딥 러닝이란?
이 블로그에서는 What is 딥 러닝 요즘 뜨거운 화제를 불러 일으키고 인공 지능, 빅 데이터 및 분석과 같은 분야에 투자하는 방대한 산업에 뿌리를 내 렸습니다. 예를 들어, Google은 음성 및 이미지 인식 알고리즘에 딥 러닝을 사용하는 반면 Netflix와 Amazon은 고객의 행동을 이해하기 위해이를 사용합니다. 사실, 당신은 그것을 믿지 않을 것이지만 MIT의 연구원들은 딥 러닝을 사용하여 미래를 예측하려고 노력하고 있습니다.이제 딥 러닝이 세상을 혁신하는 데 얼마나 많은 잠재력이 있으며 기업이 .딥 러닝에 대해 이야기하기 전에 머신 러닝 및 인공 지능과의 관계를 이해해야합니다. 이 관계를 이해하는 가장 쉬운 방법은 아래 다이어그램을 살펴 보는 것입니다.
무화과: 딥 러닝이란? – AI 기술 타임 라인
여기 이미지에서 Machine Learning이 AI의 하위 집합임을 알 수 있습니다. 이는 제공된 데이터 세트를 기반으로 학습 할 수있는 지능형 기계를 자체적으로 구축 할 수 있다는 사실을 의미합니다. 또한 딥 러닝은 유사한 머신 러닝 알고리즘을 사용하여 딥 뉴럴 네트워크를 훈련시키는 데 사용되는 머신 러닝의 하위 집합이라는 것을 알 수 있습니다. Fo다음은이 딥 러닝 튜토리얼에서 논의 할 주제입니다.
- 인공 지능
- 기계 학습
- ML의 단점
- 딥 러닝이란?
- 딥 러닝 애플리케이션
업계 수준의 프로젝트로 인증 받기 및 경력 추적
인공 지능
무화과: 딥 러닝이란-인공 지능
AI라는 용어는 인공 지능의 아버지라고도 불리는 John McCarthy에 의해 1956 년에 만들어졌습니다. AI이면의 아이디어는 매우 간단하지만 매력적이며, 스스로 결정을 내릴 수있는 지능형 기계를 만드는 것입니다. 과학적 환상이라고 생각할 수도 있지만, 최근의 기술 및 컴퓨팅 성능과 관련하여 그 아이디어는 날마다 현실에 가까워지는 것 같습니다.
기계 학습 : 인공 지능을 향한 한 걸음
이제 AI에 익숙해 졌으므로 기계 학습에 대해 간략히 이야기하고 학습 할 기계를 프로그래밍한다고 말할 때 그 의미를 이해하겠습니다. 머신 러닝에 대한 매우 유명한 정의부터 시작하겠습니다.
'컴퓨터 프로그램은 어떤 작업 T에 대한 경험 E로부터 배우고, P에 의해 측정 된 T에 대한 성능이 경험 E와 함께 향상된다면, 어떤 성능 측정 값 P를 배운다고합니다.' — Tom Mitchell, Carnegie Mellon University
따라서 프로그램이 바쁜 교차로 (태스크 T)의 교통 패턴을 예측하도록하려면 과거 교통 패턴 (경험 E)에 대한 데이터를 사용하여 기계 학습 알고리즘을 통해 실행할 수 있습니다. 이제 예측의 정확성 (성능 측정 P)은 프로그램이 데이터 세트에서 성공적으로 학습했는지 여부 (경험 E)에 따라 달라집니다.
기본적으로 머신 러닝은 컴퓨터를 방대한 양의 데이터에 노출시켜 명시 적으로 프로그래밍하지 않고도 학습 할 수있는 능력을 컴퓨터에 제공하는 일종의 인공 지능 (AI)이라고합니다. 머신 러닝의 핵심 원칙은 데이터 세트에서 학습하고 오류를 최소화하거나 예측이 사실 일 가능성을 최대화하는 것입니다.
기계 학습의 단점
- 기존 ML 알고리즘은 많은 수의 입력 및 출력이있는 고차원 데이터로 작업하는 동안 유용하지 않습니다. 예를 들어, 필기 인식의 경우 많은 양의 입력이 있으며 다른 유형의 필기와 관련된 다른 유형의 입력이 있습니다.
- 두 번째 주요 과제는 결과를 예측하고 더 나은 정확도를 달성하는 데 중요한 역할을 할 검색 기능이 무엇인지 컴퓨터에 알려주는 것입니다. 바로이 과정을 특징 추출 .
원시 데이터를 알고리즘에 제공하는 일은 거의 작동하지 않으며 이것이 특징 추출이 전통적인 기계 학습 워크 플로의 중요한 부분 인 이유입니다. 따라서 기능 추출이 없으면 알고리즘의 효율성이 프로그래머의 통찰력에 크게 좌우되므로 프로그래머의 과제가 증가합니다. 따라서 이러한 기계 학습 모델 또는 알고리즘을 객체 인식, 필기 인식, NLP (Natural Language Processing) 등과 같은 복잡한 문제에 적용하는 것은 매우 어렵습니다.
