을 둘러싼 마음을 감싸는 것은 인공 지능이 문명화 된 국가의 삶에서 끊임없이 증가하는 기능을하고 있지만 대부분의 시민들은 그것을 인식하지 못할 것입니다. 이제는 비즈니스를 호출 할 때 컴퓨터와 이야기하는 것이 일반적입니다. Facebook은 업로드 된 사진에서 얼굴을 인정하는 데 정확하게 무서운 정확하게 끝내고 있습니다. 현명한 전화와의 물리적 상호 작용은 과거의 일이 끝나는 것입니다 … Apple의 Siri뿐만 아니라 Google 연설과 함께, 천천히 당신의 휴대 전화와 얘기하기 쉽고, 타이핑이나 만지는 것보다 할 일이 무엇인지 알려줍니다. 아이콘. 이전에 없으면 이것을 시도하십시오. 안드로이드 전화가있는 경우 “OK Google”상태가 “Lumos”를 준수했습니다. 마술이야!

우리가 생각하는 제품에 대한 광고는 우리의 마음을 읽는 것처럼 사회 네트워크 계정에 나타납니다. 현실은 뭔가 우리의 마음을 읽는 것입니다 … 무언가가 무엇인지 정확하게 핀으로 핀하기가 어렵습니다. 우리가 원하는 무언가를 위해 광고가 나타날 수 있습니다. 이것은 일치하지 않지만 AI 알고리즘의 줄기가 아닙니다.

많은 사람들의 많은 사람들이 깊은 학습으로 이해되는 프로세스가 있습니다. 최근에 깊은 발견에 대한 많은 이야기가있었습니다. AI와 관련된 대부분의 것들뿐만 아니라 컴퓨터 과학에서 강한 배경 없이도 이해하기 어려울뿐만 아니라 조금 도전 할 수 있습니다.

당신이 내 양자 이론 기사에 익숙하다면, 나는 어려운 과목을 가지고가는 것을 이해하고, 내가 할 수있는 최선을 다하고, 누구에게나 이해할 수있는 방법으로 그것을 설명 할 수 있다는 것을 이해할 수 있습니다. 이 기사의 목표는 깊은 학습 의이 개념에 비슷한 접근법을 적용하는 것이 목표입니다. 신경망이 당신을 크로스 외눈뿐만 아니라 기계 발견을 통해 악몽을 제공하고, 체크 아웃하는 경우. “깊은 학습”은 어려운 주제처럼 보입니다. 그러나 진실로 단지 20 달러의 기간이 꽤 간단한 것을 설명하는 데 사용되는 용어입니다.

기계 학습

우리가 작업을 수행 할 기계를 프로그래밍 할 때, 우리는 기기가 수행하는 방향을 작성합니다. 예를 들어, LED ON … LED OFF … 기계가 지침을 완료 한 후에 예상 결과를 이해할 필요가 없습니다. LED가 켜져 있거나 꺼져 있는지 여부를 이해하는 이유가 없습니다. 그것은 당신이해야 할 일을합니다. 기계 학습을 통해이 과정이 뒤집습니다. 우리는 기계가 우리가 원하는 결과뿐만 아니라 기기의 ‘배우기’가 거기에 도착하는 방향을 알려줍니다. 이 작업을 수행하는 데는 여러 가지 방법이 있습니다.

MIT의 조기 신경망
타겟에 자체를 안내 할 수있는 조금 로봇을 만들 것을 요청한 경우,이를 수행하는 간단한 방법은 로봇을 XY 데카르트 비행기의 대상뿐만 아니라 로봇을 프로그래밍 할 것입니다. X 축의 많은 유닛은 물론 Y 축의 많은 유닛이 있습니다. 이 간단한 기술은 로봇이 목표물이 어디에 있는지 이해하지 않고도 지침을 제공합니다. 시작 지점 및 대상의 좌표를 이해할 때만 작동합니다. 변경 사항이 있으면이 접근법이 작동하지 않습니다.

기계 검색을 통해 우리는 좌표를 변경할 수 있습니다. 우리는 우리 로봇이 목표물을 발견하고, 그것을 파악하거나, 배울 자신의 지시 사항을 알리고, 그 자신의 지시를 알리려고합니다. 이를 수행하는 한 가지 방법은 로봇이 목표까지의 거리를 발견하고 무작위 방향으로 움직이는 것입니다. 거리를 다시 계산하고, 거리 측정을 기록 할뿐만 아니라 시작된 곳으로 다시 이동하십시오. 이 프로세스를 반복하면 고정 좌표에서 이동 한 후 여러 거리의 측정 값을 제공합니다. X 측정량이 수행 된 후 로봇은 대상까지의 거리가 가장 짧은 방향으로 이동하고 시퀀스를 반복합니다. 이렇게하면 궁극적으로 대상에 도달 할 수 있습니다. 즉, 로봇은 대상에가는 방법을 정확히 보는 방법을 정확히 ‘배우기’로 사용하는 것입니다. 이 물건은 결국 그렇게 어렵지 않습니다!

이 “시행 착오에 의한 학습”개념은 우리 모두가 들었던 것을 추상적으로 대표 할 수 있습니다 – 신경 네트워크.

인형을위한 신경망

신경망은 당신의 noggin에서 뉴런의 질량으로부터 그들의 이름을 얻습니다. 일반 네트워크가 부족하게 복잡하지만 단일 뉴런의 작동은 간단합니다. IO를 제공하는 화학 전기 신호가있는 다양한 입력뿐만 아니라 여러 입력이있는 셀입니다. 출력의 지정은 활성 입력의 수뿐만 아니라 이러한 입력의 체력에 의해 결정됩니다. 충분한 활성 입력이있는 경우 임계 값이 교차되고 출력이 활성화됩니다. 뉴런의 각 출력은 하나의 뉴런에 대한 입력으로 작용하여 네트워크를 생성합니다.

