iT邦幫忙

2023 iThome 鐵人賽

DAY 3
0
AI & Data

圍繞 AI & Data 的主題系列 第 3

[Day 3] 深度學習技術 (Deep Learning Techniques)

  • 分享至 

  • xImage
  •  

Hello 大家好!歡迎回來!昨天剛剛分享完機器學習算法 (Machine Learning Algorithms),那今天我打算跟大家分享深度學習技術 (Deep Learning Techniques)。事不宜遲,現在開始!

簡介

深度學習是機器學習的一個分支,聚焦於擁有多層神經網絡的模型,使得電腦能夠從大量數據中學習到複雜的模式和表示。通過利用這些深度神經網絡,深度學習模型可以自動學習層次化特徵,並在各個領域進行準確的預測或分類。
https://ithelp.ithome.com.tw/upload/images/20230916/20163226Aw2o5RI5Jv.jpg [1]

深度學習和機器學習之間的分別

兩者有相似的運作模式 (因此為何兩者有時可用來取代對方),但它們的能力有分別。
基本的機器學習技術確實不論功能,都可逐漸進步,但它仍需要一些指導。如果一個人工智能演算法作出錯誤估算,就需要工程師介入作出調整。如果是深度學習模型的話,演算法可以透過自己的神經網絡自行決定估算是否準確。在這裏我想舉一個例子:
一個電風扇可以被編程為在辨認到有人說「熱」的時候開著,「冷」的時候關著。當它一直學習,可能最終會在聽到任何包含「熱」字的句子是開著,「冷」字的句子是關著,這是基本的機器學習技術。但如果電筒使用深度學習模型,就可以弄清楚應否在聽見「我有點悶」或「遙控壞了」的時候串連一個摩打==一個深度學習模型可以透過自己的演算法學習。
https://ithelp.ithome.com.tw/upload/images/20230916/20163226Hp2b3ir4eF.png [2]

如何運作?

一個深度學習模型是設計為持續分析數據、與人類作出結論時的邏輯系統相似的模型。深度學習應用程式會使用一個名為人工神經網絡的分層演算法。人工神經網絡的設計受人腦的生物神經網絡啟發,引發一個遠比一般機器學習模型更厲害的學習過程。確保深度學習模型不會作出錯誤結論是一項棘手的工作==就好像其他人工智能的例子,深度學習需要很多訓練才能學會正確的學習過程。我再舉兩個例子:
一個深度學習的絕佳例子就是 Google 的 AlphaGo。Google 創造了一個擁有自己神經網絡、學會了如何玩桌上遊戲 Go 的電腦程式。這個遊戲以要求敏捷思維和直覺聞名。透過與專業的 Go 玩家對戰,AlphaGo 的深度學習模型以從來沒有人工智能使用的方式學會如何玩遊戲,並且在沒有指令的情況下掌握玩法 (一個機器學習模型會需要指令)。 AlphaGo 打敗數名舉世知名的高手時引起一陣哄動==不只是因為一台機器可以掌握複雜的技能和遊戲的抽象概念,還因為它也成為了其中一位高手。
另一個例子是一位外國的 YouTuber 名叫 AI Warehouse,他做了幾個影片,都是説他訓練 AI,透過深度學習技術而懂得如何走路/逃脫。以下是他其中的一條影片:
Yes

應用領域

  • 自動駕駛車輛
    深度學習使開發自駕車成為可能,通過處理感測器數據、檢測物體和做出實時決策。
    https://ithelp.ithome.com.tw/upload/images/20230916/20163226MrbYdZCqGj.jpg [3]
  • 自然語言處理 (明天我將會講到這個 :D)
    深度學習模型在機器翻譯、情感分析、聊天機器人和文本生成等領域取得了顯著的成果。
  • 金融
    深度學習技術被用於股市預測、詐騙檢測、算法交易和信用風險評估等方面。

參考資料

我是 Mr. cobble,明天見!


上一篇
[Day 2] 機器學習算法 (Machine Learning Algorithms)
下一篇
[Day 4] 自然語言處理 (Natural Language Processing)
系列文
圍繞 AI & Data 的主題30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言