Aprendizado de máquina - Aprendizado profundo

O Deep Learning usa ANN. Primeiro, veremos alguns aplicativos de aprendizado profundo que darão uma ideia de seu poder.

Formulários

O Deep Learning tem mostrado muito sucesso em várias áreas de aplicativos de aprendizado de máquina.

Self-driving Cars- Os carros autônomos e autônomos usam técnicas de aprendizagem profunda. Eles geralmente se adaptam às situações de trânsito em constante mudança e ficam cada vez melhores na direção ao longo do tempo.

Speech Recognition- Outra aplicação interessante do Deep Learning é o reconhecimento de voz. Todos nós usamos vários aplicativos móveis hoje que são capazes de reconhecer nossa fala. Siri da Apple, Alexa da Amazon, Cortena da Microsoft e Assistente do Google - todos usam técnicas de aprendizado profundo.

Mobile Apps- Usamos vários aplicativos baseados na web e móveis para organizar nossas fotos. Detecção de rosto, ID de rosto, marcação de rosto, identificação de objetos em uma imagem - tudo isso usa aprendizado profundo.

Oportunidades inexploradas de aprendizado profundo

Depois de observar o grande sucesso que os aplicativos de aprendizado profundo alcançaram em muitos domínios, as pessoas começaram a explorar outros domínios onde o aprendizado de máquina ainda não era aplicado. Existem vários domínios nos quais as técnicas de aprendizagem profunda são aplicadas com sucesso e há muitos outros domínios que podem ser explorados. Alguns deles são discutidos aqui.

• A agricultura é uma dessas indústrias em que as pessoas podem aplicar técnicas de aprendizado profundo para melhorar o rendimento da colheita.

• O financiamento ao consumidor é outra área em que o aprendizado de máquina pode ajudar muito no fornecimento de detecção precoce de fraudes e na análise da capacidade de pagamento do cliente.

• Técnicas de aprendizado profundo também são aplicadas ao campo da medicina para criar novos medicamentos e fornecer uma prescrição personalizada ao paciente.

As possibilidades são infinitas e é preciso ficar atento à medida que novas ideias e desenvolvimentos surgem com frequência.

O que é necessário para conseguir mais com o aprendizado profundo

Para usar o aprendizado profundo, o poder de supercomputação é um requisito obrigatório. Você precisa de memória e também de CPU para desenvolver modelos de aprendizado profundo. Felizmente, hoje temos uma fácil disponibilidade de HPC - High Performance Computing. Devido a isso, o desenvolvimento dos aplicativos de aprendizado profundo que mencionamos acima tornou-se uma realidade hoje e no futuro também podemos ver os aplicativos nessas áreas inexploradas que discutimos anteriormente.

Agora, veremos algumas das limitações do aprendizado profundo que devemos considerar antes de usá-lo em nosso aplicativo de aprendizado de máquina.

Desvantagens do aprendizado profundo

Alguns dos pontos importantes que você precisa considerar antes de usar o aprendizado profundo estão listados abaixo -

• Abordagem de caixa preta
• Duração do Desenvolvimento
• Quantidade de dados
• Computacionalmente caro

Agora estudaremos cada uma dessas limitações em detalhes.

Abordagem de caixa preta

Uma RNA é como uma caixa preta. Você fornece uma determinada entrada e ela fornecerá uma saída específica. O diagrama a seguir mostra um desses aplicativos em que você alimenta uma imagem de animal em uma rede neural e diz que a imagem é de um cachorro.

Por que isso é chamado de abordagem de caixa preta é que você não sabe por que a rede apresentou determinado resultado. Você não sabe como a rede concluiu que é um cachorro? Agora considere um aplicativo bancário em que o banco deseja decidir a qualidade de crédito de um cliente. A rede certamente fornecerá uma resposta a essa pergunta. Porém, você será capaz de justificar isso para um cliente? Os bancos precisam explicar a seus clientes por que o empréstimo não é sancionado?

Duração do Desenvolvimento

O processo de treinamento de uma rede neural é ilustrado no diagrama abaixo -

Você primeiro define o problema que deseja resolver, cria uma especificação para ele, decide sobre os recursos de entrada, projeta uma rede, implementa e testa a saída. Se a saída não for a esperada, tome isso como um feedback para reestruturar sua rede. Este é um processo iterativo e pode exigir várias iterações até que a rede de tempo esteja totalmente treinada para produzir os resultados desejados.

Quantidade de dados

As redes de aprendizado profundo geralmente requerem uma grande quantidade de dados para treinamento, enquanto os algoritmos de aprendizado de máquina tradicionais podem ser usados ​​com grande sucesso mesmo com apenas alguns milhares de pontos de dados. Felizmente, a abundância de dados está crescendo a 40% ao ano e a capacidade de processamento da CPU está crescendo a 20% ao ano, conforme visto no diagrama abaixo -

Computacionalmente caro

Treinar uma rede neural requer várias vezes mais poder computacional do que aquele necessário para executar algoritmos tradicionais. O treinamento bem-sucedido de redes neurais profundas pode exigir várias semanas de tempo de treinamento.

Em contraste com isso, os algoritmos de aprendizado de máquina tradicionais levam apenas alguns minutos / horas para treinar. Além disso, a quantidade de potência computacional necessária para treinar redes neurais profundas depende muito do tamanho dos seus dados e da profundidade e complexidade da rede.

Depois de ter uma visão geral do que é o aprendizado de máquina, seus recursos, limitações e aplicativos, vamos mergulhar no aprendizado de “aprendizado de máquina”.