Deep learning is een nieuwe vorm van machine learning, die een revolutie teweeg heeft gebracht. deep learning is een diep neuraal netwerk met meerdere verborgen lagen tussen de input en output lagen.
Door handige regels of algoritmes die bepalen hoe iets geleerd moet worden, zijn de netwerken die gebruikt worden ‘zelf denkend’ (met een korreltje zout)
Algoritmen
Deep learning-algoritmen zijn zeer geschikt voor niet-lineaire classificatieproblemen, zoals objectherkenning en spraakherkenning (hoewel er andere soorten deep architectures bestaan). deep architectures worden ook gebruikt in taalverwerkingstaken zoals sentimentanalyse en tekstsamenvatting.
Tesla
De zelfrijdende software van Tesla maakt gebruik van deep learning om objecten op de weg te vinden en ze te identificeren, en dat alles tijdens het rijden.
Deep learning is steeds populairder geworden in zowel de academische wereld als het bedrijfsleven, dankzij het succes van de neurale netwerken bij het oplossen van problemen zoals objectherkenning.
Wat is deep learning in een notendop
Deep learning is het maken van programma’s die zelf beslissingen kunnen nemen. deep learning zorgt ervoor dat computers beter doen wat mensen hen vertellen te doen. deep learning is de basis van alle kunstmatige intelligentie. Het heeft auto’s zelfstandig laten rijden, en het kan nog veel meer!
Hoe wordt deep learning getraind?
diepe neurale netwerken kunnen worden getraind met unsupervised of supervised methodes, waarbij de trainingsgegevens afkomstig zijn van ongelabelde voorbeelden.
De trainingsgegevens worden ingevoerd in het netwerk, dat output produceert. Er wordt gezegd dat het netwerk heeft geleerd door de gewichten te optimaliseren, zodat de output die uit de trainingsgegevens wordt geproduceerd, nauw overeenstemt met wat door een deskundige op het gebied was bedoeld.
Wat verandert er wanneer deep learning wordt toegepast?
Wanneer deep learning wordt toegepast, kan het over het algemeen beter werk leveren binnen dezelfde hoeveelheid tijd, en kan het vaak worden gebruikt in plaats van jaren programmeren.
Leren zonder toezicht
Een niet gesuperviseerd diep neuraal netwerk is een diep neuraal netwerk dat niet beschikt over gelabelde trainingsgegevens. Het diepe neurale netwerk moet zelf achter de patronen zien te komen.
Begeleid leren
Voor gecontroleerde deep neural networks zijn gelabelde trainingsgegevens nodig. Labels zijn de inputs en outputs die het diepe neurale netwerk moet voorspellen of classificeren.
Dit betekent dat we al onze plaatjes moeten labelen, zoals: “hond” en “kat”, en ze dan voeden aan diepe neurale netwerken met een diep label stacker model.
Dit diepe neurale netwerk zal uitvinden hoe het nieuwe foto’s moet classificeren nadat we het op een heleboel foto’s hebben getraind. We kunnen diepe neurale netwerken ook ongelabelde voorbeelden geven door ongelabelde gegevens toe te voegen aan de gelabelde gegevens en deep learning automatisch labels voor ons te laten afleiden.
Machinaal leren vs. diep leren
Machine learning is wanneer computers geprogrammeerde instructies volgen om patronen in gegevens te vinden. Het gebruikt statistiek en waarschijnlijkheid om zichzelf bij te werken met nieuwe kennis.
Deep learning is wanneer machine learning wordt gecombineerd met diepe neurale netwerken. Het is in feite alsof je een kind maakt en het vervolgens in een volwassen lichaam stopt. Het is logisch als je weet wat machine learning is, maar het is ook logisch als je niet weet wat deep learning is.
Diep leren is veel geavanceerder
Deep learning en machine learning zijn bijna hetzelfde. Maar deep learning is geavanceerder omdat het zelf beslissingen kan nemen en zelf leert in plaats van gelabelde trainingsgegevens te krijgen en voorspellingen te doen zoals een machine doet.
Bij machinaal leren wordt hoofdzakelijk gebruik gemaakt van supervised learning om voorspellingen te doen. Deep learning kan zowel supervised als unsupervised zijn, maar het is veel geavanceerder omdat het de mogelijkheid heeft om zelf te leren.
Wat is een diep neuraal netwerk?
Een diep neuraal netwerk is een machine die leert hoe ze voorbeelden moet classificeren nadat we het op een heleboel voorbeelden hebben getraind. Het is beter dan andere modellen voor machinaal leren omdat het een groter aantal verborgen lagen kan hebben, waardoor het in staat is om moeilijkere problemen te leren.
Wat zijn enkele voorbeelden van diepe neurale netwerken?
Enkele voorbeelden van diepe neurale netwerken zijn Convolutionele Neurale Netwerken (Convnets) die heel goed afbeeldingen kunnen classificeren, Recurrente Neurale Netwerken (RNNs) die worden gebruikt voor tekstclassificatie, en Long-Short Term Memory netwerken (LSTMs) die vergelijkbaar zijn met RNNs maar ook zelf kunnen leren.
Wat is een deep label stacker?
Een deep label stacker is een geavanceerd type neuraal netwerk dat zijn eigen labels/voorspellingen geeft na training op een hoop gegevens. Het doet dit met een deep learning netwerk, waarbij er neuronen tussen de lagen zitten en het gebruikt backpropagation through time (BPTT) om zijn voorspellingen te doen.
Hoe kan deep learning bedrijven helpen
Deep learning kan bedrijven helpen, bijvoorbeeld om manieren te vinden om nieuwe klanten te helpen. Het kan worden gebruikt om te zoeken naar verborgen patronen in klantgegevens en deze diepe inzichten aan bedrijven te presenteren.
Het dient ook als laag van beveiliging, door het onderscheidt te herkennen tussen normaal gebruik en wat hiervan afwijkt.
Een voorbeeld hiervan bij banken
Een deep learning-toepassing die door banken wordt gebruikt, is “anti-witwaspraktijken” waarbij deep learning wordt getraind door diepe neurale netwerken om frauduleuze transacties te identificeren.
door normale transacties te leren herkennen, weet een netwerk ook wanneer de data af begint te wijken. Hierdoor herkent het een afwijkend patroon en kan er actie ondernomen worden dit te rapporteren. Deze melding wordt vervolgens door een mens nagekeken om te bepalen of er inderdaad actie moet worden ondernomen.
Deze nabewerking door een mens, kan vervolgens weer gezien worden als begeleid leren, omdat de actie die werd ondernomen heeft bepaald of het netwerk de detectie juist had.
Verkoop voorspellen
Deep learning kan ook worden gebruikt voor het voorspellen van verkopen. Hier worden diepe neurale netwerken getraind op verkoopgegevens uit het verleden om toekomstige verkoopvolumes of artikelen te voorspellen die samen goed zullen verkopen. De outputs van diepe neurale netwerken worden vervolgens gebruikt als suggesties die klanten te zien krijgen wanneer ze een website als bol.com of amazon.nl bezoeken.
Deep learning is het hart van de toekomst
Deep learning heeft de toekomst en zal dat ook blijven. Bedrijven moeten diepe neurale netwerken gaan gebruiken om bestaande oplossingen te verbeteren en ze beter te maken. Het kan worden gebruikt voor elk soort gegevens, maar bedrijven gebruiken het vooral voor klantinzichten.
Deep learning wordt populairder dan machine learning omdat het uit zichzelf leert en zichzelf de mogelijkheid geeft om te leren hoe taken moeten worden uitgevoerd.
Het is bijna alsof ze zelf denken…