מהי DEEP LEARNING אתם שואלים?

 מהי DEEP LEARNING אתם שואלים?

DEEP LEARNING מתייחס לרשתות עצביות מלאכותיות אשר מורכבות משכבות רבות. זוהי מגמה שהולכת וגדלה בתחום הMACHINE LEARNING לקבלת תוצאות חיוביות ביישומים בהם פונקציית המטרה היא מורכבת מאוד והDATA BASES עצמם גדולים ומורכבים מאוד. לדוגמא, ב2012, הינטון ותלמידיו הצליחו לנצח את מערכת החיזוי שנחשבה אז כסטטוס קוו על חמישה סטים של דאטה מוכרים כגון: רויטרס, טימיט(TIMIT), סיפר(CIFAR) וIMAGENET. מערכת החיזוי מכסה את זיהוי וסיווג הדיבור, טקסט ותמונה- ואלו הם DATA SETS מוכרים לכן לנצח את כולם קיבלו הרבה תשומת לב. כולנו מוקפים בנתונים ביום יום, כמות עצומה של נתונים. זה לא רק שזה מאוחסן על חוות שרתים גדולות בכל רחבי העולם, גם על המחשבים במשרדים שלנו, טלפונים סלולריים בכיסנו, וגם מועברים בנפח גבוה באוויר, התמונה הזו מטה מסמלת כיצד ניתן לדמיין זאת:

DEEP LEARNING טובה בזיהוי דפוסים. תאר לעצמך לדוגמה את התמונה שבהמשך. כאשר אתה מסתכל על זה, אתה יכול לראות יש כתמים בהירים בתמונה, בעוד הרבה כתמים הם כהים.

אם היית צריך להזין את התמונה לזיהוי תבנית בעזרת DEEP LEARNING יהיה ניתן לזהות היכן יש כתמים בהירים. כדי לתת אנלוגיה בין המוח לבין DEEP LEARNING, צריך לחשוב על ינשוף.

אם המוח שלנו הוא כמו ינשוף אז DEEP LEARNING הינה בדיוק כמו מטוס קרב. ינשוף הוא יצור מורכב הרבה יותר והוא יכול לעשות הרבה דברים, אך מטוס קרב הוא מורכב אף הוא והוא יכול לעשות מספר משמעותי יותר של דברים במקביל אך הוא צר מאוד בהיקף התפישה לעומת הינשוף. לכן עלינו לחשוב על תהליך הלמידה הראשון, כאשר ממציא המטוס עשה את המטוס הראשון לטיסה, הדבר לקח לו כמויות עצומות של מאמצים. בני האדם המשיכו להכשיר מטוסים כל כך הרבה שנים, ועכשיו יש לנו כמה מטוסים מדהימים שיכולים לשאת מאוד נוסעים מעבר לגבולות בזמן קצר.

אז בעצם- למדנו בעצמנו, ולימדנו את הרובוטים(מכונות) ללמוד גם.

ההנחה הבסיסית שDEEP LEARNING מתחילה ראשית מהמוח. הוא רוצה לחקות במובן מסויים, בדיוק מה שמוח האדם עושה, המוח האנושי בעצם, מורכב מרשתות עצביות.

רשתות עצביות נראות כמו התמונה מטה, הן דחוסות וקשורות זו בזו. אם לרשת עצבית יש מעל 3 שכבות היא נחשבת עמוקה , ובני אדם יצרו רשת שהיא בעלת 128 שכבות!

טכניקת DEEP LEARNING, לוקחת קלט ומעבירה אותו לשכבות הבאות, 
וכן הלאה עד קבלת הפלט הרצוי. במהלך תהליך איטראטיבי, 
משקל ה"ענפים" משתנה בכדי להתאים את הפלט עם הפלט הרצוי. 
לדוגמא- אם רוצים להבין מתי מסעדה פתוחה בערב לעומת הבוקר ניתן ליצור את הרשת, 
ואז לפתח את המשקל על פי הנוסחה- הסתגלות= שגיאהX שיפועX דלתאX .
אם נקביל פתרון בעזרת רשת עצבית לעומת פיתוח תוכנה קלאסי,
 אנו נראה כי פיתוח תוכנה קלאסי מתמקד במציאת פתרון אלגוריתמי לבעיות, 
ואילו פיתוח בעזרת רשת עצבית, מתמקד באימן הרשת.
כלומר, הזנת הרשת במידע מתאים וניתוח הפתרון. 
משימות אלה אמנם מורכבות וקשות אך לעיתים קרובות ניתן למצוא בעזרת טכניקה זו פתרונות
 או קירובים לבעיות קשות.

 המאמר לקוח במקור מ https://www.quora.com/What-is-deep-learning-Why-is-this-a-growing-trend-in-machine-learning-Why-not-use-SVMs

he_ILHebrew

אנחנו יכולים לעבוד בשבילך

רוצה שנעדכן אותך כשנפתחת משרה שמתאימה לכישורים שלך?

שליחת קורות חיים