Vous serez ingénieur dans 100 jours ――Jour 84 ――Programmation ――À propos de l'apprentissage automatique 9

Cliquez ici jusqu'à hier

Cette fois, c'est une continuation de l'histoire de l'apprentissage automatique. Je voudrais aborder l'apprentissage profond.

À propos de l'apprentissage profond

Je vais vous expliquer ce que vous pouvez faire avec l'apprentissage automatique pour la première fois, mais ce que vous pouvez faire avec l'apprentissage automatique Il y en a essentiellement trois.

· Revenir · Classification ・ Regroupement

En gros, cela devient «prédiction», mais la partie de ce qu'il faut «prédire» change.

・ Retour: prédire les valeurs numériques ・ Classification: Catégories de prédiction ・ Clustering: faites-vous sentir bien

Dans l'apprentissage automatique, il existe un modèle d'apprentissage qui prédit quelque chose. L'un de ces modèles d'apprentissage est appelé "Neural Network".

À propos du réseau neuronal (NN)

C'est un modèle mathématique qui vise à exprimer les caractéristiques des neurones trouvés dans le fonctionnement du cerveau. Il a une structure semblable à un cerveau.

La structure est divisée en une couche d'entrée, une couche intermédiaire (couche cachée) et une couche de sortie.

Par exemple, supposons que vous souhaitiez prédire le sexe, homme ou femme. Il devient un modèle de classification des valeurs catégorielles et la valeur numérique de la variable explicative est donnée à la couche d'entrée. Après avoir bien calculé dans la couche intermédiaire, comme résultat dans la couche de sortie Il crache des valeurs numériques telles que 0.XX pour les hommes et 0.YY pour les femmes.

Fondamentalement, il sera jugé par la taille de la valeur numérique La catégorie avec le nombre le plus élevé est la valeur prévue.

Si tel est le mécanisme de "Neural Net (NN)" et devient "Deep Neural Network (DNN)" Il y a au moins deux couches cachées.

Apprendre à l'aide d'un «réseau neuronal profond» est un «apprentissage profond (DL)» «Deep learning» est une forme incluse dans l'apprentissage automatique.

Comment fonctionne le réseau neuronal

Comme le montre la figure ci-dessus, il a une forme qui imite la structure du cerveau, mais dans chaque partie unitaire Le calcul numérique est effectué à l'aide d'une fonction appelée «fonction d'activation».

Reçoit un numéro du calque précédent et le transmet au calque suivant. Les fonctions utilisées à ce moment-là sont les suivantes.

Fonction pas à pas: renvoie 0 ou 1 à n'importe quel seuil Fonction Sigmaid Renvoie une valeur continue de 0 à 1 Fonction Relu: renvoie la valeur lorsqu'elle est supérieure ou égale à 0, et renvoie 0 lorsqu'elle est inférieure à 0.

Nous effectuerons des calculs multicouches en spécifiant une fonction d'activation qui ressemble à ceci.

L'expression en haute dimension est possible en augmentant le nombre de couches cachées Traitement des données d'apprentissage On dit qu'un certain degré de précision peut être atteint sans spécifier en détail la quantité de caractéristiques.

Inconvénients de l'apprentissage profond

Avec un modèle normal, vous pouvez calculer quel élément a contribué, etc. Il y a un point qu'il est difficile de comprendre dans l'apprentissage profond.

De plus, il nécessite une grande quantité de calculs par rapport aux autres modèles et consomme une grande quantité de ressources de calcul. Par conséquent, de nombreuses ressources de calcul sont nécessaires lors de l'utilisation de données longues.

À propos du modèle dérivé du réseau neuronal

** Réseau neuronal à convolution (CNN) **

Avec un réseau neuronal adapté à la capture de fonctionnalités telles que des images Nous avons introduit une "couche de pliage" et une "couche de mise en commun" dans le réseau traditionnel.

«Convolution» est une opération mathématique qui applique d'une manière ou d'une autre une fonction à une autre. La «mise en commun» consiste à extraire une valeur numérique des données numériques.

Ce «CNN» a démontré de hautes performances en analyse d'image.

Ces dernières années, il a atteint des performances presque humaines dans les tâches de reconnaissance d'objets. Leur taux d'erreur continue de baisser d'année en année, avec les tâches actuelles de classification d'images Nous avons un dossier avec un taux d'erreur inférieur à 3%.

C'est encore plus que la performance humaine pour la même tâche Puisqu'il s'agit d'un nombre faible, il dépasse la précision humaine.

Parce qu'il y a une possibilité de tirer des performances qui dépassent la précision humaine de cette manière C'est une traduction qui attire l'attention.

Résumé

Quand des non-ingénieurs essaient soudainement de comprendre l'apprentissage profond Je pense que les obstacles sont assez élevés.

Surtout en ce qui concerne la mise en œuvre.

Tout d'abord, comprenez le mécanisme approximatif et la signification des mots Si vous pouvez faire cela, je pense que vous devriez passer à autre chose.

Pour le moment, supprimons les mots liés à l'apprentissage profond.

16 jours avant de devenir ingénieur

Informations sur l'auteur

HP d'Otsu py: http://www.otupy.net/

Youtube： https://www.youtube.com/channel/UCaT7xpeq8n1G_HcJKKSOXMw

Twitter： https://twitter.com/otupython