O que é Deep Learning?
Neste blog, estarei falando sobre o que é Aprendizado Profundo que é um burburinho quente hoje em dia e estabeleceu firmemente suas raízes em uma vasta gama de indústrias que estão investindo em áreas como Inteligência Artificial, Big Data e Analytics. Por exemplo, o Google está usando o aprendizado profundo em seus algoritmos de reconhecimento de voz e imagem, enquanto a Netflix e a Amazon estão usando para entender o comportamento de seus clientes. Na verdade, você não vai acreditar, mas os pesquisadores do MIT estão tentando prever o futuro usando o aprendizado profundo.Agora, imagine quanto potencial o deep learning tem para revolucionar o mundo e como as empresas irão buscar o .Antes de falar em aprendizado profundo, é preciso entender sua relação com o Aprendizado de Máquina e Inteligência Artificial. A maneira mais fácil de entender essa relação é percorrendo o diagrama abaixo:
FIG: O que é Deep Learning - Linha do tempo da AI Technologies
decimal para código binário python
Aqui, na imagem você pode ver que o Machine Learning é um subconjunto da IA. Isso implica no fato de que podemos construir máquinas inteligentes que podem aprender por conta própria com base no conjunto de dados fornecidos. Além disso, você notará que o Deep Learning é um subconjunto do Machine Learning onde Algoritmos de Machine Learning semelhantes são usados para treinar Redes Neurais Profundas de modo a obter melhor precisão nos casos em que o anterior não estava apresentando um desempenho adequado. Foa seguir estão os tópicos que discutirei neste tutorial de aprendizado profundo:
- Inteligência artificial
- Aprendizado de Máquina
- Desvantagens do ML
- O que é Deep Learning?
- Aplicativo de aprendizado profundo
Obtenha a certificação com projetos de nível da indústria e acelere sua carreira
Inteligência artificial
FIG: O que é Aprendizado Profundo - Inteligência Artificial
O termo AI foi cunhado em 1956 por John McCarthy, também conhecido como Pai da Inteligência Artificial. A ideia por trás da IA é bastante simples, mas fascinante, que é fazer máquinas inteligentes que podem tomar decisões por conta própria. Você pode pensar nisso como uma fantasia científica, mas com relação aos recentes desenvolvimentos em tecnologia e poder de computação, a própria ideia parece se aproximar da realidade dia a dia.
Aprendizado de máquina: um passo em direção à inteligência artificial
Agora que você está familiarizado com IA, vamos falar um pouco sobre o aprendizado de máquina e entender o que significa quando dizemos que estamos programando máquinas para aprender. Vamos começar com uma definição muito famosa de aprendizado de máquina:
“Diz-se que um programa de computador aprende com a experiência E com relação a alguma tarefa T e alguma medida de desempenho P, se seu desempenho em T, conforme medido por P, melhora com a experiência E.” - Tom Mitchell, Carnegie Mellon University
Portanto, se você deseja que seu programa preveja padrões de tráfego em um cruzamento movimentado (tarefa T), pode executá-lo por meio de um algoritmo de aprendizado de máquina com dados sobre padrões de tráfego anteriores (experiência E). Agora, a precisão da previsão (medida de desempenho P) dependerá do fato de o programa ter aprendido com sucesso com o conjunto de dados ou não (experiência E).
Basicamente, o aprendizado de máquina é conhecido como um tipo de inteligência artificial (IA) que fornece aos computadores a capacidade de aprender sem serem explicitamente programados, expondo-os a uma grande quantidade de dados. O princípio básico por trás do aprendizado de máquina é aprender com os conjuntos de dados e tentar minimizar o erro ou maximizar a probabilidade de suas previsões serem verdadeiras.
Desvantagens do aprendizado de máquina
- Os algoritmos de ML tradicionais não são úteis ao trabalhar com dados de alta dimensão, é onde temos um grande número de entradas e saídas. Por exemplo, no caso de reconhecimento de escrita, temos uma grande quantidade de entrada, onde teremos diferentes tipos de entrada associados a diferentes tipos de escrita.
- O segundo grande desafio é dizer ao computador quais são os recursos que ele deve procurar e que desempenharão um papel importante na previsão do resultado, bem como para obter maior precisão ao fazê-lo. Este mesmo processo é referido como extração de características .
