欢迎来到TNW Basics，这是一系列有关如何轻松充分利用您的小工具，应用程序和其他内容的提示，指南和建议。这也是我们的“人工智能初学者指南”的一部分，其中包含有关算法，神经网络，计算机视觉，自然语言处理和人工一般智能的文章。我们每天在手机，相机和智能设备中使用的AI通常属于深度学习的范畴。我们之前已经介绍了算法和人工神经网络 - 围绕深度学习的概念 - 但这次我们将看看学习系统实际学习的深度。
简单地说，深度学习是一种方法，通过该方法，机器可以通过不同的抽象层发送信息来从数据中提取信息。这有点像使用一系列越来越小的筛子来分解岩石块中的微小金块。起初你会过滤掉大块的石头，然后过滤掉小石头和鹅卵石，最后你会筛选掉剩下的碎片。
只有深入学习，你才能教AI，以识别猫和狗之间的差异，并找到大量数据的模式。
实现这一目标的方法是通过两种不同类型的学习：监督和无监督。从技术上讲，还有半监督学习，但就本基础知识而言，我们只会涵盖基础知识。
监督学习
监督学习负责与您交互的大多数AI。例如，您的手机可以判断您刚刚拍摄的照片是食物，面部还是您的宠物，因为它经过培训可以使用监督学习范例识别这些不同的主题。
以下是它的工作原理：开发人员使用标记数据集来教授AI特定对象在图像中的显示方式。例如，他们可能会从Instagram获取一百万张不同食物的图像，并在将它们送入AI之前精心标记每一个。
然后它将处理关于图像的所有内容，以确定具有相同标签的项目是如何相似的。从本质上讲，它将一些数据分组 - 比如在洗涤之前分离洗衣。一旦完成，开发人员检查它的准确性，进行任何必要的调整，并重复该过程，直到AI能够正确识别没有标签的图像中的对象。
当我们确切地知道我们正在寻找什么时，有监督的学习就是你要走的路。但在我们不确定或我们只是想要一些见解的情况下，它将不起作用。
比方说，比方说，你试图确定是否有人在工作中捏弄书籍，但你有数百万页的财务记录要检查。你需要一台计算机来帮助你寻找可能表明被盗的模式，但是没有办法用地面实例创建数据集，因为你并不完全确定你在寻找什么。进入无监督学习。
以下是它的工作原理：开发人员创建的算法可以搜索相似数据。例如，它不是试图确定一组像素是猫还是狗，而只是试图弄清楚它与无标记数据集有关的一切。由于人工智能无法知道猫或狗是什么，除非你在数据中标记他们的图像，它只会输出群集中的模式。它可能将图像分为狗，猫，棕色动物，白色动物，斑点的，条纹的，大的，毛茸茸的......你得到了图片。
在上述情况下，我们正在寻找某人烹饪书籍的证据，我们可能会设计算法来寻找不会加起来的数学。由于深度学习 - 在这种情况下由无监督学习方法提供支持 - 我们的模型应该能够检测到异常情况，这些异常虽然对计算机毫无意义，但却能指出资金丢失的地方。
深度学习很复杂，而且往往难以理解。但其背后的概念，特别是它的学习方式，相对简单。当开发人员知道输出应该是什么时，他们将使用监督学习。如果输出不确定，他们将使用无监督学习 - 使用未标记的数据集进行训练。
免责声明：本文由用户上传，如有侵权请联系删除！