기계 학습의 강력한 하위 집합 인 딥 러닝은 컴퓨터가 예제에서 배울 수 있도록, 인간 학습을 반영 할 수 있도록합니다. 고양이를 식별하도록 컴퓨터를 가르치는 것을 상상해보십시오 - 명시 적으로 특징을 정의하는 대신 수많은 고양이 이미지를 보여줍니다. 컴퓨터는 자율적으로 일반적인 패턴을 식별하고 고양이를 인식하는 법을 배웁니다. 이것이 딥 러닝의 핵심 원칙입니다.
기술적으로, 딥 러닝은 인간 뇌의 구조에서 영감을 얻은 인공 신경망을 활용합니다. 이 네트워크는 층으로 배열 된 상호 연결된 노드 (뉴런)를 구성하여 정보를 순차적으로 처리합니다. 레이어가 많을수록 네트워크가 "깊은"네트워크가 될수록 점점 더 복잡한 패턴의 학습과 정교한 작업의 실행을 가능하게합니다.
신경망의 뇌에서 영감을 얻은 아키텍처
인공 지능 (AI)의 지부 인 기계 학습 자체를 통해 컴퓨터는 데이터에서 배우고 명시적인 프로그래밍없이 결정을 내릴 수 있습니다. 시스템이 패턴을 인식하고 결과를 예측하며 시간이 지남에 따라 성능을 향상시킬 수있는 다양한 기술을 포함합니다. 딥 러닝은 이전에 인간의 전문 지식이 필요한 작업을 자동화하여 기계 학습을 확장합니다.
딥 러닝은 3 개 이상의 층이있는 신경망을 사용하여 자신을 구별합니다. 이 네트워크는 인간의 뇌의 기능을 모방하여 방대한 데이터 세트에서 학습하려고 시도합니다.
기능 엔지니어링에는 기계 학습 모델에 사용하기 위해 원시 데이터에서 가장 관련된 변수 (기능)를 선택, 변환 또는 생성하는 것이 포함됩니다. 예를 들어, 날씨 예측에서 원시 데이터에는 온도, 습도 및 풍속이 포함될 수 있습니다. 기능 엔지니어링은 가장 예측적인 변수를 결정하고 최적의 모델 성능을 위해이를 변환합니다 (예 : 화씨를 섭씨로 변환).
전통적인 기계 학습은 종종 도메인 전문 지식이 필요한 수동 및 시간 소모적 인 기능 엔지니어링이 필요합니다. 딥 러닝의 주요 장점은 원시 데이터에서 관련 기능을 자동으로 학습하여 수동 개입을 최소화하는 능력입니다.
딥 러닝의 지배력은 몇 가지 주요 장점에서 비롯됩니다.
이 안내서는 딥 러닝의 핵심 개념을 탐구하여 AI에서 경력을 쌓을 준비를합니다. 실제 연습의 경우 "파이썬의 딥 러닝 소개"코스를 고려하십시오.
딥 러닝 알고리즘 및 응용 프로그램을 탐색하기 전에 기본 개념을 이해하는 것이 중요합니다. 이 섹션에서는 신경망, 심층 신경망 및 활성화 기능 등 빌딩 블록을 소개합니다.
딥 러닝의 핵심은 인공 신경망으로 인간 뇌에서 영감을 얻은 계산 모델입니다. 이러한 네트워크는 정보를 공동으로 처리하고 결정을 내리는 상호 연결된 노드 ( "뉴런")로 구성됩니다. 뇌의 특수 영역과 유사하게, 신경망에는 특정 기능에 전용 된 계층이 있습니다.
"깊은"신경망은 입력과 출력 사이의 다중 계층으로 구별됩니다. 이 깊이는 매우 복잡한 기능과보다 정확한 예측을 학습 할 수 있습니다. 깊이는 딥 러닝의 이름과 복잡한 문제를 해결하는 힘의 원천입니다.
활성화 기능은 신경망에서 의사 결정자 역할을하여 다음 계층으로 진행되는 정보를 결정합니다. 이러한 기능은 복잡성을 도입하여 네트워크가 데이터에서 학습하고 미묘한 결정을 내릴 수있게합니다.
딥 러닝은 기능 추출을 사용하여 동일한 레이블 내에서 유사한 기능을 인식하고 의사 결정 경계를 사용하여 기능을 정확하게 분류합니다. 고양이/개 분류기에서 모델은 눈 모양, 얼굴 구조 및 체형과 같은 특징을 추출한 다음이를 독특한 클래스로 나눕니다.