Alimentar dados brutos para o algoritmo raramente funciona e esta é a razão pela qual a extração de recursos é uma parte crítica do fluxo de trabalho de aprendizado de máquina tradicional. Portanto, sem extração de recursos, o desafio para o programador aumenta, pois a eficácia do algoritmo depende muito de quão perspicaz é o programador. Portanto, é muito difícil aplicar esses modelos ou algoritmos de Aprendizado de Máquina a problemas complexos como reconhecimento de objetos, reconhecimento de caligrafia, PNL (Processamento de Linguagem Natural), etc.
Aprendizado Profundo
O aprendizado profundo é um dos únicos métodos pelos quais podemos superar os desafios da extração de recursos. Isso ocorre porque os modelos de aprendizado profundo são capazes de aprender a se concentrar nos recursos certos por si próprios, exigindo pouca orientação do programador. Basicamente, o aprendizado profundo imita a maneira como nosso cérebro funciona, ou seja, ele aprende com a experiência. Como você sabe, nosso cérebro é composto de bilhões de neurônios que nos permitem fazer coisas incríveis. Mesmo o cérebro de uma criança de um ano pode resolver problemas complexos que são muito difíceis de resolver, mesmo usando supercomputadores. Por exemplo:
- Reconheça o rosto de seus pais e também objetos diferentes.
- Discriminar vozes diferentes e pode até reconhecer uma pessoa em particular com base em sua voz.
- Tire inferências de gestos faciais de outras pessoas e muito mais.
Na verdade, nosso cérebro subconscientemente se treinou para fazer essas coisas ao longo dos anos. Agora, vem a pergunta, como a aprendizagem profunda imita a funcionalidade de um cérebro? Bem, o aprendizado profundo usa o conceito de neurônios artificiais que funcionam de maneira semelhante aos neurônios biológicos presentes em nosso cérebro. Portanto, podemos dizer que Deep Learning é um subcampo da máquina Aprendendo preocupada com algoritmos inspirados na estrutura e função do cérebro chamadas redes neurais artificiais.
Agora, vamos dar um exemplo para entender isso. Suponha que queremos fazer um sistema que pode reconhecer rostos de pessoas diferentes em uma imagem.Se resolvermos isso como um problema típico de aprendizado de máquina, definiremos características faciais como olhos, nariz, orelhas etc. e, em seguida, o sistema identificará quais características são mais importantes para cada pessoa por conta própria.
Agora, o aprendizado profundo dá um passo à frente. O aprendizado profundo descobre automaticamente os recursos que são importantes para a classificação por causa das redes neurais profundas, enquanto no caso do aprendizado de máquina tivemos que definir manualmente esses recursos.
FIG: Reconhecimento facial usando redes profundas
Conforme mostrado na imagem acima, o Deep Learning funciona da seguinte maneira:
- No nível mais baixo, a rede se fixa em padrões de contraste local tão importantes.
- A camada a seguir é então capaz de usar esses padrões de contraste local para fixar em coisas que se assemelham a olhos, narizes e bocas
- Finalmente, a camada superior é capaz de aplicar essas características faciais a modelos de rosto.
- Uma rede neural profunda é capaz de compor recursos cada vez mais complexos em cada uma de suas camadas sucessivas.
Você já se perguntou como o Facebook automaticamente rotula ou marca todas as pessoas presentes em uma imagem enviada por você? Bem, o Facebook usa Deep Learning de uma forma semelhante, conforme indicado no exemplo acima. Agora, você teria percebido a capacidade do Deep Learning e como ele pode superar o Machine Learning nos casos em que temos muito pouca ideia sobre todos os recursos que podem afetar o resultado. Portanto, a rede profunda pode superar a desvantagem do aprendizado de máquina fazendo inferências a partir de um conjunto de dados que consiste em dados de entrada sem a rotulagem adequada.
O que é Deep Learning | Aprendizado profundo simplificado | Edureka
Aplicações de Aprendizado Profundo
Avançando neste blog de aprendizado profundo, vamos dar uma olhada em algumas das aplicações da vida real do aprendizado profundo para entender seus verdadeiros poderes.
