Deep Learning — A Technique for Imp

Deep Learning — A Technique for Implementing Machine Learning

Another algorithmic approach from the early machine-learning crowd, Artificial Neural Networks, came and mostly went over the decades. Neural Networks are inspired by our understanding of the biology of our brains – all those interconnections between the neurons. But, unlike a biological brain where any neuron can connect to any other neuron within a certain physical distance, these artificial neural networks have discrete layers, connections, and directions of data propagation.

You might, for example, take an image, chop it up into a bunch of tiles that are inputted into the first layer of the neural network. In the first layer individual neurons, then passes the data to a second layer. The second layer of neurons does its task, and so on, until the final layer and the final output is produced.

Each neuron assigns a weighting to its input — how correct or incorrect it is relative to the task being performed. The final output is then determined by the total of those weightings. So think of our stop sign example. Attributes of a stop sign image are chopped up and “examined” by the neurons — its octogonal shape, its fire-engine red color, its distinctive letters, its traffic-sign size, and its motion or lack thereof. The neural network’s task is to conclude whether this is a stop sign or not. It comes up with a “probability vector,” really a highly educated guess, based on the weighting. In our example the system might be 86% confident the image is a stop sign, 7% confident it’s a speed limit sign, and 5% it’s a kite stuck in a tree ,and so on — and the network architecture then tells the neural network whether it is right or not.

Kết quả (Việt) 1:

Sâu học tập-Một kỹ thuật cho việc thực hiện các máy họcMột thuật toán tiếp cận từ đầu máy-học đám đông, mạng nơ-ron nhân tạo, đến và chủ yếu là đi trong những thập kỷ. Mạng nơ-ron được lấy cảm hứng từ sự hiểu biết của chúng tôi về sinh học của não của chúng tôi-tất cả những interconnections giữa các tế bào thần kinh. Tuy nhiên, không giống như một bộ não sinh học nơi bất kỳ tế bào thần kinh có thể kết nối với bất kỳ tế bào thần kinh khác trong một khoảng cách nhất định của vật chất, các mạng nơ-ron nhân tạo có lớp rời rạc, kết nối và hướng dẫn của tuyên truyền dữ liệu.Bạn có thể, ví dụ, có một hình ảnh, cắt nó thành một loạt các gạch được nhập vào các lớp đầu tiên của mạng nơ-ron. Trong những đầu tiên lớp cá nhân tế bào thần kinh, sau đó vượt qua các dữ liệu đến một lớp thứ hai. Lớp thứ hai của tế bào thần kinh có nhiệm vụ của nó, và do đó trên, cho đến các lớp cuối cùng và đầu ra cuối cùng được sản xuất.Mỗi tế bào thần kinh chỉ định một cân cho đầu vào của nó-như thế nào chính xác hoặc không chính xác đó là liên quan đến nhiệm vụ được thực hiện. Đầu ra cuối cùng sau đó được xác định bằng tổng các số. Vì vậy, nghĩ về ví dụ dấu hiệu dừng lại. Các thuộc tính của một hình ảnh dừng dấu hiệu được xắt nhỏ lên và "kiểm tra" bởi các tế bào thần kinh-hình dạng của nó là, nó đỏ cháy động cơ màu sắc, ký tự đặc biệt của nó, kích thước lưu lượng truy cập đăng nhập và chuyển động của nó hoặc thiếu đó. Mạng nơ-ron nhiệm vụ là kết luận cho dù đây là một dấu hiệu dừng lại hay không. Nó đi kèm với một "xác suất vector," thực sự đánh giá cao chương trình giáo dục đoán, dựa trên các nặng. Trong ví dụ của chúng tôi hệ thống có thể là 86% tin tưởng các hình ảnh là một dấu hiệu dừng lại, 7% tự tin đó là một dấu hiệu giới hạn tốc độ, và 5% là một diều bị mắc kẹt trong một cây, và như vậy- và kiến trúc mạng sau đó nói với mạng nơ-ron cho dù đó là đúng hay không.

Kết quả (Việt) 2:

Sâu học - Kỹ thuật cho thực hiện Machine Learning

Một tiếp cận thuật toán từ đám đông học máy sớm, Artificial Neural Networks, đến và hầu hết đã đi qua nhiều thập kỷ. Neural Networks được lấy cảm hứng từ sự hiểu biết của chúng ta về sinh học của bộ não của chúng ta - tất cả những mối liên kết giữa các tế bào thần kinh. Nhưng, không giống như một bộ não sinh học mà bất kỳ tế bào thần kinh có thể kết nối với bất kỳ tế bào thần kinh khác trong một khoảng cách vật lý nhất định, các mạng thần kinh nhân tạo có các lớp riêng biệt, kết nối, và hướng của truyền dữ liệu.

Bạn có thể, ví dụ, có một hình ảnh, chop nó vào một loạt các gạch đó được nhập vào các lớp đầu tiên của mạng lưới thần kinh. Trong tế bào thần kinh riêng lớp đầu tiên, sau đó chuyển dữ liệu đến một lớp thứ hai. Lớp thứ hai của tế bào thần kinh làm nhiệm vụ của mình, và như vậy, cho đến khi lớp cuối cùng và kết quả cuối cùng được sản xuất.

Mỗi nơron gán một trọng số cho đầu vào của nó - làm thế nào chính xác hoặc không chính xác nó là tương đối so với công việc đang được thực hiện. Kết quả cuối cùng sau đó được xác định bằng tổng các trọng số. Vì vậy, hãy xem gương dừng dấu hiệu của chúng tôi. Các thuộc tính của một hình ảnh dừng lại dấu hiệu bị băm nhỏ và "kiểm tra" của các tế bào thần kinh - hình dạng của nó octogonal, màu đỏ cháy động cơ của nó, thư đặc biệt của nó, kích thước giao thông dấu hiệu của nó, và chuyển động hoặc thiếu đó. Nhiệm vụ của mạng lưới thần kinh là để kết luận đây là một dấu hiệu dừng hay không. Nó đi kèm với một "vector xác suất," thực sự là một phỏng đoán có học vấn cao, dựa trên trọng. Trong ví dụ của chúng tôi hệ thống có thể là 86% tự tin hình ảnh là một dấu hiệu dừng lại, 7% tự tin đó là một dấu hiệu giới hạn tốc độ, và 5% đó là một cánh diều bị mắc kẹt trong một cái cây, và như vậy - và các kiến trúc mạng sau đó nói với các mạng thần kinh cho dù đó là đúng hay không.