Machine-learning-deep-machine-learning
機械学習-ディープラーニング
ディープラーニングはANNを使用します。 最初に、そのパワーのアイデアを提供するディープラーニングアプリケーションをいくつか見ていきます。
アプリケーション
ディープラーニングは、機械学習アプリケーションのいくつかの分野で多くの成功を収めています。
自動運転車-自動運転の自動運転車はディープラーニング技術を使用します。 彼らは通常、絶えず変化する交通状況に適応し、一定期間の運転がますます良くなります。
音声認識-ディープラーニングのもう1つの興味深いアプリケーションは音声認識です。 今日、私たちは皆、音声を認識できる複数のモバイルアプリを使用しています。 AppleのSiri、AmazonのAlexa、MicrosoftのCortena、およびGoogleのアシスタント–これらはすべてディープラーニングテクニックを使用しています。
モバイルアプリ-写真を整理するために、いくつかのウェブベースおよびモバイルアプリを使用しています。 顔検出、顔ID、顔のタグ付け、画像内のオブジェクトの識別-これらはすべてディープラーニングを使用します。
ディープラーニングの未開拓の機会
ディープラーニングアプリケーションが多くのドメインで達成した大きな成功を見て、人々は機械学習がこれまで適用されていなかった他のドメインを探索し始めました。 ディープラーニング技術が正常に適用されるいくつかのドメインがあり、悪用される可能性のある他の多くのドメインがあります。 これらのいくつかをここで説明します。
- 農業は、人々がディープラーニング技術を適用して作物の収穫量を改善できるような産業の1つです。
- 消費者金融は、機械学習が詐欺の早期発見と顧客の支払い能力の分析に大いに役立つ別の分野です。
- ディープラーニングテクニックは、新薬を作成し、患者にパーソナライズされた処方箋を提供するために、医学の分野にも適用されます。
可能性は無限であり、新しいアイデアや開発が頻繁に出現するのを常に見続ける必要があります。
ディープラーニングを使用してより多くを達成するために必要なもの
ディープラーニングを使用するには、スーパーコンピューティングのパワーが必須要件です。 ディープラーニングモデルを開発するには、メモリとCPUの両方が必要です。 幸いなことに、今日では、HPC –ハイパフォーマンスコンピューティングを簡単に利用できます。 このため、上記のディープラーニングアプリケーションの開発が今日現実になり、将来的には、先ほど説明した未開発の領域でアプリケーションを見ることができます。
ここで、機械学習アプリケーションで使用する前に考慮する必要があるディープラーニングの制限のいくつかを見ていきます。
深層学習の欠点
ディープラーニングを使用する前に考慮する必要がある重要なポイントの一部を以下に示します-
- ブラックボックスアプローチ
- 開発期間
- データ量
- 計算的に高価
次に、これらの制限のそれぞれについて詳細に検討します。
ブラックボックスアプローチ
ANNはブラックボックスのようなものです。 特定の入力を与えると、特定の出力を提供します。 次の図は、そのようなアプリケーションの1つを示しています。このアプリケーションでは、動物の画像をニューラルネットワークにフィードし、画像が犬のものであることを示しています。
これがブラックボックスアプローチと呼ばれる理由は、ネットワークが特定の結果を出した理由がわからないためです。 あなたは、ネットワークがそれが犬であると結論付けた方法を知りませんか？ ここで、銀行がクライアントの信用度を決定したい銀行アプリケーションを考えてみましょう。 ネットワークは間違いなくこの質問に対する答えを提供します。 ただし、クライアントに正当化することはできますか？ 銀行は、ローンが認可されない理由を顧客に説明する必要がありますか？
開発期間
ニューラルネットワークを訓練するプロセスは、以下の図に描かれています-
最初に、解決する問題を定義し、その仕様を作成し、入力機能を決定し、ネットワークを設計し、展開して出力をテストします。 出力が期待どおりでない場合は、これをフィードバックとして受け取って、ネットワークを再構築してください。 これは反復的なプロセスであり、目的の出力を生成するためにタイムネットワークが完全にトレーニングされるまで、数回の反復が必要になる場合があります。
データ量
ディープラーニングネットワークは通常、トレーニングに膨大な量のデータを必要としますが、従来の機械学習アルゴリズムはわずか数千のデータポイントでも大成功で使用できます。 幸いなことに、データ量は年間40％で成長しており、CPU処理能力は以下の図に示すように年間20％で成長しています-
計算的に高価
ニューラルネットワークのトレーニングには、従来のアルゴリズムの実行に必要な計算能力の数倍の計算能力が必要です。 ディープニューラルネットワークのトレーニングを成功させるには、数週間のトレーニング時間が必要になる場合があります。
これとは対照的に、従来の機械学習アルゴリズムはトレーニングに数分/時間しかかかりません。 また、ディープニューラルネットワークのトレーニングに必要な計算能力は、データのサイズとネットワークの深さと複雑さに大きく依存しますか？
機械学習とは何か、その機能、制限、およびアプリケーションの概要を確認した後、「機械学習」の学習に取り掛かりましょう。
