וואָס איר דאַרפֿן צו וויסן וועגן דער עוואָלוציע פון קינסטלעך סייכל
טיף לערנען איז אַ שטאַרק פאָרעם פון מאַשין וויסן (ML) אַז בויען קאָמפּלעקס מאַטאַמאַטיקאַל סטראַקטשערז גערופן נעוראַל נעטוואָרקס ניצן וואַסט קוואַנאַטיז פון דאַטן (אינפֿאָרמאַציע).
Deep Learning Definition
טיף לערנען איז אַ וועג פון ימפּלאַמענטינג מל ניצן קייפל ליינערז פון נוראַל נעטוואָרקס צו פּראָצעס מער קאָמפּליצירט טייפּס פון דאַטן. מאל גערופן כייעראַרקי לערנען, טיף לערנען ניצט פאַרשידענע טייפּס פון נוראַל נעטוואָרקס צו לערנען פֿעיִקייטן (אויך גערופן רעפּראַזאַנטיישאַנז) און געפינען זיי אין גרויס שטעלט פון רוי, אַנלאַבעליד דאַטן (אַנסטראַקטשערד דאַטן). איינער פון די ערשטער ברייקטרו דעמאַנסטריישאַנז פון טיף לערנען איז געווען אַ פּראָגראַם אַז הצלחה פּיקט בילדער פון קאַץ אויס פון שטעלט פון יאָוטובע ווידיאס.
טיף לערנען ביישפילן אין טעגלעך לעבן
טיף וויסן איז נישט בלויז געניצט אין בילד דערקענונג, אָבער אויך שפּראַך איבערזעצונג, שווינדל דיטעקשאַן, און צו פונאַנדערקלייַבן דאַטן געזאמלט דורך קאָמפּאַניעס וועגן זייער קאַסטאַמערז. פֿאַר בייַשפּיל, נעטפליקס ניצט טיף לערנען צו פונאַנדערקלייַבן דיין וויוינג געוווינהייטן און פאָרויסזאָגן וואָס ווייזט און פילמס וואָס איר בעסער צו היטן. אַז נעטפליקס ווייסט צו שטעלן קאַמף פילמס און נאַטור דאַקיומענטעריעס אין דיין פאָרשלאָג ריי. אַמאַזאָן ניצט טיף לערנען צו פונאַנדערקלייַבן דיין לעצטע פּערטשאַסאַז און זאכן איר ווע לעצטנס געזוכט צו מאַכן פֿירלייגן פֿאַר די נייַ לאַנד מוזיק אַלבומס איר ניטאָ מסתּמא צו זיין אינטערעסירט אין און אַז איר זענט אין דער מאַרק פֿאַר אַ פּאָר פון גרוי און געל טעניס שיכלעך. ווי טיף לערנען גיט מער און מער ינסייט פון אַנסטראַקטשערד און רוי דאַטע, קאָרפּאָריישאַנז קענען בעסער אַנטיסאַפּייט די באדערפענישן פון זייער קאַסטאַמערז בשעת איר, דער יחיד קונה באַקומען מער פערזענליכען קונה דינסט.
אַרטיפיסיאַל נעוראַל נעטוואָרקס און טיף לערנען
צו מאַכן טיף לערנען גרינגער צו פֿאַרשטיין, לאָזן אונדז ריוויזז אונדזער פאַרגלייַך פון אַ קינסטלעך נעוראַל נעץ (אַנן). פֿאַר טיף לערנען, ימאַדזשאַן אונדזער 15-סטאָרי אָפיס בנין אַקיאַפּייז אַ שטאָט בלאָק מיט פינף אנדערע אָפיס געביטן. עס זענען דרייַ בנינים אויף יעדער זייַט פון די גאַס. אונדזער בנין איז בנין א און שאַרעס די זעלבע זייַט פון די גאַס ווי בנינים ב און סי אַריבער די גאַס פון בנין א איז בנין 1, און אַריבער פון בנין ב איז בנין 2, און אַזוי אויף. יעדער בנין האט אַ אַנדערש נומער פון פלאָרז, איז געמאכט פון פאַרשידענע מאַטעריאַלס און האט אַ אַנדערש אַרקאַטעקטשעראַל נוסח פון די אנדערע. אָבער, יעדער בנין איז נאָך עריינדזשד אין באַזונדער פלאָרז (לייַערס) פון אָפאַסאַז (נאָודז), אַזוי יעדער בנין איז אַ יינציק אַנן.