딥 러닝 모델은 심층 신경망을 사용합니다. 간단한 신경망에는 입력 레이어, 숨겨진 레이어 및 출력 레이어가 있습니다. 딥 러닝 모델에는 여러 개의 숨겨진 층이있어 각 추가 층마다 정확도가 향상됩니다.
간단한 신경망 그림
입력 레이어는 원시 데이터를 수신하여 숨겨진 레이어 노드로 전달합니다. 숨겨진 계층은 대상 정보에 따라 데이터 포인트를 분류하여 정확한 예측을 생성하기위한 범위를 점차 좁 힙니다. 출력 레이어는 숨겨진 레이어 정보를 사용하여 가장 가능성이 높은 레이블을 선택합니다.
일반적인 질문 해결 : 딥 러닝은 인공 지능의 형태입니까? 대답은 예입니다. 딥 러닝은 머신 러닝의 하위 집합이며 AI의 하위 집합입니다.
AI, ML 및 DL 간의 관계
AI는 인간 지능을 모방하거나 능가하는 지능형 기계를 만드는 것을 목표로합니다. AI는 기계 학습 및 딥 러닝 방법을 활용하여 인간의 작업을 달성합니다. 가장 진보 된 알고리즘 인 딥 러닝은 AI의 의사 결정 기능의 중요한 구성 요소입니다.
딥 러닝은 Netflix 영화 권장에서 Amazon Warehouse Management Systems에 이르기까지 수많은 응용 프로그램을 제공합니다.
컴퓨터 비전 (CV)은 객체 탐지 및 충돌 회피뿐만 아니라 얼굴 인식, 포즈 추정, 이미지 분류 및 이상 탐지를 위해 자율 주행 차에 사용됩니다.
딥 러닝으로 구동되는 얼굴 인식
ASR은 스마트 폰에서 유비쿼터스이며 "Hey, Google"또는 "Hi, Siri"와 같은 음성 명령으로 활성화됩니다. 또한 텍스트 음성 연설, 오디오 분류 및 음성 활동 감지에도 사용됩니다.
음성 패턴 인식
Cryptopunks NFTS 및 OpenAi의 GPT-4 모델 (Powering ChatGpt)의 생성으로 예시 된 생성 AI는 합성 예술, 텍스트, 비디오 및 음악을 생성합니다.
생성 예술
딥 러닝은 언어 번역, 사진-텍스트 번역 (OCR) 및 텍스트-이미지 번역을 용이하게합니다.
언어 번역
딥 러닝은 금융 및 기타 산업에 중요한 시장 충돌, 주가 및 날씨 패턴을 예측합니다.
시계열 예측
딥 러닝은 창고 관리 및 로봇 제어와 같은 작업을 자동화하여 AI가 비디오 게임에서 인간 플레이어를 능가 할 수있게합니다.
딥 러닝에 의해 제어되는 로봇 팔
딥 러닝 프로세스 고객 피드백 및 챗봇 애플리케이션은 원활한 고객 서비스를 위해 챗봇 응용 프로그램을 제공합니다.
고객 피드백 분석
딥 러닝은 암 탐지, 약물 개발, 의료 영상의 이상 탐지 및 의료 장비 지원을 지원합니다.
DNA 서열 분석
이 섹션에서는 다양한 딥 러닝 모델과 기능을 탐구합니다.
감독 학습은 라벨이 붙은 데이터 세트를 사용하여 분류 또는 예측을위한 모델을 훈련시킵니다. 데이터 세트에는 기능 및 대상 레이블이 포함되어 있으며 예측 된 레이블과 실제 레이블의 차이를 최소화하여 알고리즘을 배울 수 있습니다. 여기에는 분류 및 회귀 문제가 포함됩니다.
분류 알고리즘은 추출 된 기능을 기반으로 데이터를 분류합니다. 예로는 RESNET50 (이미지 분류) 및 Bert (텍스트 분류)가 있습니다.
분류
회귀 모델은 입력과 출력 변수 사이의 관계를 학습하여 결과를 예측합니다. 예측 분석, 일기 예보 및 주식 시장 예측에 사용됩니다. LSTM과 RNN은 인기있는 회귀 모델입니다.
