Deep-Learning "101" Part 2/2

Was Sie Wissen sonst noch wissen sollten über Deep Learning

Ein brilliantes Beispiel für einen Repräsentationslernalgorithmus ist ein Autoencoder. Ein gutes Beispiel für Deep Learning ist die Wahrnehmung, Erkennen, was in einem Bild ist, was Menschen sagen, wenn sie sprechen. Hilfe für Roboter, die Welt zu erforschen und damit zu interagieren. Quintessentielles Beispiel eines Deep-Learning-Modells ist das feed forward Deep Network oder Multilayer Perceptron (MLP).

Die Grundlegenden Fakten des „Tiefen Lernens“

 Die Grundidee ist, mit einem Größen Bild zu beginnen und es kontinuierlich schrittweise zu kochen, bis Sie schließlich ein einziges Ergebnis haben. Wenn Sie also nach einer Start-up-Idee suchen, würde ich nicht empfehlen, ein eigenes Spracherkennungssystem zu erstellen, um mit Google zu konkurrieren. Die Grundidee des Vortrainings ist, dass wir zuerst ein neuronales Netzwerk (oder einen anderen maschinellen Lernalgorithmus) auf einem billigen und größeren Datensatz in einer verwandten Domäne oder auf verrauschten Daten in derselben Domäne trainieren. Eine der schönen Seiten des Deep Learning ist, dass es sich um eine Familie von Techniken handelt, die sich an alle Arten von Daten und alle möglichen Probleme anpasst. Alle verwenden eine gemeinsame Infrastruktur und eine gemeinsame Sprache, um Dinge zu beschreiben. Nun ist etwas Neues geschehen, das die Welt für immer wieder „leise“ verändert hat. Sicherlich sollte es in der Geschäftswelt gleichermaßen „lärmend“. 

Die Wenig Bekannte Geheimnisse, die zu Tief Lernen

 Maschinelles Lernen beinhaltet viel Versuch und Irrtum!

In Zukunft werden wir gespannt auf den sogenannten Take-off warten. Den Sprung zur Superintelligenz, der Punkt wo die Supercomputer menschliche Intelligenz um Welten übersteigen wird. Du willst dabei sein? Dann schau dir Tensorflow an (nichts für schwache Nerven und nur mit der Arbeitsmoral eines Roboters stemmbar). 

(Bild: Pixabay.com)