un filtru de e-mail, good_guy sau bad_guy în detectarea fraudei, angry_customer sau happy_customer în managementul relațiilor cu clienții.
- Am date care să însoțească acele etichete? Adică, pot găsi date etichetate sau pot crea un set de date etichetat (cu un serviciu precum AWS Mechanical Turk sau Figure Eight sau Mighty.ai) unde spamul a fost etichetat ca spam, pentru a învăța un algoritm corelația dintre etichete și intrări?
Clasificare
Toate sarcinile de clasificare depind de seturi de date etichetate; adică oamenii trebuie să-și transfere cunoștințele în setul de date, pentru ca o rețea neuronală să învețe corelația dintre etichete și date. Aceasta este cunoscută sub numele de învățare supravegheată.
-
Detectează fețele, identifică persoanele în imagini, recunoaște expresiile faciale (supărat, vesel)
-
Identificați obiectele din imagini (indicatoare de oprire, pietoni, marcaje de benzi ...)
-
Recunoașteți gesturile în videoclip
-
Detectează vocile, identifică vorbitorii, transcrie discursul la text, recunoaște sentimentul în voci
-
Clasificați textul ca spam (în e-mailuri) sau frauduloase (în revendicări de asigurare); recunoaște sentimentul în text (feedback-ul clienților)
Clustering
Gruparea sau gruparea este detectarea asemănărilor. Învățarea profundă nu necesită etichete pentru a detecta asemănări. Învățarea fără etichete se numește învățare nesupravegheată. Datele fără marcaj sunt majoritatea datelor din lume. O lege a învățării automate este: cu cât mai multe date se pot antrena un algoritm, cu atât va fi mai precis. Prin urmare, învățarea nesupravegheată are potențialul de a produce modele extrem de precise.
-
Căutare: compararea documentelor, imaginilor sau sunetelor cu suprafețe similare.
-
Detectarea anomaliilor: Flipside-ul detectării asemănărilor este detectarea anomaliilor sau comportamentul neobișnuit. În multe cazuri, comportamentul neobișnuit se corelează foarte mult cu lucrurile pe care doriți să le detectați și să le preveniți, cum ar fi frauda.