Yr hyn y mae angen i chi ei wybod am esblygiad cudd-wybodaeth artiffisial
Mae dysgu dwfn yn ffurf pwerus o ddysgu peiriannau (ML) sy'n adeiladu strwythurau mathemategol cymhleth a elwir yn rhwydweithiau niwclear gan ddefnyddio symiau helaeth o ddata (gwybodaeth).
Diffiniad Dysgu Dwfn
Mae dysgu dwfn yn ffordd o weithredu ML gan ddefnyddio haenau lluosog o rwydweithiau niwclear i brosesu mathau mwy o ddata cymhleth. Weithiau, a elwir yn ddysgu hierarchaidd, mae dysgu dwfn yn defnyddio gwahanol fathau o rwydweithiau nefol i ddysgu nodweddion (a elwir hefyd yn gynrychiolaethau) a'u canfod mewn setiau mawr o ddata amrwd, heb ei labelu (data heb strwythur). Un o'r arddangosiadau datblygol cyntaf o ddysgu dwfn oedd rhaglen a oedd yn llwyddo i ddewis delweddau o gathod allan o setiau o fideos YouTube.
Enghreifftiau Dysgu Dwfn yn y Bywyd Dyddiol
Nid yn unig y defnyddir dysgu dwfn mewn cydnabyddiaeth delwedd, ond hefyd cyfieithu iaith, canfod twyll, ac i ddadansoddi data a gasglwyd gan gwmnïau am eu cwsmeriaid. Er enghraifft, mae Netflix yn defnyddio dysgu dwfn i ddadansoddi eich arferion gwylio a rhagfynegi pa ddangosiadau a ffilmiau y mae'n well gennych eu gwylio. Dyna sut mae Netflix yn gwybod rhoi ffilmiau gweithredu a rhaglenni dogfen natur yn eich ciw awgrymiadau. Mae Amazon yn defnyddio dysgu dwfn i ddadansoddi eich pryniannau diweddar ac eitemau rydych chi wedi chwilio amdanynt yn ddiweddar er mwyn creu awgrymiadau ar gyfer yr albymau cerddoriaeth gwlad newydd y mae'n debygol y bydd gennych ddiddordeb ynddynt a'ch bod chi yn y farchnad am bâr o tenis llwyd a melyn esgidiau. Wrth i ddysgu dwfn roi mewnwelediad mwy a mwy o ddata anstrwythuredig a crai, gall corfforaethau ragweld yn well anghenion eu cwsmeriaid tra byddwch chi, mae'r cwsmer unigol yn cael gwasanaeth cwsmeriaid mwy personol.
Rhwydweithiau Cnewyllol Artiffisial a Dysgu Dwfn
Er mwyn gwneud yn haws i ddysgu dwfn ei ddeall, gadewch i ni edrych yn ôl ar ein cymharu rhwydwaith niwclear artiffisial (ANN). I ddysgu'n ddwfn, dychmygwch fod ein swyddfa 15 stori yn meddiannu bloc dinas gyda phum adeilad swyddfa arall. Mae yna dri adeilad ar bob ochr i'r stryd. Mae ein hadeiladau yn adeiladu A ac yn rhannu yr un ochr i'r stryd fel adeiladau B ac C. Ar draws y stryd o adeilad A yw adeiladu 1, ac ar draws adeilad B mae adeiladu 2, ac yn y blaen. Mae gan bob adeilad nifer wahanol o loriau, yn cael ei wneud o wahanol ddeunyddiau ac mae ganddo arddull pensaernïol wahanol o'r lleill. Fodd bynnag, mae pob adeilad yn dal i gael ei drefnu mewn lloriau ar wahân (haenau) o swyddfeydd (nodau) - mae pob adeilad yn ANN unigryw.
Dychmygwch fod pecyn digidol yn cyrraedd adeilad A, sy'n cynnwys llawer o wahanol fathau o wybodaeth o ffynonellau lluosog megis data testun, ffrydiau fideo, ffrydiau sain, galwadau ffôn, tonnau radio a ffotograffau - fodd bynnag, mae'n cyrraedd un sbri mawr a Nid yw wedi'i labelu na'i didoli mewn unrhyw ffordd resymegol (data heb strwythur). Mae'r wybodaeth yn cael ei hanfon trwy bob llawr er mwyn cael ei brosesu o 1 af i 15fed. Ar ôl i'r sgwâr wybodaeth gyrraedd y 15 fed llawr (allbwn), fe'i hanfonir i'r llawr cyntaf (mewnbwn) o adeilad 3 ynghyd â'r canlyniad prosesu terfynol gan adeilad A. Mae Adeilad 3 yn dysgu ac yn ymgorffori'r canlyniad a anfonwyd gan adeilad A ac yna prosesu'r blwch gwybodaeth trwy bob llawr yn yr un modd. Pan fydd y wybodaeth yn cyrraedd llawr uchaf adeilad 3, fe'i hanfonir yno gyda chanlyniadau yr adeilad hwnnw i adeiladu 1. Mae Adeilad 1 yn dysgu oddi wrth y canlyniadau ac yn ymgorffori canlyniadau 3 cyn ei brosesu ar y llawr. Mae Adeiladu 1 yn trosglwyddo'r wybodaeth a'r canlyniadau yn yr un modd ag adeiladu C, sy'n prosesu ac yn anfon at adeilad 2, sy'n prosesu ac yn anfon at adeilad B.
Mae pob ANN (adeilad) yn ein hesgusiadau yn chwilio am nodwedd wahanol yn y data anamlwythur (mân wybodaeth) ac yn trosglwyddo'r canlyniadau i'r adeilad nesaf. Mae'r adeilad nesaf yn cynnwys (allbwn) yr allbwn (canlyniadau) o'r un blaenorol. Gan fod pob data yn cael ei brosesu gan bob ANN (adeilad), mae'n cael ei drefnu a'i labelu (wedi'i ddosbarthu) gan nodwedd benodol fel bod pan fydd y data yn cyrraedd allbwn terfynol (llawr uchaf) yr ANN (adeilad) diwethaf, caiff ei ddosbarthu a'i labelu (mwy strwythuredig).
Cudd-wybodaeth Artiffisial, Peiriannau Dysgu, a Dysgu Dwfn
Sut mae dysgu dwfn yn cyd-fynd â'r darlun cyffredinol o ddeallusrwydd artiffisial (AI) a ML? Mae dysgu dwfn yn hybu pŵer ML ac yn cynyddu'r ystod o dasgau y gall AI eu perfformio. Oherwydd bod dysgu dwfn yn dibynnu ar y defnydd o rwydweithiau nerfol a chydnabod nodweddion o fewn setiau data yn lle algorithmau syml sy'n benodol i dasgau, gall ddod o hyd i fanylion o ddata an-strwythuredig (crai) heb yr angen i raglenydd ei labelu'n ddyddiol yn gyntaf dasg sy'n gallu cyflwyno gwallau. Mae dysgu dwfn yn helpu cyfrifiaduron i wella a defnyddio data er mwyn helpu corfforaethau ac unigolion.