Adimen artifizialaren bilakaerari buruz jakin behar duzuna
Ikasketa sakona makina ikasketarako (ML) forma indartsua da. Neurona-sareek datu-kantitate handiak erabiltzen dituzten egitura matematiko konplexuak eraikitzen dituzte (informazioa).
Deep Learning Definizioa
Ikasketa sakona ML neurketa sareen sare anitzetan erabiltzeko modu bat da, datu mota konplexuagoak prozesatzeko. Batzuetan, ikaskuntza hierarkikoa deitzen zaio. Ikaskuntza sakonak sare neuronal mota desberdinak erabiltzen ditu funtzionaltasunak ikasteko (errepresentazio izenez ere deitzen zaie) eta datu gordinen eta ez-etiketatuen multzo handietan aurkitzen dira (datu ez estrukturatuak). Ikasketa sakonaren lehen aurrerapenetako bat izan zen YouTube-ko bideo multzoetatik atera diren katuen irudi arrakastatsuak.
Bizitza eguneroko adibide sakonak
Ikasketa sakona ez da irudiaren ezagutzetan soilik erabiltzen, baita hizkuntza-itzulpena, iruzur-detekzioa eta bezeroei buruzko enpresek jasotako datuak aztertzeko ere. Adibidez, Netflix-ek ikasi sakonak erabiltzen ditu zure ohiturak aztertzeko eta ikustera nahi dituzun ikuskizunak eta filmak iragartzeko. Horrela, Netflix-ek ekintza-filmak eta natur dokumentalak ekar ditzakeela iradokitzen du. Amazon-ek ikasketa sakona erabiltzen du azkenaldian zure azken erosketak eta elementuak aztertzeko, interesatzen zaizkizun herrialdeko musika-album berriei buruzko iradokizunak sortzeko eta merkatuan zaudenean tenis gris eta horia parean jartzeko. oinetakoak. Ikaskuntza sakonak gero eta informazio gehiago ematen du datu ez-egituratuak eta gordinak, korporazioek beren bezeroen beharrak hobeto aurrezten dituzte bezeroarentzako zerbitzua pertsonalizatua izateko.
Neurona-sare artifizialak eta Deep Learning
Ikasketa sakona errazago ulertzeko, neurketa sare artifizialaren (ANN) alderaketa berrikusi dezagun. Ikaskuntza sakonetarako, imajinatu gure 15 solairuko bulegoko eraikinek beste bost bulegoko eraikin bat osatzen dute. Hiru eraikin daude kalean alde bakoitzean. Eraikina A eraikitzen ari da eta B eta C eraikinaren alde bereko alde berekoak dira. Eraikinaren A kalean eraikitzen ari da 1 eraikitzen ari da, eta B eraikinaren 2 eraikuntza da, eta abar. Eraikin bakoitzak hainbat solairu ditu, material desberdinez egina dago eta beste arkitektura estiloa du. Hala eta guztiz ere, eraikin bakoitzak bulegoen (geruzetan) solairu desberdinetan antolatzen jarraitzen du (eraikin bakoitza ANN bakarra da).
Imajina ezazu pakete digital bat A eraikitzen dela, iturri anitzetako informazio mota ugari dago, esate baterako, testu-datuen datuak, bideo-korronteak, audio-korronteak, telefono deiak, irrati-uhinak eta argazkiak. Hala ere, ez da etiketatu edo ordenatu modu logiko batean (datu ez estrukturatuak). Informazio hori solairu bakoitzaren bidez bidaliko da, 1etik 15era bitartean prozesatzeko. Jasotze-data 15garren solairura iristen denean (irteera) eraikinaren 1. solairurako (sarrerako) 3. eraikin batera iritsiko da. Eraikinaren eraikuntza prozesuaren azken emaitza batera ateratzen da. Eraikuntza 3 eraikitzen ari da eta eraikuntza batek A eta ondoren, solairuan zehar informazioa modu berean jarrita prozesatzen du. Informazioa 3. eraikinaren goiko solairura iristen denean, eraikuntza horren emaitzak eraikuntzatik bidaliko dira. 1. Eraikina 1 ikasten da eta 3 eraikinaren emaitzak txertatzen ditu solairuan zehar. Eraikina 1 eraikitzen duen moduari buruzko informazioa eta emaitzak zehazten ditu C eraikitzeko, eraikuntza 2 prozesuari eta bidera bidaltzen dizkion eraikuntzari.
ANN-en (eraikuntza) gure adibidean, egitura ez estrukturaletako beste ezaugarri bat biltzen da (informazioaren nahasketa) eta emaitzak hurrengo eraikinetara pasatzen ditu. Hurrengo eraikinak aurreko ikasturtean irteera (emaitzak) sartzen ditu (ikasi). ANN (eraikina) bakoitzaren datuak prozesatzen diren moduan, antolatzen eta etiketatzen da (sailkapena) ezaugarri partikular baten arabera, azken ANN (eraikina) azken irteera (goiko solairua) iristen denean sailkatzen eta etiketatzen da. (gehiago egituratuta).
Adimen Artifiziala, Makina ikasketak eta Deep Learning
Nola ulertzen da ikaskuntza sakona adimen artifizialaren (AI) eta MLren irudi orokorrean? Ikasketa sakonak ML boterea bultzatzen du eta zeregin-sorta handitzen du. Ikasketa sakonak sare neuralen erabileran oinarritzen direlako eta datu-multzoen ezaugarriak aintzat hartzea algoritmo arruntetako algoritmo errazen ordez, datu ez-egituratuak (gordinak) datuak xehetasunak aurkitu eta erabili ahal izan ditzake, programatzaile batek lehen aldiz eskuz etiketatu beharrik gabe akatsak sor ditzakeen zeregina kontsumitzen du. Ikasketa sakonak ordenagailuak hobeto eta hobeto laguntzen laguntzen die datuak, bai korporazioei zein partikularrentzat laguntzeko.