العنوان الأصلي: هل تريد أن تعرف كيف يعمل ديب التعلم وإليك دليل سريع للجميع؟

الكاتب: رادو رايسي

الترجمة: تشنغ Siyan

تصحيح التجارب المطبعية: فنغ يو

طول هنا 2500 كلمة القراءة الموصى بها 6 دقائق

المتوسطة الحصول على أكثر من خمسة عشر ألف الثناء الحصول على دراسة متعمقة كتبت على الجمع بين الرسم كما لكم الخيط المفاهيم الأساسية المختلفة اضحة على عمق محتوى التعلم.

الصورة الائتمان: Datanami

الذكاء الاصطناعي (AI)

(Https://en.wikipedia.org/wiki/Artificial_intelligence)

وتعلم الآلة (ML)

(Https://en.wikipedia.org/wiki/Machine_learning)

ينتمون جميعا الى معظم موضوع شعبي.

في الحياة اليومية، AI هذا المصطلح نحن في كل مكان. كنت قد سمعت من المطورين التفكير كبيرة التي يوجد قالت (هو) الذين يرغبون في تعلم AI. أو ربما ستسمع من مشغلي حيث كانوا يريدون تنفيذ AI في خدمتهم. ولكن الغالبية العظمى من هؤلاء الناس غالبا ما لا يفهمون ما هو AI.

بعد الانتهاء من قراءة هذا المقال، سوف تتعلم أساسيات AI وML. والأهم من ذلك، سوف نفهم عمق التعلم (https://en.wikipedia.org/wiki/Deep_learning)، والنوع الأكثر شعبية من تعلم الآلة، وكيف تعمل.

هذا البرنامج التعليمي هو للجميع، لذلك لم ينطو على استعمال الرياضيات على مستوى عال.

خلفية

الخطوة الأولى في تعلم كيفية فهم عمق العمل أمر مهم لفهم الفرق بين هذه المصطلحات.

• الذكاء الاصطناعي (AI) v.s. آلة التعلم (ML)

الذكاء الاصطناعي هو نسخة الاستخبارات البشرية على جهاز الكمبيوتر الخاص بك.

AI بدء الدراسة، ثم حاول الباحثون إلى الاستخبارات البشرية تكرار لأداء مهام مثل لعب مباريات مثل هذه المهام المحددة.

قاموا بعرض عدد من القواعد تحتاج إلى متابعة الكمبيوتر. مع هذه القواعد، وهناك جهاز كمبيوتر يحتوي على قوائم مختلفة من الإجراءات المحتملة، واتخاذ قرار (https://en.wikipedia.org/wiki/Expert_system) بناء على هذه القواعد.

تعلم الآلة، مشيرا إلى الجهاز باستخدام مجموعات كبيرة من البيانات بدلا من قواعد الثابت تلوينها إلى القدرة على التعلم.

ML يسمح للكمبيوتر لمعرفة من تلقاء انفسهم. هذا تعلم طريقة وذلك بفضل الأداء القوي لأجهزة الكمبيوتر الحديثة، لضمان أداء الكمبيوتر يمكن بسهولة التعامل مع عدد كبير من العينات في مجموعة البيانات.

• أشرف V.s. التعلم التعلم غير خاضعة للرقابة

التعلم تحت إشراف

(Https://en.wikipedia.org/wiki/Supervised_learning)

وصفت يشير إلى استخدام مجموعات البيانات والتعلم، وتدرج في إدخال البيانات والنواتج المتوقعة.

عند استخدام التعلم تحت إشراف لتدريب AI، تقوم بتوفير المدخلات إلى ذلك، وأقول ذلك إلى النتيجة المرجوة.

إذا كان الناتج AI ولدت غير صحيح (ملاحظة المترجم: إخراج مختلف رغبت في ذلك)، فإنه سيتم إعادة ضبط حساب (ملاحظة: يجب أن يكون المعلمات صيغة إعادة حساب). سيتم تشغيل هذه العملية التكرارية على مجموعة البيانات، حتى AI لم يعد ارتكاب الأخطاء.

توقعات الطقس لمنظمة العفو الدولية هو مثال نموذجي للتعليم تحت إشراف. ومن التنبؤ بالمستقبل من خلال دراسة بيانات الطقس التاريخية. البيانات التدريب لديه الإدخال (الضغط والرطوبة وسرعة الرياح) والإخراج (درجة الحرارة).

دون رقيب التعلم

(Https://en.wikipedia.org/wiki/Unsupervised_learning)

لا يحدد تطبيق تعلم الآلة بنية مجموعة البيانات لمهمة التعلم.

عند تطبيق التعلم غير خاضعة للرقابة لقطار AI، يمكنك أن تدع منطق AI لتصنيف البيانات.

