Inleiding tot de toepassing van Deep Learning

Diep leren is een subset van machine learning, een stap naar kunstmatige intelligentie. Diepe leermethoden werken als de menselijke geest, het is als een kunstmatig neuraal net. De toepassingen van diep leren zijn ook om de dingen te repliceren waartoe een menselijke geest in staat is. Terwijl een menselijke geest een beslissing neemt door visie, geluid of tekstpatronen, helpt diep leren ook bij het nemen van een beslissing. Bijvoorbeeld, naar een foto kijken en zeggen of het een hond of kat is of verschillende objecten in de foto bepalen, het geluid van een instrument / kunstenaar herkennen en erover zeggen, tekst mining en natuurlijke taalverwerking zijn enkele van de toepassingen van diepe aan het leren.

Toepassing van Deep Learning

Toepassingen van diep leren zijn enorm, maar we zouden proberen de meest gebruikte toepassing van diep leren technieken te dekken. Hier zijn enkele van de diepgaande leertoepassingen, die nu de wereld om ons heen heel snel veranderen.

1. Toxiciteitsdetectie voor verschillende chemische structuren

Hier is de diepe leermethode zeer efficiënt, waar experts vroeger tientallen jaren de tijd namen om de toxiciteit van een specifieke structuur te bepalen, maar met een diep leermodel is het mogelijk om de toxiciteit in zeer minder tijd te bepalen (afhankelijk van de complexiteit kunnen uren of dagen). Diepgaande leermodellen zijn in staat om abstracte concepten van de input in de op meerdere niveaus verdeelde hiërarchie weer te geven. Het maakt multitask-leren voor alle toxische effecten mogelijk in slechts één compact neuraal netwerk, waardoor het zeer informatief is. Dit model normaliseert alle chemische structuren van de verbindingen, brengt ze samen om de toxiciteit van mogelijke nieuwe verbindingen van genormaliseerde structuren te voorspellen. Hoe diep leren is veel beter dan andere technieken voor machinaal leren? Lees dit artikel (DeepTox: Toxicity Prediction using Deep Learning van Andreas Mayr 1, 2 †, Günter Klambauer 1 †, Thomas Unterthiner 1, 2 † en Sepp Hochreiter 1 * )

2. Mitose detectie / radiologie

Bepaling van het diepgaande leermodel voor kankerdetectie heeft 6000 factoren die kunnen helpen bij het voorspellen van de overleving van een patiënt. Voor de diagnose van borstkanker is het diepe leermodel efficiënt en effectief gebleken. CNN-model van diep leren is nu in staat om mitose intramuraal te detecteren en te classificeren. Diepe neurale netwerken helpen bij het onderzoek van de levenscyclus van cellen (Bron: detectie van celmitose met behulp van diepe neurale netwerken Yao Zhou, Hua Mao, Zhang Yi).

3. Hallucinatie of sequentiegeneratie

Nieuw beeldmateriaal maken door verschillende videogames te observeren, te leren hoe ze werken en deze te repliceren met behulp van diepgaande leertechnieken zoals terugkerende neurale netwerken. Diepe leer hallucinaties kunnen afbeeldingen met een hoge resolutie genereren door afbeeldingen met een lage resolutie te gebruiken. Dit model wordt verder gebruikt voor het herstellen van de historische gegevens van afbeeldingen met een lage resolutie door ze te converteren naar afbeeldingen met een hoge resolutie.

4. Beeldclassificatie / machinevisie

zien we Facebook een suggestie geven voor het automatisch taggen van verschillende personen op een foto, een perfect voorbeeld van machinevisie. Het maakt gebruik van diepe netten en maakt foto's vanuit verschillende hoeken, en geeft vervolgens de naam aan die foto. Deze diepgaande leermodellen zijn nu zo geavanceerd dat we verschillende objecten in een afbeelding kunnen herkennen en kunnen voorspellen wat de gelegenheid in die afbeelding zou kunnen zijn. Een foto in het restaurant heeft bijvoorbeeld verschillende functies, zoals tafels, stoelen, verschillende etenswaren, mes, vork, glas, bier (merk van het bier), de stemming van de mensen op de foto, enz. Door kijken naar de afbeeldingen die door een persoon zijn gepost, kan de voorkeuren van die persoon detecteren en soortgelijke dingen aanbevelen om te kopen of plaatsen om te bezoeken enz.

