딥 러닝 : 무엇이며 머신 러닝과 어떤 관련이 있습니까?

우리가 한 몇 가지 기사를 계속하면서 여기서는 딥 러닝이 무엇인지 와 머신 러닝 과의 관계에 대해 이야기 할 것입니다. 우리가 사는 사회에서 두 용어는 점점 더 중요 해지고 우리를 둘러싼 것을 아는 것이 도움이 될 것입니다.

목차 색인

딥 러닝 이란 무엇입니까?

딥 러닝 은 머신 러닝 의 결과로 2000 년대에 탄생 한 기술 중 일부입니다. 이러한 이유로 우리는 그것을 컴퓨터 과학의 일부인 지점 으로 분류해야합니다.

이 시스템은 구조가 상당히 복잡하지만 이전 형제보다 자율적 입니다. 이것은 기계 학습 알고리즘이있는 다른 시스템과 동일하거나 더 나은 작업 을 수행하는 다양한 유형의 작업을 수행 할 때 분명한 이점을 제공합니다 .

또한 딥 러닝 이 이전 모델보다 돋보이는 다른 작품도 있습니다. 가장 악명 높은 사례 중 하나는 Google 의 인텔리전스 인 AlphaGo 스타일 인공 지능으로 , Go 의 세계 챔피언을 물리 칠 수 있습니다.

어쩌면 조금 중국인처럼 들리 겠지만 Go 는 매우 유명한 게임 이며 매우 까다로운 게임 입니다. 문맥 상, 수학자들은이 취미가 체스보다 훨씬 더 복잡하다고 강조 합니다.

반면에 딥 러닝은 빅 데이터 와 밀접한 관련 이 있습니다. 이러한 위대한 정보 소스는 경험 을 배우고 통합 하는 데 사용될 수 있기 때문 입니다. 또한 우리가 처한 상황 덕분에이 기술의 확산 및 개발 환경은 다음 세 가지 핵심 사항에 적합합니다.

1. 오늘날 우리가 사용하는 도구를 사용하면 거의 모든 사람이 데이터를 가져오고 저장할 수 있기 때문에 엄청난 양의 데이터가 축적 됩니다. 구성 요소가 전체적으로 상당한 힘을 제공하기 때문에 우리가 가진 기술의 정도. 이전 두 가지 요점을 활용하면서 점점 더 많은 회사들이 인공 지능에 베팅하고 있기 때문에, 방법론을 개선하려는 기업의 요구. 귀사에서 수천 명의 고객의 데이터를 저장하고 기술을 통해 고객으로부터 정보를 얻고 사용할 수있는 기회 가 있다면 안전한 방법입니다.

딥 러닝 의 구조

Machine Learning 과 상당히 유사한 개발에도 불구하고이 알고리즘 세트에는 약간의 핵 차이점이 있습니다. 가장 중요한 것은 아마도 내부 구조, 즉 알고리즘을 구성하는 코드 일 것입니다.

딥 러닝에 대한 일반적인 아이디어

이미지에서 볼 수 있듯이 딥 러닝 은 신경망 과 밀접한 관련 이 있습니다. 이 개념은 새로운 것이 아니지만 오랫동안 우리와 함께하지 않았 으므로 알지 못할 수도 있습니다.

단순화하기 위해 신경망을 정보를 처리하고 전송 하는 알고리즘 세트 (각각 레이어라고 함) 로 정의 할 수 있습니다. 각 계층은 입력 값을 수신하고 출력 값을 반환하며 전체 네트워크를 통과 할 때 최종 결과 값이 반환됩니다. 이 모든 것은 원하는 결과에 따라 각 레이어가 다른 가중치를 갖는 일반적으로 순차적으로 발생합니다 .

다음은 Super Mario World 를 재생 하는 인공 지능 학습에 대한 짧은 비디오 (영어)입니다 .

"이 방법이 왜 그렇게 복잡합니까?" . 확실히 딥 러닝은 여전히 우리가 약한 인공 지능 (Weak Artificial Intelligence) 이라고 부르는 것이지만, 아마도 강점을 향한 첫 단계 일 것입니다.

이 방법론은 두뇌의 작동 방식에 의해 느슨하게 영감을 얻습니다. 우리가 "물리적 세계" 에서 보는 것과 유사하게, 시스템은 층을 형성하고 각 층은 뉴런과 유사한 방식 으로 작동합니다 . 이러한 방식으로 계층은 서로 관련되어 정보를 공유하며 가장 중요한 것은 모든 것이 자율적으로 수행 된다는 것입니다.

딥 러닝 작동 방식에 대한 매우 단순화 된 체계

이 규칙에 따라 가장 완전한 지능 은 일반적으로 더 많은 계층과보다 정교한 알고리즘 을 가진 지능 입니다.

인공 지능 은이 알고리즘과 어떻게 작동합니까?