على التنبؤ السلوك الكهربائي موقع منظمة العفو الدولية هو مثال على التعلم غير خاضعة للرقابة. انها ليست عن طريق الحصول على المدخلات والمخرجات من مجموعات البيانات قد وصفوا التعلم. على العكس من ذلك، فإنها تخلق تصنيف خاص بها على البيانات المدخلة. وسوف اقول لكم والتي هي الأكثر احتمالا لشراء المنتجات متباينة المستخدمين.

التعلم العميق هو كيفية تشغيلها؟

أنت الآن على استعداد لفهم ما هو عمق التعلم، وكيف يعمل.

التعلم العميق هو وسيلة لتعلم الآلة. بعد إعطائه مجموعة من المدخلات، لأنها تتيح لنا لتدريب AI التنبؤ بنتيجة. التعلم تحت إشراف والتعلم غير خاضعة للرقابة يمكن استخدامها لتدريب AI.

سوف نشرح كيف تعلم عمق يعمل عن طريق إنشاء نظام أسعار التذاكر افتراضية المتوقع. وسوف نطبق منهج التعلم إشراف على تدريب عليها.

نحن نريد نظام التنبؤ سعر التذكرة للتنبؤ على أساس المدخلات التالية (الإيجاز، أزلنا تذكرة العودة):

• مطار المغادرة

• وصول إلى المطار

• تاريخ المغادرة

• الطيران

الشبكات العصبية

نحن المقبل سوف تتحول وجهة نظر داخل دماغ لدينا AI.

والحيوانات، وقدرنا نظام AI من الدماغ لديه الخلايا العصبية. يشار من قبل الدوائر. مترابطة هذه الخلايا العصبية في الداخل.

الصورة الائتمان: CS231n

وقد تم تقسيم هذه الخلايا العصبية إلى ثلاثة مستويات:

• طبقة الإدخال

• طبقة مخفية

• طبقة الانتاج

طبقة المدخلات تلقي البيانات المدخلة. في هذه الحالة، هناك أربعة الخلايا العصبية في طبقة المدخلات: مطار المغادرة، مطار الوصول وتاريخ المغادرة وشركات الطيران. يتم تمرير المدخلات طبقة المدخلات إلى طبقة مخفية.

مخفي الرياضيات طبقة لمساهمتنا. إنشاء الشبكة العصبية يمثل صعوبة كبيرة، فضلا عن عدد من الطبقات في كل قرار الخلايا العصبية طبقة مخفية.

دراسة متعمقة "عمق"، مشيرا إلى أن يكون أكثر من طبقة واحدة المخفية.

طبقة إخراج يتم إرجاع بيانات الناتج. في هذه الحالة، وطبقة الانتاج ترجع توقعات الأسعار.

حتى في نهاية المطاف هو كيف تحسب توقعات سعر ذلك؟

هذا هو مكان رائع ونحن نذهب لمعرفة عمق المعلنة.

كل اتصال بين الخلايا العصبية، يتوافق مع الوزن. يحدد الوزن على أهمية قيمة المدخلات. تم تعيين الوزن الأولي عشوائيا.

عندما أسعار التذاكر التنبؤ، تاريخ المغادرة هو واحد من أكثر العوامل أهمية في تحديد الأسعار. ولذلك، فإن الاتصال مع الخلايا العصبية المتصلة تاريخ المغادرة الحصول على مزيد من الوزن.

الصورة الائتمان: CodeProject

كل الخلايا العصبية لديها وظيفة تفعيل (https://en.wikipedia.org/wiki/Activation_function). إذا لم يكن هناك الاشتقاق الرياضي، وهذه الوظائف هي غامضة جدا.

أحد الأدوار باختصار، هو نتيجة وظيفة تنشيط الخلايا العصبية "التوحيد".

مرة واحدة في مجموعة من البيانات المدخلة من خلال جميع طبقات الشبكة العصبية، سيتم إرجاع بيانات الناتج الشبكة العصبية من خلال طبقة الانتاج.

ليست معقدة، أليس كذلك؟

تدريب الشبكة العصبية

AI التدريب عمق هو الجزء الأصعب في التعلم. هذا هو السبب؟

• كنت في حاجة الى مجموعة كبيرة من البيانات

• تحتاج أيضا إلى النظر فيها قوة كبيرة

لتوقعات أسعار التذاكر نظامنا، نحن بحاجة إلى تجاوز البيانات الأجرة. منذ البدء المطار والمغادرة الأوقات لديها عدد كبير من التوليفات الممكنة، وذلك ما نحتاجه هو قائمة كبيرة جدا من الأسعار.

