Nini unahitaji kujua kuhusu mageuzi ya akili bandia
Kujifunza kwa kina ni fomu yenye nguvu ya kujifunza mashine (ML) ambayo hujenga miundo tata ya hisabati inayoitwa mitandao ya neural kutumia kiasi kikubwa cha data (habari).
Ufafanuzi wa Mafunzo ya kina
Kujifunza kwa kina ni njia ya kutekeleza ML kwa kutumia tabaka nyingi za mitandao ya neural kutatua aina nyingi za data. Wakati mwingine huitwa kujifunza kwa hierarchy, kujifunza kwa kina hutumia aina tofauti za mitandao ya neural kujifunza vipengele (pia huitwa uwakilishi) na kupata yao katika seti kubwa ya data ghafi, bila kufungwa (data isiyoboreshwa). Moja ya maonyesho ya kwanza ya kujifunza kwa kina ilikuwa mpango ambao ulichukua mafanikio picha za paka nje ya seti za video za YouTube.
Mifano ya Kujifunza ya kina katika maisha ya kila siku
Kujifunza kwa kina sio tu kutumika katika kutambua picha, lakini pia tafsiri ya lugha, kutambua udanganyifu, na kuchambua data zilizokusanywa na makampuni kuhusu wateja wao. Kwa mfano, Netflix inatumia mafunzo ya kina kuchambua tabia zako za kutazama na kutabiri ambayo inaonyesha na filamu unazopenda kutazama. Ndiyo jinsi Netflix anavyojua kuweka filamu za vitendo na hati za asili katika foleni yako ya maoni. Amazon hutumia kujifunza kwa kina kuchambua manunuzi yako ya hivi karibuni na vitu ulizojaribu hivi karibuni ili upe mapendekezo ya albamu za muziki mpya za nchi ambayo unaweza uwe na hamu na kwamba uko kwenye soko kwa jozi ya tennis ya kijivu na ya njano viatu. Kama kujifunza kirefu hutoa ufahamu zaidi na zaidi kutoka kwa data zisizotengenezwa na za mbichi, mashirika yanaweza kutarajia vizuri mahitaji ya wateja wao wakati wewe, mteja binafsi kupata huduma zaidi ya wateja kwa kibinafsi.
Mitandao ya Neural ya Maambukizi na Mafunzo ya kina
Ili kujifunza kwa kina kinaelewa rahisi, hebu tuangalie upimaji wetu wa mtandao wa bandia ya neva (ANN). Kwa kujifunza kwa kina, fikiria jengo la ofisi ya jengo la 15 linalokuwa na kijiji cha jiji na majengo mengine mawili ya ofisi. Kuna majengo matatu kwa kila upande wa barabara. Jengo letu linajenga A na linashiriki upande huo huo wa barabara kama majengo B na C. Karibu mitaani kutoka jengo A ni kujenga 1, na kote kutoka kwa ujenzi B ni kujenga 2, na kadhalika. Kila jengo lina idadi tofauti ya sakafu, linatengenezwa kwa vifaa tofauti na lina mtindo tofauti wa usanifu kutoka kwa wengine. Hata hivyo, kila jengo bado linapangwa katika sakafu tofauti (safu) za ofisi (nodes) - na kila jengo ni ANN ya kipekee.
Fikiria kuwa mfuko wa digital unafika katika kujenga A, yenye zenye aina mbalimbali za habari kutoka kwa vyanzo vingi kama vile data ya maandishi, mito ya video, mito ya sauti, wito wa simu, mawimbi ya redio na picha-hata hivyo, hufikia kwenye jungoni moja kubwa na haijatambulishwa au kutatuliwa kwa njia yoyote ya mantiki (data isiyoboreshwa). Taarifa hutumwa kupitia ghorofa kila ili kuanzia 1 st hadi 15 th kwa ajili ya usindikaji. Baada ya kupokea habari ya sakafu ya tarehe 15 (pato), hupelekwa kwenye ghorofa ya 1 (pembejeo) ya jengo la 3 pamoja na matokeo ya mwisho ya usindikaji kutoka kwa jengo A. Ujenzi 3 hujifunza na huingiza matokeo yaliyotumwa na kujenga A na kisha mchakato wa habari hujitokeza kupitia kila sakafu kwa njia ile ile. Wakati maelezo yanafikia ghorofa ya juu ya jengo la 3, linatumwa kutoka huko na matokeo ya jengo hilo kwa kujenga 1. Kujenga 1 hujifunza kutoka na kuingiza matokeo kutoka kwa kujenga 3 kabla ya kuifanya sakafu-kwa-sakafu. Kujenga 1 hupitisha habari na matokeo kwa njia sawa ya kujenga C, ambayo inachukua na kutuma kujenga 2, ambayo inachukua na kutuma kwa kujenga B.
Kila ANN (jengo) katika mfano wetu unatafuta kipengele tofauti katika data isiyojulishwa (jumble of information) na hutoa matokeo kwenye jengo linalofuata. Jengo linaloingiza linajumuisha (matokeo) kutoka kwa uliopita. Kwa kuwa data inachukuliwa na kila ANN (jengo), inapangiliwa na kuchapishwa (iliyowekwa) kwa kipengele fulani ili data itakapopata matokeo ya mwisho (ghorofa ya juu) ya ANN ya mwisho (jengo), imewekwa na iliyoandikwa (zaidi ya muundo).
Intelligence ya bandia, Kujifunza Machine, na Kujifunza Msingi
Je! Kujifunza kwa kina kinafaa ndani ya picha ya jumla ya akili ya bandia (AI) na ML? Kujifunza kwa kina huongeza uwezo wa ML na huongeza kazi nyingi AI ina uwezo wa kufanya. Kwa sababu kujifunza kwa kirefu kunategemea matumizi ya nyavu za neural na sifa za kutambua ndani ya seti za data badala ya taratibu rahisi za kazi maalum, inaweza kupata na kutumia maelezo kutoka kwa data zisizojengwa (ghafi) bila ya haja ya programu ya kuandika alama ya kwanza kwa wakati -kufanya kazi ambayo inaweza kuanzisha makosa. Kujifunza kwa kina ni kusaidia kompyuta kupata bora na bora wakati wa kutumia data ili kusaidia mashirika na watu binafsi.