Neuarl NE를 훈련시키는 방법을 정확히 어떻게 훈련시키는 방법을 통한 Perceptron 다이어그램Prateek Joshi의 파이썬에서 Twork
실리콘에서 뉴런 (따라서 신경망)을 재현하면 마찬가지로 간단해야합니다. 당신은 요약에 여러 개의 입력이 있습니다. 입력을 추가하고 특정 임계 값을 능가하는 경우 하나를 출력하십시오. 그렇지 않으면 0을 출력합니다. 빙고! 이것이 우리가 뉴런을 모방 한 것은 아니지만 불행히도 매우 유용하지는 않습니다. 플래시 메모리에 저장할 가치가있는 비트 실리콘 뉴런을 만들기 위해, 우리는 입력을뿐만 아니라 출력이 적은 바이너리를 만들어야합니다 … 우리는 그들에게 강점을 제공하거나 일반적으로 이해할 수있는 제목을 제공해야합니다.

1940 년대 후반에 Frank Rosenblatt의 이름으로 한 남자 가이 일을 퍼 셉트 론이라고 발명했습니다. Perceptron은 몇 가지 예외가있는 이전 단락에서 설명한 우리의 비트 실리콘 뉴런과 같습니다. 가장 중요한 것은 입력에 가중치가 있습니다. 무게의 도입뿐만 아니라 비트 피드백을 통해 우리는 가장 매혹적인 능력을 얻습니다 … 배울 수있는 능력.

KDNuggets를 통해 소스
대상에가는 방법을 정확히 배우는 비트 로봇으로 되감기를 되풀이합니다. 우리는 로봇이 결과를 제공했으며, 좌표계의 거리 측정뿐만 아니라 임의의 동작의 시범 적 동작과의 결과를 정확하게 수행하는 방법을 정확히 발견하기 위해 자신의 지시 사항을 작성했습니다. Perceptron의 개념은이 프로세스의 추상화입니다. 인공 뉴런의 출력은 우리의 결과입니다. 우리는 뉴런이 특정 입력 세트에 대한 예상 결과를 제공하기를 원합니다. 우리는 뉴런이 우리가 원하는 결과를 얻을 때까지 입력의 가중치를 변경함으로써 이것을 수행합니다.

가중치를 조정하는 것은 피드백의 유형 인 Back Propagation이라는 프로세스에 의해 수행됩니다. 따라서 일련의 입력, 무게 집합뿐만 아니라 결과가 있습니다. 우리는 우리가 원하는 곳에서 얼마나 멀리 있는지 정확히 얼마나 멀리 떨어져 있으며, 그라디언트로 이해되는 수학적 아이디어를 사용하는 무게를 변경하기 위해 차이 (오류로 알려짐)를 사용합니다. 이 ‘무게 조정’프로세스는 자주 훈련이라고 불립니다. 그러나 우리의 비트 로봇과 마찬가지로 시행 착오 및 오류 프로세스 이상입니다.

깊은 학습

깊은 발견은 요즘 IoT보다 더 많은 정의가있는 것 같습니다. 그러나 가장 간단하고 직접 앞서 나는 것을 발견 할 수있는 것은 복잡한 문제를 해결하기 위해뿐만 아니라 입력과 출력 사이의 하나 이상의 레이어가있는 신경 네트워크입니다. 기본적으로 깊은 발견은 전통적인 컴퓨터가 수행하기가 진정으로 어려운 것들을 수행하는 데 사용되는 복잡한 신경망 일뿐입니다.

Kun Chen의 깊은 발견에 대한 더미 가이드를 통한 깊은 발견 다이어그램
입력과 출력뿐만 아니라 출력 사이의 레이어는 숨겨진 레이어라고 불리며 신경망의 복잡성을 크게 향상시킵니다. 각 레이어에는 특정 목적이 있으며 계층 구조로 구성됩니다. 예를 들어, 이미지에서 고양이를 결정하도록 깊은 깊이 발견 된 깊은 깊이 발견 된 깊은 발견을받은 경우 첫 번째 레이어는 아크뿐만 아니라 특정 선분을 찾을 수 있습니다. 계층 구조의 다른 레이어는 첫 번째 층의 출력을보고 원이나 삼각형과 같은보다 복잡한 모양을 결정하려고 노력할 것입니다. 더 높은 층이 눈이나 수염과 같은 물체를 찾습니다. 계층 적 분류 기술에 대한 자세한 설명은 불변의 표현에 대해 내 기사를 검사해야합니다.

층의 실제 출력은 시험 및 오류 프로세스를 통해 훈련 된 이후 정확하게 이해되지 않습니다. 똑같은 사진으로 훈련 된 두 개의 유사한 깊은 깊은 깊은 발견은 숨겨진 레이어에서 다른 출력을 만듭니다. 이것은 MIT가 발견되면서 불편한 문제가 발생합니다.

이제는 누군가가 기계 학습, 신경망, 깊은 학습에 대해 이야기하는 것을 들었을 때 적어도 그것이 무엇인지, 더 중요한 것은 어떻게 작동하는지에 대한 모호한 개념을 가져야합니다. 신경 네트워크는 지금 오랜 시간 동안 주위에 있었지만 다음 거대한 것으로 보입니다. [Steven Dufresne ‘s] 수년 동안 변경된 내용에 대한 기사를 검사하고 기계 학습에서 손을 사용하기 위해 Tensorflow를 사용하여 튜토리얼을 이용하는 것에 대한 그의 자습서로 뛰어 들었습니다.