האם אתה רוצה לנצנץ עם האינטלקט שלך בחברת עמיתים או להדהים את חבריך בשיחה על נושאים טכניים עדכניים? ציינו בשיחה את "אינטליגנציה מלאכותית" או "למידת מכונה" וסיימתם.
![למידה עמוקה, בינה מלאכותית ולמידת מכונה עבור בובות: מוסבר עם דוגמה - 1]()
המונח "אינטליגנציה מלאכותית" נשמע כעת באופן נרחב. מתכנתים רוצים ללמוד AI. מנהיגים רוצים ליישם בינה מלאכותית בשירותים שלהם. אבל בפועל, אפילו אנשי מקצוע לא תמיד מבינים מה זה "AI". מאמר זה נועד לעזור לך להבין את המונחים "בינה מלאכותית" ו"למידת מכונה". תלמדו גם איך Deep Learning, הסוג הפופולרי ביותר של למידת מכונה, עובד. ומה שחשוב, הוראות אלה כתובות בשפה די נגישה. המתמטיקה כאן לא תהיה קשה מדי להבנה.
יסודות
הצעד הראשון להבנת מהי למידה עמוקה הוא להבין את ההבדל בין מונחי המפתח.
תמונה: Datanami
בינה מלאכותית לעומת למידת מכונה
בינה מלאכותית (AI או AI agnl.) היא ניסיון להעתיק את תהליך החשיבה האנושי על ידי מחשב. כשהמחקר בתחום הבינה המלאכותית רק התחיל, מדענים ניסו להעתיק את התנהגות האינטליגנציה האנושית אך ורק בתנאים מסוימים, כלומר לחדד אותה כדי לפתור בעיות מסוימות. למשל, כדי שהמכונה תוכל לשחק משחקים. הם קבעו מספר כללים שמכונת המחשוב הייתה צריכה לעקוב אחריהם. למחשב הייתה רשימה של פעולות אפשריות, והוא קיבל החלטות על סמך הכללים וההגבלות שנקבעו בשלב התכנון.
| למידת מכונה (ML או ML באנגלית) פירושה היכולת של מכונה ללמוד על ידי עיבוד קבוצות גדולות של מידע במקום כללים מוגדרים בבירור. |
ML מאפשר למחשבים ללמוד בעצמם. סוג זה של למידה מנצל את טכנולוגיית המחשוב המודרנית, שיכולה לעבד בקלות כמויות אדירות של נתונים.
למידה בפיקוח לעומת למידה ללא פיקוח
למידה מפוקחת משתמשת במערכי נתונים מסומנים המורכבים מתשומות ותפוקות צפויות. כאשר אתה מאמן בינה מלאכותית באמצעות למידה מפוקחת, אתה מספק נתונים כקלט ומציין מה צריך להיות הפלט. אם התוצאה שה-AI מייצרת שונה מהצפוי, אז ה-AI חייב לתקן את החישובים שלו. התהליך חוזר על עצמו פעמים רבות על פני מערך הנתונים כל עוד ה-AI עושה טעויות. דוגמה ללמידה מפוקחת תהיה בינה מלאכותית המחזה את מזג האוויר. הוא לומד לחזות את מזג האוויר באמצעות נתונים היסטוריים. נתוני הקלט הם לחץ, לחות ומהירות הרוח, וכתוצאה מכך עלינו לקבל טמפרטורה.
למידה ללא פיקוח היא משימה המורכבת מאימון AI תוך שימוש בנתונים לא מובנים. כאשר אתה מאמן בינה מלאכותית באמצעות למידה ללא פיקוח, אתה מאפשר ל-AI לבצע סיווגים לוגיים של נתונים. דוגמה לבינה מלאכותית באמצעות למידת מכונה ללא פיקוח היא מנבא רובוט של התנהגות לקוחות בחנות מקוונת. הוא לומד מבלי להשתמש בכניסות ויציאות ידועות מראש. במקום זאת, עליו לסווג את נתוני הקלט עצמו. האלגוריתם צריך לזהות ולומר לך איזה סוג של משתמשים מעדיף אילו מוצרים.
איך עובדת למידת מכונה
אז,
למידה עמוקה היא אחת הגישות ללמידת מכונה. זה מאפשר לך לחזות תוצאות מנתוני קלט נתונים. כדי לאמן בינה מלאכותית, אתה יכול להשתמש בשתי האפשרויות לעיל: למידה בפיקוח ולמידה ללא פיקוח. נבין כיצד Deep Learning עובד באמצעות דוגמה ברורה: נניח שעלינו לפתח שירות לחיזוי מחירי טיסות. נאמן את האלגוריתם שלנו בשיטה מפוקחת. אנו רוצים שהשירות שלנו לחיזוי מחירי טיסות יחזה את המחיר בהתבסס על נתוני הקלט הבאים (איננו לוקחים בחשבון את הטיסה הלוך ושוב לצורך נוחות ההצגה):
- שדה תעופה יציאה;
- שדה תעופה הגעה;
- תאריך יציאה מתוכנן;
- חֶברַת תְעוּפָה.
רשתות עצביות בואו נסתכל לתוך המוח של הבינה המלאכותית. כמו במקרה של יצורים חיים ביולוגיים, למנבא שלנו יש נוירונים ב"ראשו". בתמונה הם מוצגים בצורה של עיגולים. נוירונים מחוברים זה לזה.
בתמונה, נוירונים משולבים לשלוש קבוצות של שכבות:
- שכבת קלט;
- שכבה נסתרת 1 (שכבה נסתרת 1) ושכבה נסתרת 2 (שכבה נסתרת 2);
- שכבת פלט.