لتدريب توقعات سعر التذكرة نظام AI، نحن بحاجة إلى إعطاء مجموعات البيانات للنظام، ومن ثم إخراجها إخراج النتيجة مثل مجموعة البيانات للمقارنة. لأن لا يزال غير مدربين منظمة العفو الدولية، وبالتالي انتاجها سيكون خطأ.

وبمجرد أن تكرار عبر مجموعة البيانات بالكامل، ونحن سوف تكون قادرة على خلق وظيفة أن يخبرنا كم الانتاج AI والفرق الناتج الحقيقي في نهاية المطاف. هذه الوظيفة نسميه فقدان الوظيفة.

من الناحية المثالية، ونحن نريد لوظيفة الخسارة هي الصفر، مما يعني أن يساوي مثالي إخراج منظمة العفو الدولية ومجموعات بيانات الناتج.

كيف يمكن الحد من فقدان وظيفة؟

الحق في تغيير بين الخلايا العصبية الثقيلة. قد نقوم بتغيير هذه في وظيفة الترجيح عشوائية حتى الخسارة بما فيه الكفاية صغيرة، ولكن هذا النهج ليست فعالة.

بدلا من ذلك، ونحن نستخدم تقنية تسمى التدرج المهارات أصل (https://en.wikipedia.org/wiki/Gradient_descent).

أصل التدرج هو وظيفة لمساعدتنا في العثور الحد الأدنى من المهارات. في هذه الحالة، ونحن نتطلع للحصول على وظيفة فقدان الحد الأدنى.

بعد كل تكرار مجموعة البيانات، وطريقة تغيير الأوزان في زيادات صغيرة. عن طريق حساب مشتق من وظيفة الخسارة على مجموعة من الأوزان تحديد الوزن مجموعة (التدرج)، ونحن سوف تكون قادرة على معرفة في أي اتجاه الحد الأدنى.

الصورة الائتمان: سيباستيان راشيكا

من أجل تقليل فقدان وظيفة، تحتاج التكرارات متعددة من مجموعة البيانات. وهذا هو السبب لفرض العد عالية.

عملية أصل التدرج لتحديث أوزان تلقائيا. هذا هو المكان الذي دراسة السحر عمق!

مرة واحدة ندرب أسعار التذاكر تقدير جيد من منظمة العفو الدولية، يمكننا استخدامها للتنبؤ بأسعار المستقبل.

لمزيد من القراءة

الشبكات العصبية لديهم الكثير من نوع: لرؤية الكمبيوتر (https://en.wikipedia.org/wiki/Computer_vision) الإلتواء العصبية الشبكة (https://en.wikipedia.org/wiki/Convolutional_neural_network) وتطبيقها معالجة اللغة الطبيعية (https://en.wikipedia.org/wiki/Natural_language_processing) من الشبكات العصبية المتكررة (https://en.wikipedia.org/wiki/Recurrent_neural_network).

إذا كنت تريد معرفة التفاصيل التقنية لعمق التعلم، أقترح عليك أن تأخذ دورة على شبكة الإنترنت.

أندرو نغ (Https://medium.com/@andrewng) دراسة متعمقة من الدورات الخاصة (Https://www.coursera.org/specializations/deep-learning) هو واحد من أفضل لحظة دورات التعلم العميق. إذا كنت لا تحتاج إلى شهادة، سوف تكون قادرة على حضور هذه الدورة مجانا.

ملخص

1. عمق التعلم الشبكة العصبية للاستخبارات الحيوان على محاكاة.

2. وهناك ثلاثة مستويات من الخلايا العصبية الشبكة العصبية: طبقة المدخلات، وطبقة مخفية وطبقة الانتاج.

3. الاتصالات بين الخلايا العصبية يناظر الوزن، ويحدد الوزن أهمية كل البيانات المدخلة.

4. تطبيق وظيفة تنشيط الخلايا العصبية "موحدة" إخراج البيانات الخلايا العصبية.

5. تحتاج إلى مجموعة بيانات كبيرة لتدريب الشبكة العصبية.

6. التكرار وبالمقارنة مع الانتاج في مجموعة البيانات، ونحن سوف يكون فقدان وظيفة، يمكن أن فقدان وظيفة تخبرنا كم توليد AI النتائج والنتائج الفعلية تختلف.

7. بعد كل التكرار من مجموعة البيانات، وذلك باستخدام طريقة التدرج النسب وضبط الأوزان بين وزن الخلايا العصبية، للحد من فقدان وظيفة.

الرابط الأصلي:

https://medium.freecodecamp.org/want-to-know-how-deep-learning-works-heres-a-quick-guide-for-everyone-1aedeca88076

أكثر إثارة يرجى الانتباه إلى جامعة تسينغهوا - معهد العلوم والبيانات الدقيقة تشينغداو رسالة رسمية العام رقم "THU فصيل البيانات"