선형 회귀
감독되지 않은 학습 알고리즘은 표지되지 않은 데이터 세트의 패턴을 식별하고 클러스터를 만듭니다. 딥 러닝 모델은 인간의 개입없이 숨겨진 패턴을 배웁니다. 종종 추천 시스템에 사용됩니다. 응용 프로그램에는 종 그룹화, 의료 영상 및 시장 조사가 포함됩니다. 깊은 임베디드 클러스터링은 일반적인 모델입니다.
데이터 클러스터링
RL은 환경에서 실험적 행동을 시행 착오를 통해 학습 행동을 포함하여 보상을 극대화하는 요원을 포함합니다. RL은 자동화, 자율 주행 자동차, 게임 플레이 및 로켓 착륙에 사용됩니다.
강화 학습 프레임 워크
Gans는 두 개의 신경망 (생성기 및 판별 자)을 사용하여 원래 데이터의 합성 인스턴스를 생성합니다. 그들은 합성 예술, 비디오, 음악 및 텍스트를 생성하는 데 사용됩니다.
생성 적대적 네트워크 프레임 워크
GNN은 대규모 데이터 세트 분석, 권장 시스템 및 노드 분류, 링크 예측 및 클러스터링에 대한 컴퓨터 비전에 사용되는 그래프 구조에서 직접 작동합니다.
지시 된 그래프
그래프 네트워크
NLP는 딥 러닝을 사용하여 컴퓨터가 인간 언어, 연설, 텍스트 및 이미지를 이해할 수 있도록합니다. 전송 학습은 고성능을 달성하기 위해 최소한의 데이터로 미세 조정 모델로 NLP를 향상시킵니다.
NLP의 하위 범주
활성화 기능은 출력 결정 경계를 생성하여 모델 성능을 향상시킵니다. 그들은 네트워크에 비선형 성을 소개합니다. 예로는 Tanh, Relu, Sigmoid, Linear, SoftMax 및 Swish가 있습니다.
활성화 기능 그래프
손실 함수는 실제 값과 예측 값의 차이, 모델 성능을 추적합니다. 예로는 이진 교차 엔트로피, 범주 형 힌지, 평균 제곱 오류, Huber 및 드문 범주 형 교차 엔트로피가 있습니다.
역전화는 네트워크 가중치를 조정하여 손실 기능을 최소화하여 모델 정확도를 향상시킵니다.
확률 적 구배 하강은 샘플 배치를 사용하여 가중치를 반복적으로 조정하여 효율성을 향상시켜 손실 기능을 최적화합니다.
하이퍼 파라미터는 학습 속도, 배치 크기 및 에포크 수와 같은 모델 성능에 영향을 미치는 조정 가능한 매개 변수입니다.
CNNS는 패턴 인식에서 우수한 구조화 된 데이터 (이미지)를 효과적으로 처리합니다.
컨볼 루션 신경 네트워크 아키텍처
RNN은 출력을 입력에 다시 공급하여 시계열 분석 및 NLP에 유용하여 순차 데이터를 처리합니다.
반복 신경 네트워크 아키텍처
LSTM은 사라지는 그라디언트 문제를 해결하는 고급 RNN이며 순차적 데이터에서 장기 종속성을 더 잘 유지합니다.
LSTM 아키텍처
강점과 약점이있는 여러 딥 러닝 프레임 워크가 존재합니다. 다음은 가장 인기있는 것들입니다.
Tensorflow는 CPU, GPU 및 TPU를 지원하는 딥 러닝 애플리케이션을 만드는 오픈 소스 라이브러리입니다. 실험 분석을위한 텐서 보드가 포함되어 있으며 개발을 더 쉽게 개발하기위한 케라를 통합합니다.
Keras는 사용자 친화적 인 신경망 API로 여러 백엔드 (Tensorflow 포함)에서 실행되어 빠른 실험을 용이하게합니다.
Pytorch는 연구원들에게 인기있는 유연성과 사용 편의성으로 유명합니다. 빠른 계산을 위해 텐서를 사용하고 GPU 및 TPU 가속도를 지원합니다.
이 안내서는 핵심 개념, 응용 프로그램, 모델 및 프레임 워크를 다루는 딥 러닝에 대한 포괄적 인 개요를 제공했습니다. 학습을 향상시키기 위해 Python 트랙에서의 딥 러닝을 고려하십시오.
위 내용은 딥 러닝이란 무엇입니까? 초보자를위한 튜토리얼의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
