Deep Learning, artificial intelligence lan machine learning kanggo dummies: diterangake kanthi conto

Apa sampeyan pengin cemlorot karo kapinteran sampeyan ing perusahaan kolega utawa nggumunake kanca-kanca ing obrolan babagan topik teknis saiki? Sebutake "Kecerdasan Buatan" utawa "Pembelajaran Mesin" ing obrolan lan sampeyan wis rampung. Istilah "Kecerdasan Buatan" saiki wis akeh dirungokake. Programer pengin sinau AI. Pemimpin pengin ngetrapake AI ing layanane. Nanging ing laku, malah profesional ora tansah ngerti apa "AI". Artikel iki dimaksudaké kanggo mbantu sampeyan ngerti istilah "intelijen buatan" lan "belajar mesin". Sampeyan uga bakal sinau carane Deep Learning, jinis machine learning sing paling populer, bisa digunakake. Lan, sing penting, instruksi kasebut ditulis nganggo basa sing gampang diakses. Matematika ing kene ora bakal angel dingerteni.

dhasar

Langkah pisanan kanggo mangerteni apa Deep Learning iku kanggo mangerteni prabédan antarane istilah kunci. Gambar: Datanami

Artificial Intelligence vs Machine Learning

Kecerdasan buatan (AI utawa AI agnl.) minangka upaya kanggo nyalin proses pamikiran manungsa kanthi komputer. Nalika riset ing bidang Artificial Intelligence mung diwiwiti, para ilmuwan nyoba nyalin prilaku intelijen manungsa kanthi ketat ing kondisi tartamtu, yaiku, kanggo ngasah kanggo ngatasi masalah tartamtu. Contone, supaya mesin bisa muter game. Dheweke nggawe sawetara aturan sing kudu ditindakake dening mesin komputasi. Komputer duwe dhaptar tumindak sing bisa ditindakake, lan nggawe keputusan adhedhasar aturan lan watesan sing disetel sajrone tahap desain. ML ngidini komputer sinau dhewe. Jinis sinau iki njupuk kauntungan saka teknologi komputasi modern, sing bisa gampang ngolah data sing akeh banget.

Pembelajaran sing diawasi vs Pembelajaran sing ora diawasi

Pembelajaran sing diawasi nggunakake set data kanthi label sing kalebu input lan output sing dikarepake. Nalika sampeyan nglatih intelijen buatan nggunakake sinau sing diawasi, sampeyan menehi data minangka input lan nemtokake apa sing kudu dadi output. Yen asil sing diasilake AI beda karo sing dikarepake, mula AI kudu mbenerake petungan. Proses kasebut diulang kaping pirang-pirang sajrone susunan data anggere AI nggawe kesalahan. Conto sinau sing diawasi yaiku Artificial Intelligence sing prédhiksi cuaca. Iku sinau kanggo prédhiksi cuaca nggunakake data sajarah. Data input yaiku tekanan, kelembapan lan kecepatan angin, lan minangka asil kita kudu entuk suhu. Pembelajaran tanpa pengawasan minangka tugas sing kalebu latihan AI nggunakake data sing ora terstruktur. Nalika sampeyan nglatih intelijen buatan nggunakake sinau sing ora diawasi, sampeyan ngaktifake AI nggawe klasifikasi data sing logis. Conto intelijen buatan nggunakake pembelajaran mesin sing ora diawasi yaiku prediktor robot prilaku pelanggan ing toko online. Sinau tanpa nggunakake input lan output sing wis dingerteni. Nanging, kudu nggolongake data input dhewe. Algoritma kasebut kudu ngenali lan menehi pitutur marang sampeyan jinis pangguna sing luwih seneng produk.

Kepiye cara sinau mesin

Dadi, Deep Learning minangka salah sawijining pendekatan kanggo machine learning. Iki ngidini sampeyan prédhiksi asil saka data input sing diwenehake. Kanggo nglatih AI, sampeyan bisa nggunakake loro pilihan ing ndhuwur: sinau sing diawasi lan tanpa pengawasan. Kita bakal ngerti carane Deep Learning bisa digunakake kanthi conto sing jelas: ayo ngomong kita kudu ngembangake layanan kanggo prédhiksi rega kanggo lelungan udara. Kita bakal nglatih algoritma nggunakake metode sing diawasi. Kita pengin layanan kita kanggo prédhiksi prices kanggo lelungan udhara kanggo prédhiksi rega adhedhasar data input ing ngisor iki (kita ora njupuk menyang akun penerbangan bali kanggo ease saka presentation):

• bandara departure;
• bandara rawuh;
• tanggal budhal sing direncanakake;
• maskapai.

Jaringan syaraf Ayo goleki otak intelijen buatan. Kaya ing kasus makhluk urip biologi, prediktor kita duwe neuron ing "sirah". Ing gambar padha ditampilake ing wangun bunderan. Neuron disambungake karo siji liyane. Ing gambar, neuron digabungake dadi telung klompok lapisan:

• lapisan input;
• lapisan didhelikake 1 (lapisan didhelikake 1) lan lapisan didhelikake 2 (lapisan didhelikake 2);
• lapisan output.