딥 러닝
딥 러닝은 특징 추출의 문제를 극복 할 수있는 유일한 방법 중 하나입니다. 이는 딥 러닝 모델이 프로그래머의 지침이 거의 필요하지 않고 적절한 기능에 집중하는 방법을 스스로 학습 할 수 있기 때문입니다. 기본적으로 딥 러닝은 뇌가 기능하는 방식, 즉 경험에서 학습하는 방식을 모방합니다. 아시다시피, 우리의 뇌는 놀라운 일을 할 수있는 수십억 개의 뉴런으로 구성되어 있습니다. 한 살짜리 아이의 두뇌조차도 슈퍼 컴퓨터로도 해결하기 어려운 복잡한 문제를 해결할 수 있습니다. 예를 들면 :
- 부모와 다른 물건의 얼굴도 인식합니다.
- 다른 목소리를 구별하고 자신의 목소리를 기반으로 특정 사람을 인식 할 수도 있습니다.
- 다른 사람의 얼굴 제스처 등에서 추론을 도출합니다.
사실, 우리의 뇌는 수년에 걸쳐 그러한 일을하도록 무의식적으로 스스로 훈련했습니다. 이제 질문이옵니다. 딥 러닝이 뇌의 기능을 어떻게 모방합니까? 음, 딥 러닝은 우리 뇌에 존재하는 생물학적 뉴런과 유사한 방식으로 기능하는 인공 뉴런의 개념을 사용합니다. 따라서 딥 러닝은 다음의 하위 필드라고 말할 수 있습니다. 기계 배우기 인공 신경망이라고 불리는 뇌의 구조와 기능에서 영감을받은 알고리즘과 관련이 있습니다.
tableau 데이터 혼합 방법
이제 그것을 이해하기 위해 예를 들어 보겠습니다. 이미지에서 다른 사람의 얼굴을 인식 할 수있는 시스템을 만들고 싶다고 가정 해 보겠습니다.이를 일반적인 머신 러닝 문제로 해결하면 눈, 코, 귀 등과 같은 얼굴 특징을 정의한 다음 시스템이 어떤 특징이 어떤 사람에게 더 중요한지 스스로 식별합니다.
자, 딥 러닝은 한 걸음 앞서갑니다. 딥 러닝은 딥 신경망으로 인해 분류에 중요한 기능을 자동으로 찾아내는 반면, 머신 러닝의 경우 이러한 기능을 수동으로 정의해야했습니다.
무화과: 심층 네트워크를 사용한 얼굴 인식
위 이미지에서 볼 수 있듯이 딥 러닝은 다음과 같이 작동합니다.
- 가장 낮은 수준에서 네트워크는 지역 대비 패턴을 중요하게 고정합니다.
- 그런 다음 다음 레이어는 로컬 대비 패턴을 사용하여 눈, 코 및 입과 유사한 것에 고정 할 수 있습니다.
- 마지막으로 최상위 레이어는 이러한 얼굴 특징을 얼굴 템플릿에 적용 할 수 있습니다.
- 심층 신경망은 연속적인 각 계층에서 점점 더 복잡한 기능을 구성 할 수 있습니다.
Facebook이 귀하가 업로드 한 이미지에있는 모든 사람을 어떻게 자동으로 라벨링하거나 태그를 지정하는지 궁금한 적이 있습니까? 음, Facebook은 위의 예에서 설명한 것과 유사한 방식으로 딥 러닝을 사용합니다. 이제 딥 러닝의 기능과 결과에 영향을 미칠 수있는 모든 기능에 대한 아이디어가 거의없는 경우 머신 러닝을 능가하는 방법을 깨달았을 것입니다. 따라서 딥 네트워크는 적절한 라벨링없이 입력 데이터로 구성된 데이터 세트에서 추론을 도출하여 머신 러닝의 단점을 극복 할 수 있습니다.
딥 러닝이란? 단순화 된 딥 러닝 | Edureka
딥 러닝의 응용
이 딥 러닝 블로그에서 계속 진행하여 딥 러닝의 진정한 힘을 이해하기 위해 실제 적용되는 몇 가지 딥 러닝을 살펴 보겠습니다.
음성 인식
모두가 Apple의 음성 제어 지능형 비서 인 Siri에 대해 들어 보셨을 것입니다. 다른 거대 기업과 마찬가지로 Apple은 서비스를 그 어느 때보 다 향상시키기 위해 Deep Learning에 투자하기 시작했습니다.