5. Spraakherkenning

Spraak is de meest gebruikelijke communicatiemethode in de menselijke samenleving. Zoals een mens spraak herkent en dienovereenkomstig reageert, op dezelfde manier verbetert het diepgaande leermodel de mogelijkheden van computers zodat ze kunnen begrijpen hoe mensen reageren op verschillende toespraken. In het dagelijks leven hebben we live voorbeelden zoals Siri van Apple, Alexa van Amazon, Google Home Mini, enz. In de toespraak zijn er veel factoren die moeten worden overwogen, zoals taal / accent / leeftijd / geslacht / geluidskwaliteit, etc. Het doel is om een ​​onbekende spreker te herkennen en erop te reageren door de invoer van zijn / haar geluidssignalen.

6. Tekstextractie en tekstherkenning

Tekstextractie zelf heeft veel toepassingen in de echte wereld. Bijvoorbeeld automatische vertaling van de ene taal naar de andere, sentimentele analyse van verschillende beoordelingen. Dit staat algemeen bekend als natuurlijke taalverwerking. Bij het schrijven van een e-mail zien we auto-suggestie om de zin af te maken ook de toepassing van diep leren.

7. Marktvoorspelling

Diepgaande leermodellen kunnen koop- en verkoopoproepen voor handelaren voorspellen, afhankelijk van de dataset hoe het model is getraind, het is nuttig voor zowel handel op korte termijn als investering op lange termijn op basis van de beschikbare functies.

8. Digitale reclame

Diepgaande leermodellen categoriseren gebruikers op basis van hun vorige aankoop- en browsegeschiedenis en bevelen relevante en gepersonaliseerde advertenties in realtime aan. We kunnen hetzelfde ervaren, een product dat u zojuist hebt gezocht in uw Amazon-toepassing, advertentie van hetzelfde zal worden weergegeven in andere toepassingen zoals IRCTC.

9. Fraudedetectie

Een diepgaand leermodel gebruikt meerdere gegevensbronnen om een ​​beslissing in realtime te markeren als fraude. Met diepgaande leermodellen is het ook mogelijk om te achterhalen welk product en welke markten het meest gevoelig zijn voor fraude en in dergelijke gevallen extra zorg bieden.

10. Voorspelling van aardbevingen

Seismoloog probeert de aardbeving te voorspellen, maar het is te complex om hierop te anticiperen. Eén verkeerde voorspelling kost zowel mensen als overheid veel. Bij een aardbeving zijn er twee soorten golven p-wave (reist snel maar de schade is minder), s-wave (reist langzaam maar de schade is hoog). Het is moeilijk om beslissingen te nemen dagen eerder, maar door diepgaande leertechnieken kunnen we voorspellen dat de uitkomst van elke golf uit eerdere ervaringen misschien uren eerder is, maar het is snel dienovereenkomstig dat we aanpassingen kunnen maken.

Conclusie - Toepassing van diep leren

Diep leren maakt veel moeilijke taken eenvoudiger voor ons. De toepassingen van diep leerbereik in de verschillende industriële sectoren en het is revolutionair op sommige gebieden zoals gezondheidszorg (geneesmiddelenonderzoek / kankeropsporing, enz.), Auto-industrie (autonoom aandrijfsysteem), advertentiesector (gepersonaliseerde advertenties veranderen markttrends). We hebben de belangrijkste toepassingen van diep leren besproken, maar toch zijn er veel andere toepassingen waaraan sommige worden gewerkt en sommige zullen in de toekomst komen.

Aanbevolen artikelen

Dit is een gids geweest voor de toepassing van Deep Learning. Hier bespreken we ook de introductie en de top 10 Toepassing van Deep Learning. U kunt ook de volgende artikelen bekijken voor meer informatie -

  1. Machine Learning Frameworks
  2. Wat is diep leren
  3. Diepgaande leeralgoritmen
  4. Deep Learning-techniek
  5. Query-voorbeelden voor het maken van weergaven in Oracle
  6. Hiërarchie in Tableau | Hoe maak je?
  7. Gids voor technieken voor machinaal leren

Categorie:

Big Data