Apprentissage automatique - Apprentissage en profondeur

Le Deep Learning utilise ANN. Nous allons d'abord examiner quelques applications d'apprentissage en profondeur qui vous donneront une idée de sa puissance.

Applications

Le Deep Learning a connu beaucoup de succès dans plusieurs domaines des applications d'apprentissage automatique.

Self-driving Cars- Les voitures autonomes utilisent des techniques d'apprentissage en profondeur. Ils s'adaptent généralement aux situations de circulation en constante évolution et s'améliorent de plus en plus dans la conduite au fil du temps.

Speech Recognition- Une autre application intéressante du Deep Learning est la reconnaissance vocale. Nous utilisons tous aujourd'hui plusieurs applications mobiles capables de reconnaître notre discours. Siri d'Apple, Alexa d'Amazon, Cortena de Microsoft et Assistant de Google - tous utilisent des techniques d'apprentissage en profondeur.

Mobile Apps- Nous utilisons plusieurs applications Web et mobiles pour organiser nos photos. Détection de visage, identification de visage, marquage de visage, identification des objets dans une image - tout cela utilise l'apprentissage en profondeur.

Opportunités inexploitées du Deep Learning

Après avoir examiné le grand succès des applications d'apprentissage en profondeur dans de nombreux domaines, les gens ont commencé à explorer d'autres domaines dans lesquels l'apprentissage automatique n'était pas encore appliqué. Il existe plusieurs domaines dans lesquels les techniques d'apprentissage en profondeur sont appliquées avec succès et de nombreux autres domaines peuvent être exploités. Certains d'entre eux sont discutés ici.

  • L'agriculture est l'une de ces industries où les gens peuvent appliquer des techniques d'apprentissage en profondeur pour améliorer le rendement des cultures.

  • Le crédit à la consommation est un autre domaine dans lequel l'apprentissage automatique peut grandement aider à détecter rapidement les fraudes et à analyser la capacité de paiement des clients.

  • Des techniques d'apprentissage en profondeur sont également appliquées au domaine de la médecine pour créer de nouveaux médicaments et fournir une prescription personnalisée à un patient.

Les possibilités sont infinies et il faut continuer à regarder les nouvelles idées et développements surgir fréquemment.

Ce qui est nécessaire pour obtenir plus en utilisant le Deep Learning

Pour utiliser l'apprentissage en profondeur, la puissance du calcul intensif est une exigence obligatoire. Vous avez besoin à la fois de la mémoire et du processeur pour développer des modèles d'apprentissage en profondeur. Heureusement, aujourd'hui, nous avons une disponibilité facile de HPC - High Performance Computing. Pour cette raison, le développement des applications d'apprentissage en profondeur que nous avons mentionnées ci-dessus est devenu une réalité aujourd'hui et à l'avenir également, nous pouvons voir les applications dans ces domaines inexploités dont nous avons discuté précédemment.

Nous allons maintenant examiner certaines des limites de l'apprentissage profond que nous devons prendre en compte avant de l'utiliser dans notre application d'apprentissage automatique.

Inconvénients du Deep Learning

Certains des points importants que vous devez prendre en compte avant d'utiliser l'apprentissage profond sont énumérés ci-dessous:

  • Approche de la boîte noire
  • Durée du développement
  • Quantité de données
  • Calcul coûteux

Nous allons maintenant étudier chacune de ces limitations en détail.

Approche de la boîte noire

Un ANN est comme une boîte noire. Vous lui donnez une certaine entrée et il vous fournira une sortie spécifique. Le diagramme suivant vous montre une telle application dans laquelle vous alimentez une image animale vers un réseau neuronal et vous indique que l'image est celle d'un chien.

La raison pour laquelle cela s'appelle une approche de la boîte noire est que vous ne savez pas pourquoi le réseau est arrivé à un certain résultat. Vous ne savez pas comment le réseau a conclu qu'il s'agissait d'un chien? Considérons maintenant une application bancaire dans laquelle la banque souhaite décider de la solvabilité d'un client. Le réseau vous apportera certainement une réponse à cette question. Cependant, saurez-vous le justifier auprès d'un client? Les banques doivent expliquer à leurs clients pourquoi le prêt n'est pas sanctionné?

Durée du développement

Le processus d'entraînement d'un réseau neuronal est décrit dans le diagramme ci-dessous -

Vous définissez d'abord le problème que vous souhaitez résoudre, créez une spécification pour celui-ci, décidez des fonctionnalités d'entrée, concevez un réseau, déployez-le et testez la sortie. Si le résultat ne correspond pas à vos attentes, prenez-le comme un retour pour restructurer votre réseau. Il s'agit d'un processus itératif et peut nécessiter plusieurs itérations jusqu'à ce que le réseau de temps soit entièrement formé pour produire les résultats souhaités.

Quantité de données

Les réseaux d'apprentissage en profondeur nécessitent généralement une énorme quantité de données pour la formation, tandis que les algorithmes d'apprentissage automatique traditionnels peuvent être utilisés avec un grand succès, même avec seulement quelques milliers de points de données. Heureusement, l'abondance des données augmente de 40% par an et la puissance de traitement du processeur augmente de 20% par an, comme le montre le diagramme ci-dessous -

Calcul coûteux

La formation d'un réseau de neurones nécessite plusieurs fois plus de puissance de calcul que celle requise pour exécuter des algorithmes traditionnels. Une formation réussie sur des réseaux de neurones profonds peut nécessiter plusieurs semaines de formation.

Contrairement à cela, les algorithmes d'apprentissage automatique traditionnels ne prennent que quelques minutes / heures pour s'entraîner. En outre, la quantité de puissance de calcul nécessaire pour entraîner un réseau neuronal profond dépend fortement de la taille de vos données et de la profondeur et de la complexité du réseau?

Après avoir eu un aperçu de ce qu'est le Machine Learning, de ses capacités, de ses limites et de ses applications, plongeons-nous maintenant dans l'apprentissage «Machine Learning».