음성 인식 및 Siri와 같은 음성 제어 지능형 비서 분야에서는 심층 신경망을 사용하여보다 정확한 음향 모델을 개발할 수 있으며 현재 심층 학습 구현을위한 가장 활발한 분야 중 하나입니다. 간단히 말해서 새로운 기능을 배우거나 자신에 따라 적응할 수있는 시스템을 구축 할 수 있으므로 모든 가능성을 미리 예측하여 더 나은 지원을 제공 할 수 있습니다.
자동 기계 번역
우리 모두는 Google이 100 개의 서로 다른 인간 언어를 즉시 번역 할 수 있다는 것을 알고 있습니다. 마술처럼 너무 빨리 말입니다. 뒤에 숨겨진 기술 구글 번역 불린다 기계 번역 말하기 언어의 차이로 인해 서로 소통 할 수없는 사람들의 구세주였습니다. 이제이 기능이 오랫동안 존재했다고 생각할 것입니다. 그렇다면이 기능의 새로운 점은 무엇입니까? 지난 2 년 동안 딥 러닝의 도움으로 Google은 Google 번역에서 기계 번역에 대한 접근 방식을 완전히 개혁했습니다. 실제로 언어 번역에 대해 거의 알지 못하는 딥 러닝 연구자들은 세계 최고의 전문가가 만든 언어 번역 시스템을 능가하는 비교적 간단한 기계 학습 솔루션을 내놓고 있습니다. 시퀀스의 사전 처리없이 텍스트 번역을 수행 할 수 있으므로 알고리즘이 단어 간의 종속성과 새 언어에 대한 매핑을 학습 할 수 있습니다. 이 변환을 수행하기 위해 대규모 반복 신경망의 누적 네트워크가 사용됩니다.
- 즉각적인 시각적 번역
아시다시피 딥 러닝은 글자가있는 이미지와 글자가있는 장면을 식별하는 데 사용됩니다. 식별되면 텍스트로 변환하고 번역 한 다음 번역 된 텍스트로 이미지를 다시 만들 수 있습니다. 이것은 종종 즉각적인 시각적 번역 .
이제 모국어가 알려지지 않은 다른 나라를 방문한 상황을 상상해보십시오. 걱정할 필요가 없습니다. Google 번역과 같은 다양한 앱을 사용하면 즉시 시각적 번역을 수행하여 다른 언어로 작성된 간판이나 상점 게시판을 읽을 수 있습니다. 이것은 딥 러닝 덕분에 가능했습니다.
노트 : 계속해서 Google 번역 앱을 다운로드하고 위의 이미지를 사용하여 놀라운 즉각적인 시각적 번역을 확인할 수 있습니다.
행동 : 자율 주행 자동차
구글은 딥 러닝을 사용하여 WAYMO로 알려진 자율 주행 자동차 이니셔티브를 완전히 새로운 수준으로 끌어 올리려고합니다. 따라서 기존의 수작업으로 코딩 된 알고리즘을 사용하는 대신 이제는 서로 다른 센서에서 제공하는 데이터를 사용하여 스스로 학습 할 수있는 시스템을 프로그래밍 할 수 있습니다. 이제 딥 러닝은 대부분의 지각 작업과 많은 저수준 제어 작업에 대한 최상의 접근 방식입니다. 따라서 이제는 운전을 모르거나 장애가있는 사람들도 다른 사람에게 의존하지 않고 계속해서 탈 수 있습니다.
여기에서는 딥 러닝이 광범위하게 사용되고 유망한 결과를 보여주는 유명한 실제 사용 사례를 거의 언급하지 않았습니다. 아직 탐구되지 않은 많은 분야와 함께 딥 러닝의 다른 많은 응용 프로그램이 있습니다.
그래서 이것은 간단히 말해서 딥 러닝에 관한 것입니다. 지금 쯤이면 머신 러닝과 딥 러닝의 차이는 물론 딥 러닝이 다양한 실제 응용 분야에 얼마나 유용 할 수 있는지 깨달았을 것입니다. 이제이 딥 러닝 튜토리얼 시리즈의 다음 블로그에서 다양한 개념과 알고리즘 딥 러닝과 그 응용 프로그램에 대해 자세히 살펴볼 것입니다.
이제 딥 러닝에 대해 알았으니 전 세계에 걸쳐 250,000 명 이상의 만족 한 학습자 네트워크를 보유한 신뢰할 수있는 온라인 학습 회사 인 Edureka에서 작성했습니다. TensorFlow를 사용한 Edureka Deep Learning 교육 과정은 학습자가 SoftMax 기능, 자동 인코더 신경망, RBM (Restricted Boltzmann Machine)과 같은 개념과 함께 실시간 프로젝트 및 할당을 사용하여 기본 및 컨볼 루션 신경망을 교육하고 최적화하는 전문가가 될 수 있도록 도와줍니다.
질문이 있으십니까? 의견란에 언급 해 주시면 연락 드리겠습니다.
인공 지능 과정의 전제 조건