חלק מהנתונים נכנסים לשכבת הקלט. במקרה שלנו, יש לנו ארבעה נוירונים בשכבת הקלט: שדה תעופה, שדה תעופה, תאריך יציאה, חברת תעופה. שכבת הקלט מעבירה נתונים לשכבה הנסתרת הראשונה. שכבות נסתרות מבצעות חישובים מתמטיים על סמך נתוני הקלט שהתקבלו. אחד הנושאים המרכזיים בבניית רשתות עצביות הוא בחירת מספר השכבות הנסתרות ומספר הנוירונים בכל שכבה.
| המילה Deep בביטוי Deep Learning מציינת נוכחות של יותר משכבה נסתרת אחת. |
שכבת הפלט מחזירה לנו את המידע המתקבל. במקרה שלנו, המחיר הצפוי של הטיסה.
פספסנו את הדבר הכי מעניין עד כה: איך בדיוק מחושב המחיר הצפוי? כאן מתחיל הקסם של למידה עמוקה. לכל חיבור בין נוירונים נקבע משקל מסוים (מקדם). משקל זה קובע
את חשיבות ערך הקלט. המשקולות הראשוניות נקבעות באופן אקראי. בעת חיזוי עלות הנסיעה בטיסה, מועד היציאה משפיע ביותר על המחיר. לכן, לחיבורים של הנוירון "תאריך יציאה" יש משקל רב יותר.
לכל נוירון מחוברת פונקציית הפעלה. קשה להבין מהי הפונקציה הזו ללא ידע מתמטי. אז בואו נעשה קצת פישוט: המטרה של פונקציית ההפעלה היא "לתקן" את הפלט מהנוירון. לאחר שמערך הנתונים עבר דרך כל השכבות של הרשת העצבית, הוא מחזיר את התוצאה דרך שכבת הפלט. עד כאן הכל ברור, נכון?
אימון רשתות עצביות
אימון רשת נוירונים הוא החלק הקשה ביותר בלמידה עמוקה! למה? כי אתה צריך כמות גדולה של נתונים. כי אתה צריך יותר כוח מחשוב. עבור הפרויקט שלנו, אנחנו צריכים למצוא נתונים היסטוריים על טיסות. יתרה מכך, עבור כל השילובים האפשריים של שדות תעופה ויעד, תאריכי יציאה וחברות תעופה שונות. אנחנו צריכים כמות גדולה מאוד של נתונים עם מחירי כרטיסים. עלינו להזין את נתוני הקלט מהסט שלנו לכניסות של הרשת העצבית שלנו ולבדוק אם הם תואמים לתוצאות שכבר יש לנו. אם התוצאות המתקבלות על ידי בינה מלאכותית שונות מהצפוי, זה אומר שהיא עדיין לא התאמנה מספיק. לאחר שהרצנו את מלוא כמות הנתונים דרך הרשת העצבית שלנו, נוכל לבנות פונקציה שתציין עד כמה תוצאות ה-AI שונות מהתוצאות בפועל במערך הנתונים שלנו. פונקציה כזו נקראת
פונקציית עלות . במקרה האידיאלי, שאליו אנו שואפים בכל הכוח, הערכים של פונקציית העלות שלנו שווים לאפס. המשמעות היא שתוצאות העלות שנבחרו על ידי הרשת העצבית אינן שונות מהעלות האמיתית של כרטיסים במערך הנתונים שלנו.
כיצד נוכל להפחית את הערך של פונקציית העלות?
אנו משנים את משקלי הקשרים בין נוירונים. ניתן לעשות זאת באופן אקראי, אך גישה זו אינה יעילה. במקום זאת, נשתמש בשיטה הנקראת
Gradient Descent .
| ירידה בשיפוע היא שיטה המאפשרת לנו למצוא את המינימום של פונקציה. במקרה שלנו, אנו מחפשים את המינימום של פונקציית העלות. |
אלגוריתם זה פועל על ידי הגדלת משקלים בהדרגה לאחר כל איטרציה חדשה של עיבוד מערך הנתונים שלנו. על ידי חישוב הנגזרת (או הגרדיאנט) של פונקציית העלות עבור קבוצות מסוימות של משקלים, נוכל לראות באיזה כיוון נמצא המינימום.
בתמונה: משקל התחלתי - משקל התחלתי, מינימום עלות גלובלית - מינימום גלובלי של פונקציית העלות. כדי למזער את פונקציית העלות, עלינו לבצע חישובים על מערך הנתונים שלנו פעמים רבות. זו הסיבה שאתה צריך הרבה כוח מחשוב. המשקולות מתעדכנות אוטומטית בשיטת הירידה בשיפוע. זהו הקסם של למידה עמוקה! לאחר שהכשרנו את שירות חיזוי מחירי טיסות הבינה המלאכותית שלנו, נוכל להשתמש בו בבטחה כדי לחזות מחירים במציאות.
בואו נסכם את זה...
- למידה עמוקה משתמשת ברשתות עצביות כדי לדמות אינטליגנציה.
- ישנם שלושה סוגים של נוירונים ברשת עצבית: שכבת קלט, שכבות נסתרות, שכבת פלט.
- לכל חיבור בין נוירונים יש משקל משלו, המעיד על החשיבות של קלט זה.
- נוירונים משתמשים בפונקציית הפעלה כדי "לתקן" את הפלט מהנוירון.
- כדי לאמן רשת עצבית, אתה צריך כמות גדולה של נתונים.
- אם נעבד מערך נתונים באמצעות רשת עצבית ונשווה את נתוני הפלט עם הנתונים בפועל, נקבל פונקציית עלות שמראה עד כמה ה-AI שגוי.
- לאחר כל עיבוד נתונים, המשקולות בין נוירונים מותאמות בשיטת הירידה בשיפוע כדי להשיג הפחתה בתפקוד העלות.
קישור למקור
GO TO FULL VERSION