Reconhecimento de fala
Todos vocês devem ter ouvido falar sobre Siri, que é o assistente inteligente controlado por voz da Apple. Como outros grandes gigantes, a Apple também começou a investir no Deep Learning para tornar seus serviços melhores do que nunca.
conversão de tipo em c ++
Na área de reconhecimento de voz e assistente inteligente controlado por voz como o Siri, pode-se desenvolver um modelo acústico mais preciso usando uma rede neural profunda e atualmente é um dos campos mais ativos para implementação de aprendizado profundo. Em palavras simples, você pode construir esse sistema que pode aprender novos recursos ou se adaptar de acordo com você e, portanto, fornecer melhor assistência prevendo todas as possibilidades com antecedência.
Tradução Automática
substring em exemplos de servidor sql
Todos nós sabemos que o Google pode traduzir instantaneamente entre 100 idiomas humanos diferentes, muito rapidamente, como se por mágica. A tecnologia por trás Google Tradutor é chamado Maquina de tradução e tem sido o salvador de pessoas que não conseguem se comunicar por causa da diferença na língua falada. Agora, você deve estar pensando que esse recurso já existe há muito tempo, então, o que há de novo nisso? Deixe-me dizer a você que nos últimos dois anos, com a ajuda do aprendizado profundo, o Google reformou totalmente a abordagem da tradução automática em seu Google Translate. Na verdade, pesquisadores de aprendizagem profunda que não sabem quase nada sobre tradução de idiomas estão apresentando soluções de aprendizado de máquina relativamente simples que estão superando os melhores sistemas de tradução de idiomas desenvolvidos por especialistas do mundo. A tradução do texto pode ser realizada sem nenhum pré-processamento da sequência, permitindo ao algoritmo aprender as dependências entre as palavras e seu mapeamento para um novo idioma. Redes empilhadas de grandes redes neurais recorrentes são usadas para realizar essa tradução.
- Tradução Visual Instantânea
Como você sabe, o aprendizado profundo é usado para identificar imagens que possuem letras e onde as letras estão na cena. Uma vez identificados, eles podem ser transformados em texto, traduzidos e a imagem recriada com o texto traduzido. Isso geralmente é chamado tradução visual instantânea .
Agora, imagine uma situação em que você visitou qualquer outro país cuja língua nativa não é conhecida por você. Bem, não precisa se preocupar, usando vários aplicativos como o Google Translate você pode ir em frente e realizar traduções visuais instantâneas para ler placas ou placas escritas em outro idioma. Isso só foi possível por causa do Deep Learning.
Nota: Você pode ir em frente e baixar o Google Translate App e verificar a incrível tradução visual instantânea usando a imagem acima.
Comportamento: Carros Auto-dirigidos
O Google está tentando levar sua iniciativa de carro autônomo, conhecido como WAYMO, a um nível totalmente novo de perfeição usando Deep Learning. Portanto, em vez de usar algoritmos codificados à mão antigos, eles agora podem programar sistemas que podem aprender por si próprios usando dados fornecidos por diferentes sensores. O aprendizado profundo é agora a melhor abordagem para a maioria das tarefas de percepção, bem como para muitas tarefas de controle de baixo nível. Assim, agora mesmo as pessoas que não sabem dirigir ou são deficientes, podem ir em frente e fazer o passeio sem depender de ninguém.
Aqui, eu mencionei apenas alguns casos de uso famosos da vida real onde o Deep Learning está sendo usado extensivamente e mostrando resultados promissores. Existem muitas outras aplicações de aprendizado profundo, juntamente com muitos campos que ainda precisam ser explorados.
Então, em poucas palavras, trata-se de aprendizado profundo. Tenho certeza de que, a esta altura, você já deve ter percebido a diferença entre o Aprendizado de Máquina e o Aprendizado Profundo e também como o Aprendizado Profundo pode ser muito útil para várias aplicações da vida real. Agora, em meu próximo blog nesta série de tutoriais de aprendizado profundo, vamos nos aprofundar em vários conceitos e algoritmos de aprendizado profundo junto com sua aplicação em detalhes.
Agora que você sabe sobre o Deep Learning, confira o pela Edureka, uma empresa de aprendizagem online confiável com uma rede de mais de 250.000 alunos satisfeitos espalhados por todo o mundo. O curso Edureka Deep Learning with TensorFlow Certification Training ajuda os alunos a se tornarem especialistas em treinamento e otimização de redes neurais básicas e convolucionais usando projetos e atribuições em tempo real, juntamente com conceitos como função SoftMax, Redes Neurais de Codificador Automático, Máquina Boltzmann Restrita (RBM).
Tem alguma questão para nós? Mencione isso na seção de comentários e entraremos em contato com você.