học sâu là gì
Học sâu là một kỹ thuật học máy giúp máy tính chuẩn bị cho các nhiệm vụ thông thường của con người. Ví dụ, học sâu là công nghệ chính đằng sau xe không người lái, cho phép nó nhận ra biển báo dừng hoặc phân biệt người đi bộ với cột đèn, hoặc nó là công tắc điều khiển bằng giọng nói có trong các thiết bị tiêu dùng như điện thoại, máy tính bảng và tivi.
Học sâu đang nhận được rất nhiều sự chú ý gần đây và có lý do chính đáng; nó đạt được những kết quả mà trước đây không thể đạt được
Trong học sâu , mô hình máy tính học cách thực hiện các nhiệm vụ phân loại trực tiếp từ hình ảnh, văn bản hoặc âm thanh. Các mô hình học sâu có thể có độ chính xác cao, đôi khi vượt quá hiệu suất của con người. Nhiều lớp.
Học sâu hoạt động như thế nào.
Các chương trình máy tính sử dụng học sâu trải qua cùng một quy trình. Mỗi thuật toán trong hệ thống phân cấp áp dụng một phép biến đổi phi tuyến tính cho đầu vào của nó, sử dụng những gì nó học được để tạo ra một mô hình thống kê làm đầu ra và các lần lặp lại tiếp tục cho đến khi đầu ra đạt đến mức độ chính xác chấp nhận được. Số lớp xử lý mà dữ liệu đi qua được gọi là lớp sâu.
Vì sự tương đồng giữa quy trình này và hệ thống nơ-ron của con người, nên hình thức học này đôi khi được gọi là giáo dục nơ-ron sâu hoặc mạng nơ-ron sâu. Không giống như một đứa trẻ sẽ mất vài tuần hoặc thậm chí vài tháng để hiểu khái niệm về một con chó, một chương trình máy tính sử dụng các thuật toán học như vậy có thể Hiển thị thông qua đào tạo và sắp xếp hàng triệu hình ảnh một cách chính xác, khả năng xác định những hình ảnh nào xuất hiện chó trong vài phút.
Để đạt được mức độ chính xác tốt, các chương trình học sâu yêu cầu quyền truy cập vào một lượng lớn dữ liệu đào tạo và sức mạnh xử lý, và những thứ đó không dễ dàng có sẵn cho các lập trình viên cho đến thời đại dữ liệu lớn và điện toán đám mây.
Lập trình học sâu có khả năng tạo ra các mô hình thống kê phức tạp từ sản phẩm lặp lại của chính nó, nó có thể tạo ra các mô hình dự đoán chính xác của lượng lớn dữ liệu không được nhóm và không có cấu trúc, điều này rất quan trọng vì Internet vạn vật (IoT) vẫn phổ biến hơn, vì hầu hết dữ liệu do con người và máy móc tạo ra không được tổ chức và không được phân loại.
Việc sử dụng nó ngày nay bao gồm tất cả các loại ứng dụng phân tích dữ liệu lớn, đặc biệt là những ứng dụng tập trung vào Xử lý ngôn ngữ tự nhiên (NLP), dịch ngôn ngữ, chẩn đoán y tế, tín hiệu giao dịch thị trường chứng khoán, bảo mật mạng và chụp ảnh.
Ví dụ về các ứng dụng học sâu
Vì nó xử lý thông tin theo cách tương tự như não người, nên các mô hình này có thể được áp dụng cho nhiều nhiệm vụ mà con người thực hiện. Học sâu hiện đang được sử dụng trong hầu hết các công cụ nhận dạng hình ảnh phổ biến, xử lý giao thức NLP và các chương trình nhận dạng giọng nói, và các công cụ này đang bắt đầu xuất hiện trong Chẳng hạn như xe tự lái và dịch vụ dịch ngôn ngữ.
Giới hạn của học sâu
Hạn chế lớn nhất đối với quá trình học này là nó được thực hiện thông qua quan sát, nghĩa là thông tin chỉ giới hạn ở những gì có trong dữ liệu mà các mô hình được đào tạo, điều đó có nghĩa là nếu người dùng có một lượng nhỏ dữ liệu hoặc một nguồn cụ thể không nhất thiết đại diện cho khu vực chức năng rộng hơn, các Mô hình sẽ không học theo cách có thể khái quát hóa.
Vấn đề độ lệch là một vấn đề lớn đối với các mô hình học sâu. Nếu một mô hình được đào tạo trên dữ liệu có chứa độ lệch, mô hình sẽ tái tạo các độ lệch này trong các dự đoán của nó. Đây là một vấn đề rắc rối đối với các lập trình viên học sâu vì các mô hình học cách phân biệt dựa trên sự khác biệt tinh tế trong các yếu tố dữ liệu. Ví dụ, mô hình nhận dạng khuôn mặt có thể đưa ra quyết định về đặc điểm của mọi người dựa trên những thứ như chủng tộc hoặc giới tính mà lập trình viên không biết.