Deep Learning,,en,Deep обучение е един от най-големите нововъведения е пълната история на компютърните науки,,en,Това е единствената концепция, която действително може да позволи на изкуствени машини за надмине себе си човешкия интелект,,en,приложения на дълбоко обучение вече са успели да надхитрят някои от най-великите хора в собствената им игра,,en,компютър, известен като Deep Blue действително успя да победи шампион по шахмат Гари Каспаров през далечната,,en,По-нова пример е Go мача на AlphaGo срещу,,en,Лий Sedol,,en,което е изключително интересно,,en,Но как е дълбоко живот се превръща в огромен аспект от изкуствена интелигентна,,en,самият дизайн,,en,Какво точно е дълбоко изучаване,,en,Голям въпрос, който възниква, когато някой види постиженията на дълбоко изучаване на базата на AI система е какво точно е дълбоко изучаване,,en,Deep обучение,,en,просто казано,,en
Deep learning is one of the biggest innovations is the complete history of computer science. This is the only concept which actually can allow man made machines to surpass human intelligence itself. In fact, applications of deep learning have already managed to outsmart some of the greatest humans in their own game. For example, a computer known as Deep Blue actually managed to defeat the chess champion Gary Kasparov way back in 1997. A newer example is the Go match of AlphaGo vs. Lee Sedol, which is extremely interesting. But how is deep learning becoming a huge facet of artificial intelligent (AI) design itself?
What exactly is deep learning?
A big question that arises when someone sees the achievements of a deep learning-based AI system is what exactly is deep learning? Deep learning, simply put, е специален вид машина процедура учене, където вместо традиционните алгоритми,,en,невронни мрежи се използват,,en,Тези изкуствени невронни мрежи на базата на изкуствен интелект системи се оказват изключително полезни за човечеството,,en,и те се намери широка употреба в областта на науката и бизнеса, така,,en,Deep живот се превръща в много по-дълбоко,,en,Концепцията на изкуствените невронни мрежи е около продължение на около половин век,,en,концепцията за дълбоко изучаване е около от началото на 90-те години,,en,Но дълбоко живот напоследък е станал по-популярен от всякога,,en,Причината за това е, че началото на дълбоки алгоритми за обучение са били първобитни в природата,,en,Машинното обучение изисква огромно количество обозначени и необозначени данни, например изображения и текстове, за да се научат правилно,,en,Преди датата на интернет,,en, neural networks are used. These artificial neural network-based AI systems are proving to be extremely useful for humankind, and they are finding extensive usage in the field of both science and business.
Deep learning is becoming much deeper
The concept of artificial neural networks has been around for about half a century. Also, the concept of deep learning has been around since the early-90s. But deep learning has recently become more popular than ever before. The reason behind this is that early deep learning algorithms were primitive in nature. Machine learning requires an immense amount of labeled and unlabeled data such as images and texts in order to learn properly. Before the day of internet, данни е изключително трудно да се сдобият с тъй като е имало много малко производители на данни,,en,Този проблем е решен с пристигането на World Wide Web,,en,В интернет се оказва огромен и лесен източник на данни, която може да се използва за задвижване на алгоритми за обучение на системата за учене дълбоко,,en,Най-големите производители на данни в интернет, са различните сайтове за социални контакти като Facebook,,en,Twitter и Instagram,,en,което осигурява на учените данни с двете обозначени и необозначени случаи на данни,,en,Друго голямо предизвикателство, което влияе на развитието на дълбоки системите за учене през 1990 г. беше процесорна мощ на компютрите,,en,В онези времена,,en,изчислителна мощ на компютрите не са дори близо до процесорна мощ текущата поколение,,en,Нова технология, например съвременни процесори,,en,Централен процесор,,en. This problem was solved with the arrival of the World Wide Web. The internet proved to be a huge and easy source of data which could be used to drive the learning algorithms of the deep learning system. The biggest data producers in the internet are the various social networking sites like Facebook, Twitter and Instagram, which provides data scientists with both labeled and unlabeled instances of data.
Another major challenge which affected the development of deep learning systems in the 1990s was the processing power of the computers. At those times, the processing power of computers weren’t even close to current-generation’s processing power. New technology such as advanced CPUs (Central Processing Unit) и паметта са значително увеличен със скоростта на съвременните компютри,,en,Друга много важна технология, която влияе на скоростта на такива дълбоки системи за обучение е изчислителни облаци,,en,Облачният компютинг позволява изключително висока скорост на работа, както и голямо количество памет, с помощта на разпределени системи,,en,Как дълбоки учебни произведения,,en,Deep обучение използва много концепция и динамични алгоритми, за да научат нещо от парче от данни,,en,когато изображението на лицето на човека, се предоставя на системата за учене дълбоко за изучаване на идентификация,,en,системата за учене дълбоко внимателно да се анализира формата на най-изявените черти на лицето,,en,Това може да включва функции, като очите,,en,нос,,en,веждите и устните,,en,Тези функции не са само най-известните характеристики,,en,но са и най-често срещаните характеристики,,en. Another very important technology that is influencing the speed of such deep learning systems is cloud computing. Cloud computing allows extremely fast computing speeds and a large amount of storage with the help of distributed systems.
How does deep learning works?
