Deep learning is een krachtige vorm van machine learning (ML) die complexe wiskundige structuren bouwt, neurale netwerken genoemd, die enorme hoeveelheden gegevens (informatie) gebruiken.
Deep Learning-definitie
Deep learning is een manier om ML te implementeren met behulp van meerdere lagen van neurale netwerken om complexere soorten gegevens te verwerken. Soms, hiërarchisch leren genoemd, gebruikt deep learning verschillende soorten neurale netwerken om functies te leren (ook wel representaties genoemd) en ze te vinden in grote sets ruwe, niet-gelabelde gegevens (ongestructureerde gegevens). Een van de eerste doorbraakdemonstraties van deep learning was een programma dat met succes afbeeldingen van katten uit reeksen YouTube-video's koos.
Diepe leervoorbeelden in het dagelijks leven
Diepgaand leren wordt niet alleen gebruikt voor beeldherkenning, maar ook voor taalvertaling, fraudedetectie en voor het analyseren van gegevens die bedrijven verzamelen over hun klanten. Netflix maakt bijvoorbeeld gebruik van deep learning om je kijkgedrag te analyseren en te voorspellen welke shows en films je graag wilt bekijken. Op deze manier weet Netflix actiefilms en natuurdocumentaires in uw suggestierij te plaatsen. Amazon gebruikt diepgaand leren om je recente aankopen en items te analyseren die je onlangs hebt gezocht om suggesties te maken voor de nieuwe countrymuziekalbums waarin je waarschijnlijk geïnteresseerd bent en die je op de markt wilt hebben voor een paar grijze en gele tennis schoenen. Aangezien deep learning steeds meer inzicht verschaft in ongestructureerde en onbewerkte gegevens, kunnen bedrijven beter inspelen op de behoeften van hun klanten terwijl u, de individuele klant, een persoonlijkere klantenservice krijgt.
Kunstmatige neurale netwerken en diep leren
Om diepgaand leren gemakkelijker te begrijpen te maken, gaan we terug naar onze vergelijking van een kunstmatig neuraal netwerk (ANN). Stel je voor dat je tijdens een diepgaand leren ons kantoorgebouw met 15 verdiepingen inneemt in een stedelijk blok met vijf andere kantoorgebouwen. Er zijn drie gebouwen aan elke kant van de straat. Ons gebouw is gebouw A en deelt dezelfde kant van de straat als gebouwen B en C. Aan de overkant van gebouw A is gebouw 1 en tegenover gebouw B is gebouw 2, enzovoort. Elk gebouw heeft een ander aantal verdiepingen, is gemaakt van verschillende materialen en heeft een andere architecturale stijl dan de andere. Elk gebouw is echter nog steeds ingedeeld in afzonderlijke verdiepingen (lagen) van kantoren (knooppunten), dus elk gebouw is een unieke ANN.
Stel je voor dat een digitaal pakket arriveert bij gebouw A, met veel verschillende soorten informatie uit meerdere bronnen, zoals tekstgebaseerde gegevens, videostreams, audiostreams, telefoongesprekken, radiogolven en foto's - het komt echter in één grote warboel en is niet op een logische manier gelabeld of gesorteerd (ongestructureerde gegevens). De informatie wordt door elke verdieping verzonden in volgorde van 1st tot en met 15th om te verwerken. Nadat de informatiegordel de 15 bereiktth vloer (uitvoer), wordt deze naar de 1 gestuurdst vloer (ingang) van gebouw 3 samen met het uiteindelijke verwerkingsresultaat van gebouw A. Gebouw 3 leert van en neemt het resultaat op dat door gebouw A is verzonden en verwerkt dan op elke manier de informatiegordel door elke verdieping op dezelfde manier. Wanneer de informatie de bovenste verdieping van gebouw 3 bereikt, wordt het van daaruit met de resultaten van dat gebouw naar gebouw 1 verzonden. Gebouw 1 leert van en neemt de resultaten van gebouw 3 op voordat het vloer-voor-vloer wordt verwerkt. Gebouw 1 geeft de informatie en resultaten op dezelfde manier door aan gebouw C, dat wordt verwerkt en verzonden naar gebouw 2, dat wordt verwerkt en naar gebouw B wordt verzonden.
Elk ANN (gebouw) in ons voorbeeld zoekt naar een andere functie in de ongestructureerde data (een wirwar van informatie) en geeft de resultaten door aan het volgende gebouw. Het volgende gebouw bevat (leert) de uitvoer (resultaten) van de vorige. Omdat de gegevens worden verwerkt door elk ANN (gebouw), wordt het georganiseerd en gelabeld (geclassificeerd) door een bepaald kenmerk, zodat wanneer de gegevens de laatste uitvoer (bovenste verdieping) van het laatste ANN (gebouw) bereiken, het is geclassificeerd en geëtiketteerd (meer gestructureerd).
Kunstmatige intelligentie, machine learning en deep learning
Hoe past deep learning in het totaalbeeld van kunstmatige intelligentie (AI) en ML? Diepgaand leren verhoogt de kracht van ML en vergroot het aantal taken dat AI kan uitvoeren. Omdat deep learning afhankelijk is van het gebruik van neurale netten en functies binnen datasets herkent in plaats van eenvoudiger taakspecifieke algoritmen, kan het gegevens uit ongestructureerde (onbewerkte) gegevens vinden en gebruiken zonder dat een programmeur dit eerst handmatig hoeft te labelen - een tijd -consumerende taak die fouten kan introduceren. Diepgaand leren helpt computers om steeds beter te worden in het gebruik van gegevens om zowel bedrijven als individuen te helpen.
