主页 > 科技 > 【AG亚博真人】深度学习简单入门

【AG亚博真人】深度学习简单入门

AG亚博 科技 2021年01月25日
本文摘要:作为机器学习的一个分支,深度自学是目前的一个热门话题。谷歌、微软、IBM等巨头围绕深度自学投资了一系列新兴项目,目标是开发需要自己学习更简单任务的神经网络。但是它是如何工作的呢?在本文中,我们将一起探讨。 你收到过垃圾邮件吗?目前,垃圾邮件过滤器已经过滤掉了我们想为我们接收的大部分电子邮件,准确率很低。然而,没有多少人知道如何用长期电子邮件检查这些垃圾邮件。因为新的垃圾邮件地址需要轻松注册,所以不可能非常简单地基于发件人地址扩展过滤器。

AG亚博真人

作为机器学习的一个分支,深度自学是目前的一个热门话题。谷歌、微软、IBM等巨头围绕深度自学投资了一系列新兴项目,目标是开发需要自己学习更简单任务的神经网络。但是它是如何工作的呢?在本文中,我们将一起探讨。

你收到过垃圾邮件吗?目前,垃圾邮件过滤器已经过滤掉了我们想为我们接收的大部分电子邮件,准确率很低。然而,没有多少人知道如何用长期电子邮件检查这些垃圾邮件。因为新的垃圾邮件地址需要轻松注册,所以不可能非常简单地基于发件人地址扩展过滤器。第二个原因是垃圾邮件通常是通过第三方窃取的长期帐户地址发送的。

区分垃圾邮件和长期邮件的最好方法是在邮件信息中查找特定的内容。目前最有效的方法是基于机器学习。

机器学习通过自学习系统大大提高了自己,自学习系统可以自动学习和识别数据中的结构。这样,系统可以学习一个可以扩展数据描述的模型,我们可以用它来预测未知的数据。

机器学习的一些著名例子包括人脸识别、语音识别和文本翻译。此外,谷歌的无人驾驶汽车也用于一些不同的机器学习系统,以识别行人和交通信号命令。

基准原理机器学习的基准原理非常非常简单。想象一下,我们想创造一台需要区分苹果和梨的机器。

数字图像由一个对象和两个称为特征的值组成,其中这些值是通过部分手动代码从数字图像中提取的。这些代码可以提取图像中对象的颜色(从红色到绿色)和形状(从圆形到椭圆形)。现在假设我们有一组图像,包括苹果和梨。

对于每一个图像,如果它包括一个苹果或一个梨,我们不需要用这些图像的标签来描述它。当我们计算训练侧重于图像的特征并绘制它们时,结果如下。从上图可以看出,苹果和梨的计算结果大部分都落在各自的区域内,所以把这两个对象类别分成两个不同的空间(蓝线)就可以区分出来。

现在,如果它相当于一个新的物体图片,我们可以通过计算特征并检查它在空间中的位置来区分它是苹果还是梨。本质上,该算法已经从数据中区分出苹果和梨。虽然情况看似悲观,但我们也注意到,如果计算出来的特征与两个对象的分类线(蓝线)相似,系统就不会经常出错,比如绿色的椭圆形苹果和圆形的白色梨。

AG亚博

因此,算法的准确性高度依赖于训练集中样本的数量以及所使用特征的质量和数量。例如,我们可以使用三分之一的特征来分析对象的结构,这可能会降低算法的准确性。整个过程如下图右侧所示。

以上方法的深度自学是机器学习的精髓,应用了几十年。最重要的一点是,构造对象类是一个可分离的高质量特征。

但是有人可能会问,除了手工编码,是否还有必要自己学习这些特性。这显然是可能的,从70年代开始就不存在了。可以用于自学习特征的方法之一是神经网络,它基于大脑的工作模式。人工智能神经网络是基于模拟单个脑细胞的人工神经元,这些人工神经元代表一个单元操作。

人工神经网络接管不同的值作为输出(例如,来自其他人工神经元),然后通过非常简单的等式运算生成单个输入值,可以作为其他神经元的输出值。通过连接每一层的神经元,我们构建了一个大型的人工神经网络。由于单个神经元继续执行非常简单的计算是不道德的,因此整个网络可以继续执行非常复杂的操作。

这个过程如图所示。圆圈代表神经元,线条代表输入——输出中神经元之间的连接。神经网络的一个有趣之处是,它们不能自动学习所需的特征。

想象一个神经网络,它可以通过自学习它接管的输出图像特征(颜色和形状),将苹果和梨分开。深度自学中的“深度”是指神经网络中的层次数,深度在自学更好的特征中起着非常重要的作用。这是因为每一层都会在前一层的特征的基础上学习另一系列的特征。

神经网络越深,它能学习的特征就越简单。虽然神经网络可以自己学习特征,但这些通常应用于实践。

AG亚博真人

这样做只有两个原因。首先,它需要大量的训练样本。第二,学习更好的特性需要很多层次,而这又需要大量的计算能力。

近年来,随着大数据的蓬勃发展和计算能力的降低,将其应用于这些神经网络的实践已经成为可能。神经网络可以自己学习比手动结构更简单的特征,因此它们往往比手动编码系统表现出更好的性能。对机器学习和深度自学的应用一般是有限的,不局限于工农业中梨苹果分离的应用。

例如,有一个系统需要学习通过医学扫描从健康细胞中识别癌细胞。在过去的几年里,该系统的精度得到了快速提高。例如,Facebook已经建立了一个类似Siri的系统,它需要高精度地分析图片的内容,还可以对图片的内容提出问题。

虽然这些类型的系统并不比人类展示出来的好,但是没有专业的系统,早就被人类在自己的领域里展示出来了。比如微软公司开发的一种狗品种,需要高精度识别,准确率比人类低。下图右侧,清晰显示地址Microsoftlsquo机器学习不仅可以用于分类识别,还可以用于成分分析。例如,需要使用神经网络来提取文本中的观点,这可以指示文本持有的观点是强烈的还是负面的。

这是一项非常著名的技术,其应用还包括产品评论的自动评估。在我看来,机器学习最令人印象深刻的应用是,在人工智能领域,神经网络和增强型自学习的融合,使得构建能够从自身环境开始自学习的智能代理成为可能。最糟糕的例子是GoogleDeepmind发布的系统,该系统需要通过几乎自律的试验和错误来自学如何玩雅达利电子游戏。

就像人类玩家一样,系统只接管屏幕输出,只在视频游戏控制器上产生释放信号。在一些电子游戏中,系统本质上高于人类。清楚地显示DeepMindrsquo的地址;SDQNplayingBreakout目前来看,深度自学未来的发展潜力可以说非常大。

希望你不会通过这篇文章的讲解对深度自学有一个基本的了解。


本文关键词:yb5点ac只为非凡,【,亚博,真人,】,深度,学习,简单,入门,作为

本文来源:AG亚博-www.dsuraj.com

标签:   真人   作为   学习   入门   简单   深度     亚博