Sawetara data lumebu ing lapisan input. Ing kasus kita, kita duwe papat neuron ing lapisan input: bandara keberangkatan, bandara kedatangan, tanggal keberangkatan, maskapai. Lapisan input ngliwati data menyang lapisan sing didhelikake pisanan. Lapisan sing didhelikake nindakake petungan matematika adhedhasar data input sing ditampa. Salah sawijining masalah utama nalika mbangun jaringan saraf yaiku pilihan saka jumlah lapisan sing didhelikake lan jumlah neuron ing saben lapisan. Lapisan output ngasilake informasi sing diasilake kanggo kita. Ing kasus kita, rega samesthine pesawat. Kita wis ora kejawab perkara sing paling menarik nganti saiki: kepiye rega sing dikira? Iki ngendi sihir Deep Learning diwiwiti. Saben sambungan antarane neuron diwenehi bobot tartamtu (koefisien). Bobot iki nemtokake pentinge nilai input. Bobot wiwitan disetel kanthi acak. Nalika prédhiksi biaya lelungan udhara, tanggal budhal mengaruhi rega paling gedhe. Mulane, sambungan neuron "tanggal budhal" duwe bobot luwih akeh. Saben neuron duwe fungsi aktivasi sing dipasang. Iku angel kanggo ngerti apa fungsi iki tanpa kawruh matematika. Dadi ayo nggawe sawetara simplifikasi: titik fungsi aktivasi yaiku "standar" output saka neuron. Sawise set data wis ngliwati kabeh lapisan jaringan saraf, bakal ngasilake asil liwat lapisan output. Nganti saiki kabeh wis jelas, ta?

Latihan jaringan saraf

Latihan jaringan saraf minangka bagean paling angel saka Deep Learning! Kenging punapa? Amarga sampeyan butuh data sing akeh. Amarga sampeyan butuh daya komputasi sing luwih akeh. Kanggo proyek kita, kita kudu golek data tiket pesawat historis. Menapa malih, kanggo kabeh bisa kombinasi budhal lan tujuan bandara, tanggal departure lan maskapai beda. Kita butuh data sing akeh banget kanthi rega tiket. Kita kudu menehi feed data input saka set menyang input jaringan saraf kita lan priksa manawa cocog karo asil sing wis ana. Yen asil sing dipikolehi dening intelijen buatan beda karo sing dikarepake, iki tegese durung cukup latihan. Sawise kita wis mbukak jumlah data lengkap liwat jaringan syaraf kita, kita bisa mbangun fungsi sing bakal nuduhake carane beda asil AI saka asil nyata ing set data kita. Fungsi kasebut diarani fungsi biaya . Ing kasus sing becik, sing kita usahakake kanthi sekuat tenaga, nilai fungsi biaya kita padha karo nol. Iki tegese asil biaya sing dipilih dening jaringan saraf ora beda karo biaya tiket sing nyata ing dataset kita.

Kepiye carane bisa nyuda regane fungsi biaya?

Kita ngganti bobot sambungan antarane neuron. Iki bisa ditindakake kanthi acak, nanging pendekatan iki ora efisien. Nanging, kita bakal nggunakake metode sing diarani Gradient Descent . Algoritma iki dianggo kanthi nambah bobot kanthi bertahap sawise saben pengulangan anyar ngolah set data kita. Kanthi ngitung turunan (utawa gradien) saka fungsi biaya kanggo set bobot tartamtu, kita bisa ndeleng arah sing paling minimal. Ing gambar: Bobot awal - bobot awal, Minimal biaya global - fungsi biaya minimal global. Kanggo nyilikake fungsi biaya, kita kudu nindakake petungan ing set data kaping pirang-pirang. Mulane sampeyan butuh akeh daya komputasi. Bobot kasebut dianyari kanthi otomatis nggunakake metode turunan gradien. Iki minangka keajaiban Deep Learning! Sawise kita wis nglatih layanan prediksi rega tiket pesawat AI, kita bisa nggunakake kanthi aman kanggo prédhiksi rega ing kasunyatan.

Ayo diringkes...

• Pembelajaran jero nggunakake jaringan syaraf kanggo simulasi intelijen.
• Ana telung jinis neuron ing jaringan saraf: lapisan input, lapisan sing didhelikake, lapisan output.
• Saben sambungan antarane neuron duwe bobot dhewe, nuduhake pentinge input kasebut.
• Neuron nggunakake fungsi aktivasi kanggo "standarisasi" output saka neuron.
• Kanggo nglatih jaringan saraf, sampeyan butuh data sing akeh.
• Yen kita ngolah array data nggunakake jaringan saraf lan mbandhingake data output karo data sing nyata, kita bakal entuk fungsi biaya sing nuduhake sepira AI salah.
• Sawise saben pangolahan data, bobot antarane neuron diatur kanthi nggunakake metode turunan gradien kanggo nyuda fungsi biaya.

Link menyang asli