주제에 대한 이전 기사를 보셨다면 이미이 GIF를 보셨을 것입니다. 여기 인공 지능 에 관한 기사를 볼 수 있으며 기계 학습 에 대해 조금 읽을 수 있습니다.

마지막으로 보여 드리겠습니다.

이 이미지는 신경망을 사용하는 인텔리전스의 작동 방식을 아주 간단하게 반영 합니다. 보시다시피, 그의 직업은 간단합니다. 이미지를 분류하고 그에게 전달되는 다른 사진에서 개를 감지하는 법을 배우십시오.

각 이미지 는 입력 피드, 즉 첫 번째 계산이 이미 시작된 입력 레이어를 입력 하여 시작합니다. 얻어진 결과 는 제 2 층 또는 뉴런에 공유 될 것이며, 어느 뉴런이이 계산을했는지 알 수있다. 이 프로세스는 시스템이 마지막 레이어에 도달 할 때까지 시스템의 레이어 수 만큼 반복됩니다.

마지막 뉴런은 출력 레이어 로 명명되며이 예에서는 결과를 보여줍니다. 다른 경우에는 출력 레이어 가 계산 된 작업을 수행하게됩니다. 또한 비디오 게임에서와 같이 가능한 한 빨리 행동해야하는 공식에 들어가면 결과는 거의 즉각적이어야합니다. 그러나 현재 우리가 보유하고있는 기술적 인 점으로 인해 이미 가능합니다.

가장 명확한 예 중 하나는 Google 자체의 또 다른 창작물 인 AlphaStar 인공 지능 입니다.

Google Deepmind 인공 지능

우리는 세계 최고의 Go 플레이어와 싸울 수있는 AI 인 AlphaGo 에 대해 이야기했습니다 . 그러나 이것은 매우 인상적인 이정표 를 달성 할 수있는 젊은 형제 자매가 있습니다.

알파 제로

이 정보 는 단 24 시간 만 에 초인적 수준의 체스, 쇼지를 배우고 여러 유명한 플레이어 를 얻었 습니다. 또한 패배 한 적들의 명단에서 그는 3 일간의 경험의 AlphaGo Zero 버전을 지적했는데 , 그것은 정말로 놀라운 것입니다. 여기이 인공 지능 을 배우는 속도 가 나옵니다 .

무엇보다도 가장 인상적인 팀 은 학습 서적이나 데이터베이스에 액세스 할 수 없었기 때문에 모든 전술은 연습으로 배웠습니다.

또 다른 만남에서 그는 체스를하는 베테랑 자동화 된 오픈 소스 프로그램 인 Stockfish 를 만났습니다. 그러나 단 4 시간 만 에 AlphaZero 가 지배했습니다 .

처음에는 약 7 천만 개의 움직임을 계산하지만 , AlphaZero 는 체스에서 8 만 개의 다른 출구 만 고려합니다 . 예측의 차이는 유망한 유망한 것에 대한 훨씬 더 나은 판단 으로 상쇄되었습니다.

이와 같은 힘의 시연으로 우리는 새로운 인공 지능 의 힘을 볼 수 있습니다 .

알파 스타

반면 AlphaStar 는 오늘날 RTS Starcraft II (실시간 전략, 스페인어) 를 재생할 수있는 AI 입니다 .

데모 당시 AlphaStar 는 중간에 10 명의 게임에서 연속으로 몇 명의 프로 선수와 싸웠으며 마지막 것만 잃었습니다.

체스 또는 이동과 달리 스타 크래프트 II 는 실시간 매치업 이므로 매 초마다 작업을 수행해야합니다. 이로 인해 우리는 현재의 기술이 계산과 결정의 열광적 인 리듬을 유지할 수 있음을 엿볼 수 있습니다 .

지능 의 준비에 관해서는, 라이브 테스트 날짜 동안 그는 약 200 년 동안 프로토 타입 (사용 가능한 종족 중 하나)에 대한 훈련 경험 이있었습니다. 또한 카메라에 물리적으로 카메라가 장착 된 경우 에만 작업을 수행 할 수 있도록 훈련되었으므로 사람이 어떻게 플레이하는지 더 잘 동화 할 수 있습니다.

그러나 이러한 핸디캡에도 불구하고 AlphaStar 은 (는) 경기의 경쟁에서 포기한 전술을 사용하여 대부분의 조수 를 이겼 습니다. 주목해야 할 점은 AlphaStar는 일반적으로 APM (분당 작업)을 낮게 유지하므로 의사 결정이 매우 효율적이라는 것입니다.

AI와 프로 선수가 수행하는 분당 평균 액션

그러나 상황이 필요할 때, 그는 카운터를 쉽게 깨뜨림으로써 말 그대로 유닛에 대한 초 인간적인 통제 를 보여줍니다.

여기 에서 그의 데모 중 하나를 전체적으로 볼 수 있습니다.

인공 지능 의 미래

우리는 이미이 주제에 대해 이야기 했으므로 같은 이야기를 너무 많이 반복하지는 않을 것입니다. 강조해야 할 것은 딥 러닝 을 기다리고있는 미래입니다.