ימאַגינע אַז אַ דיגיטאַל פּעקל קומט אין בנין אַ, מיט אַ פּלאַץ פון פאַרשידענע מינים פון אינפֿאָרמאַציע פון קייפל מקורים אַזאַ ווי טעקסט-באזירט דאַטן, ווידעא סטרימז, אַודיאָ סטרימז, טעלעפאָן רופט, ראַדיאָ כוואליעס און פאָוטאַגראַפס, אָבער ער קומט אין איין גרויס דזשאַמבאַל און איז ניט לייכט אָדער אויסגעדריקט אין קיין לאַדזשיקאַל וועג (אַנסטראַקטשערד דאַטן). די אינפֿאָרמאַציע איז געשיקט דורך יעדער שטאָק אין סדר פון 1 סטן צו 15 טה פֿאַר פּראַסעסינג. נאָך די אינפֿאָרמאַציע צעלאָזן ריטשט די 15 סטן שטאָק (רעזולטאַט), עס איז געשיקט צו די 1 סט שטאָק (אַרייַנשרייַב) פון בנין 3 צוזאמען מיט די לעצט פּראַסעסינג רעזולטאַט פון בנין A. בנין 3 לערנז פון און ינקאָרפּערייץ דער רעזולטאַט געשיקט דורך בנין א און דעריבער פּראַסעסאַז די אינפֿאָרמאַציע דזשאַמד דורך יעדער שטאָק אין די זעלבע שטייגער. ווען די אינפֿאָרמאַציע ריטשאַז די שפּיץ שטאָק פון בנין 3, עס איז געשיקט פון דאָרט מיט די בנין רעזולטאַטן צו בנין 1. בנין 1 לערנז פון און ינקאָרפּערייץ די רעזולטאטן פון בנין 3 איידער פּראַסעסינג עס פלאָר-דורך-שטאָק. בנין 1 פּאַסיז די אינפֿאָרמאַציע און רעזולטאַטן אין די זעלבע וועג צו בנין C, וואָס פּראַסעסאַז און סענדז צו בנין 2, וואָס פּראַסעסאַז און סענדז צו בנין ב.
יעדער אַנן (בנין) אין אונדזער בייַשפּיל זוכן פֿאַר אַ אַנדערש שטריך אין די אַנסטראַקטשערד דאַטן (דזשאַמבאַל פון אינפֿאָרמאַציע) און פּאַסיז די רעזולטאַטן צו די ווייַטער בנין. דער ווייַטער בנין ינקאָרפּערייץ (לערנז) די רעזולטאַט (רעזולטאַטן) פון די פריערדיקע איינער. ווי די דאַטן איז פּראַסעסט דורך יעדער אַנן (בנין), עס איז אָרגאַניזירט און לייבאַלד דורך אַ באַזונדער שטריך אַזוי אַז די דאַטע ריטשאַז די לעצט רעזולטאַט (שפּיץ שטאָק) פון די לעצטע אַנן (בנין), עס איז קלאַסאַפייד און מיטן נאָמען (מער סטראַקטשערד).
אַרטיפיסיאַל ינטעלליגענסע, מאַשין לערנען, און טיף לערנען
ווי טוט טיף וויסן פּאַסיק אין די קוילעלדיק בילד פון קינסטלעך סייכל (יי) און מל? טיף וויסן בוסטז די מאַכט פון מל און ינקריסיז די קייט פון טאַסקס אַי איז טויגעוודיק פון פּערפאָרמינג. ווייַל טיף לערנען רילייז אויף די נוצן פון נעוראַל נעצן און רעקאַגנייזינג פֿעיִקייטן אין דאַטן שטעלט אַנשטאָט פון סימפּלער אַרבעט-ספּעציפיש אַלגערידאַמז , עס קענען געפֿינען און נוצן פרטים פון אַנסטראַקטשערד (רוי) דאַטע אָן די נויט פֿאַר אַ פּראָגראַמיסט צו מאַניואַלי לאַבעל עס ערשטער-אַ מאָל -קאָנסומינג אַרבעט וואָס קענען באַקענען ערראָרס. טיף לערנען איז העלפּינג קאָמפּיוטערס באַקומען בעסער און בעסער אין ניצן דאַטע צו העלפן ביידע קאָרפּעריישאַנז און יחידים.