Deep learning uses very concept and dynamic algorithms to learn something from a piece of data. For example, when an image of a person’s face is provided to the deep learning system for learning identification, the deep learning system carefully analyze the shape of the most prominent features of the face. This may include features like the eyes, nose, eyebrows and lips. These features are not only the most prominent features, but are also the most common features. Deep обучение има няколко мрежи за анализ на изображението,,en,Всеки един от тези изкуствени невронни мрежи се фокусира върху определена част от данните и да ги анализира,,en,По този начин,,en,изображение се предоставя на невронни мрежи и те го сканира за бъдещи приложения,,en,Истории на успеха с дълбоко машини за учене,,en,Дълбоки учебни машини постепенно се много полезни за много институции наведнъж,,en,Пример за това е езиковия превод,,en,Докато нормалните преводачи работят за превръщането на част от текст на друг език, като просто превод на всяка дума и след това да се променя редът според граматиката на езика мишена,,en,дълбоки учене на базата преводачи внимателно сканират целия текст,,en,и след това се образуват мрежа с всички възможни преводи на всяка дума,,en. Each of these artificial neural networks focuses on a certain part of the data and analyses it. In this way, an image is provided to the neural networks and they scan it for future uses.
Success stories of deep learning machines
Deep learning machines are gradually becoming very useful for many institutions at once. An example is language translation. While normal translators work towards translating a piece of text to another language by simply translating each word and then changing the order according to the target language’s grammar, deep learning based translators carefully scan all the text, and then form a network with all the possible translations of each word. Тази мрежа ще им помогне да се поставят фрази в съответните области,,en,не само граматически правилни райони,,en,Друг основен район, където дълбоките системи за обучение са показали високи постижения е областта на извличане на данни,,en,Извличането на информация помага на учените данни за придобиване на много и много данни за машината за правене на обучението много по-лесно,,en,Google използва специален дълбоко система за обучение, за да се подобри качеството на своите гласови услуги, базирани на,,en,Тази система се научава повече за речеви модели на човешко същество, като анализира различните гласови проби, които идват пътя си,,en,Друг пример за такава употреба е чрез Twitter,,en,който ползва преки методи на обучение за премахване на определено съдържание, вредни за общността,,en,дълбоко Може учене наистина направи взаимодействието човек-компютър по-добре,,en, not just grammatically correct areas.
Another major area where deep learning systems have shown excellence is the field of data mining. Data mining helps data scientists to acquire lots and lots of data for making machine learning much easier. For example, Google uses a special deep learning system in order to enhance the quality of its voice-based services. This system learns more about the speech patterns of a human being by analyzing the various voice samples that come its way. Another example of such a use is by Twitter, which uses deep learning methods for removing certain content harmful for the community.
Can deep learning really make human-computer interaction better?
Най-вълнуващото полето, където може да се прилага дълбоко обучение е областта на взаимодействие машина човек,,en,Дълбоки системи за обучение постепенно се много напреднали,,en,което означава, че те са бавно започват да разбират емоциите,,en,езици и дори морал,,en,Това ще позволи на изключително подобен на човешки начин за машините, за да общуват с хора,,en,Нова технология, като разпознаване на лица и езикови алгоритми за обработка ще бъдат ключовите технологии в тези взаимодействия,,en,Ще има ли някакви усложнения,,en,Усложнения са всъщност присъстват в почти всяка нова и амбициозна технология, която никога не е бил създаден,,en,най-напред, че е,,en,Същият е случаят с естествени комуникации с дълбоки системи за обучение,,en,За начало,,en. Deep learning systems are gradually becoming very advanced, which means that they are slowly starting to understand emotions, languages and even morality. This will allow an extremely human-like way for the machines to communicate with human beings. New technology such as facial recognition and language processing algorithms will be the key technologies for these interactions.
Will there be any complications?
Complications are actually present in nearly every new and ambitious technology that has ever been created, at first that is. Same is the case with natural communications with deep learning systems. For starters, сегашната технология все още не е достатъчно добър, за да позволи дълбоки системи за обучение достигнат това ниво,,en,И двете зрителни и говорни технологии все още са на възраст, освен тази на реални хора,,en,сегашната мощ все още не е успял да достигне до сложността на човешкия мозък,,en,невронна мрежа днес може да има само за обработка на силата на мозъка проста жаба,,en,Най-големият проблем е,,,en,самата човешка психика,,en,Както дълбоки учебните компютри се развиват,,en,те се учат неща, които са научени да ги от самите човешки същества,,en,собствени стереотипи и предразсъдъци човека пълзят в системата,,en,Това може да бъде много вредно като крайният резултат от такава система може да бъде много незадоволителни,,en,Дълбоки системи за обучение са следващата стъпка в областта на програмирането AI,,en. Both visual and speech technologies are still ages apart from that of real humans. Also, the current processing power has still not managed to reach the complexity of a human brain. In fact, a neural network today can only have the processing power of a simple frog’s brain.
The biggest problem is, however, human mentality itself. As deep learning computers are developing, they are learning things that are taught to them by human beings themselves. Slowly, man’s own stereotypes and prejudices are creeping into the system. This can be very harmful as the end result of such a system may be very unsatisfactory.
Deep learning systems are the next step in the field of AI programming. Те могат да бъдат много полезни за човешкия организъм се докаже и да ги подпомогне в почти всяка област, в съществуването,,en,но и за хората, които ще трябва да развият тези системи внимателно първо,,en, but for that humans will have to develop these systems carefully first.