인공 지능의 유명한 전문가 인 Andrew Yan-Tak Ng 에 따르면 딥 러닝 은 미래의 지능 을 향한 좋은 단계입니다. 다른 교수법과 달리 데이터 표본을 늘리면 훨씬 효율적 입니다.

BABAHU X1 권장: AI 칫솔 사용 가능

다음 슬라이드는 "심화 학습에 관한 정보 과학자들이 알아야 할 내용" 프레젠테이션에 속합니다. 관심이 있으시면이 링크에서 볼 수 있습니다.

헛 되지 않은 기술 개발은 멈추지 않았습니다. 매년 우리는 더 강력한 구성 요소를 갖게 될 것이므로 테스트 할 안뜰이 점점 더 많아 질 것입니다. 오래된 AI 와 머신 러닝 과 마찬가지로 새로운 알고리즘, 방법론 및 시스템이 등장 하여 오늘날의 혁신적인 딥 러닝을 대체합니다.

또한 상상할 수 있듯이 미래는 반 지능형 기계로 해결됩니다 .

다른 기사에서 지적했듯이 대부분의 전자 장치에는 지원 인텔리전스가 있습니다. 더 주목할만한 사례는 더 나은 품질의 사진을 찍는 데 도움이되는 인텔리전스 의 사례입니다.

그러나이 기술이 대부분의 사용자에게 번성 할 수있는 점 은 IoT (Internet of Things, 스페인어)입니다.

사물 인터넷

이 용어 는 기술 및 컴퓨팅 회의에서 점점 더 많은 비중 을 차지하고 있으며 이제 수단이 생겼기 때문에 자체적으로 통합하려고합니다.

아이디어는 가전 제품, 전기 제품 및 기타 장치 가 식별 가능한 객체이며 서로 통신하고 장치로 제어 할 수 있다는 것입니다. 이런 식으로 우리는 어떤 물체가 어떤 장소에 있는지, 물체가 어디에 있는지 , 모바일에서 물체와 상호 작용할 수 있습니다 . 마찬가지로, 물체도 서로 상호 작용할 수 있으며 예를 들어 음식이 만료되면 냉장고에서 음식을 열 때 알려줄 수 있습니다.

반면에, 인공 지능 은 가전 ​​제품의 상태 및 성능 을 모니터링 할 수 있어야합니다 . 이를 통해 전기 계획을 세우고 사용되는 에너지를 최적화 할 수 있습니다.

그러나 개선해야 할 중요한 점은 인터넷 보안입니다. 그것은 여전히 많은 괴롭힘을 당하지 않는 것처럼 보이지만 우리는 그것이 안전한 서비스 가되기를 원한다면 그것이 필수적이라는 것을 알고 있습니다 .

다소 추상적 인 생각이지만, 그것이 우리의 삶을 침범함에 따라, 당신은 친숙해질 것입니다.

신기술과 딥 러닝 의 중요성

컴퓨팅과 인공 지능이 우리를 기다리고있는 미래의 많은 부분 을 형성 할 것이라고 생각하는 것은 불가피합니다 . 따라서 비트에 의해 통제되는 세계에서 일어나는 일을 항상 반쯤 아는 것이 중요합니다.

그러한 정신을 염두에두고, 우리는 이러한 주제들을 깊이 가르치는 다른 학위, 코스 및 학위가 어떻게 나타나는지 이미 알 수 있습니다. 예를 들어, 일부 데이터 공학, 빅 데이터 및 딥 러닝 및 인공 지능 과정에 대한 다른 학위가 나타났습니다.

같은 이유로, 우리는 당신이 그 주제 를 조사 하도록 촉구합니다 . 인터넷 의 장점과 단점은 아직 자율적이거나 완벽하지도 않고 안전하지도 않지만 거의 무한한 지식의 원천입니다. 운이 좋으면 배울 곳을 찾을 수 있으며 새로운 언어 나 새로운 세계를 시작할 수 있습니다.

머신 러닝 은 약간 더 가벼운 훈련이기 때문에 데이터를 약간 엉망으로 만드는 프로그램이 있습니다. 주제에 대해 조금 더 배우고이 기술의 한계를 확인하고 싶다면 IBM Watson Developer Cloud 또는 Amazon Machine Learning을 방문하십시오 . 우리는 당신에게 경고합니다: 당신은 계정을 만들어야하며 배우기 쉬운 방법이 아니지만 언젠가 큰 목표를 달성하는 데 도움이 될 것입니다.

여기 저쪽에는 아이디어의 세계가 있으므로 모든 것이 당신의 손에 달려 있습니다. 그리고 인공 지능과 관련된 새로운 기술에 대해 어떻게 생각하십니까? 어떤 다른 딥 러닝 응용 프로그램을 알고 있거나보고 싶습니까? 아래 상자에 아이디어를 공유하십시오.

소스 비즈니스 블로그 Think BigXatakaMachine Learning Mastery