Deep Learning
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, ceisiadau o ddysgu dwfn eisoes wedi llwyddo i oresgyn rhai o'r bobl mwyaf yn eu gêm eu hunain,,en,cyfrifiadur a elwir yn Deep Blue mewn gwirionedd yn llwyddo i drechu'r bencampwr gwyddbwyll Gary Kasparov ffordd yn ôl yn,,en,Enghraifft mwy newydd yn y gêm Go o AlphaGo vs,,en,Lee SEDOL,,en,sy'n hynod o ddiddorol,,en,Ond sut yn dysgu dwfn yn dod yn agwedd enfawr o deallus artiffisial,,en,dylunio ei hun,,en,Beth yn union yw dysgu dwfn,,en,Mae cwestiwn mawr sy'n codi pan fydd rhywun yn gweld cyflawniadau system AI dysgu yn-dwfn yw beth yn union yw dysgu dwfn,,en,dysgu Deep,,en,ei roi yn syml,,en. 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, yn fath arbennig o beiriant drefn dysgu lle yn lle algorithmau traddodiadol,,en,rhwydweithiau niwral yn cael eu defnyddio,,en,Mae'r systemau hyn yn seiliedig AI rhwydwaith-nerfol artiffisial yn profi i fod yn hynod o ddefnyddiol ar gyfer ddynoliaeth,,en,ac maent yn ei chael defnydd helaeth ym maes gwyddoniaeth a busnes,,en,dysgu Deep yn dod yn llawer dyfnach,,en,Mae'r cysyniad o rwydweithiau niwral artiffisial wedi bod o gwmpas am tua hanner canrif,,en,y cysyniad o ddysgu dwfn wedi bod o gwmpas ers dechrau'r 90au,,en,Ond mae dysgu dwfn wedi dod yn fwy poblogaidd yn ddiweddar nag erioed o'r blaen,,en,Y rheswm tu ôl i hyn yw bod algorithmau dysgu dwfn cynnar yn cyntefig eu natur,,en,dysgu Peiriant yn gofyn llawer iawn o ddata wedi'u labelu a unlabeled megis delweddau a thestunau er mwyn dysgu yn iawn,,en,Cyn y diwrnod y rhyngrwyd,,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, data yn hynod anodd cael gafael gan fod llai iawn gynhyrchwyr data,,en,Roedd y broblem hon ei datrys gyda dyfodiad y We Fyd-Eang,,en,Profodd Mae'r rhyngrwyd yn ffynhonnell enfawr ac yn hawdd o ddata y gellid ei ddefnyddio i yrru'r algorithmau dysgu y system ddysgu dwfn,,en,Mae'r cynhyrchwyr data mwyaf yn y rhyngrwyd yn y gwahanol safleoedd rhwydweithio cymdeithasol fel Facebook,,en,Twitter a Instagram,,en,sy'n darparu gwyddonwyr data gyda'r ddau achos wedi'u labelu a unlabeled o ddata,,en,her fawr arall a effeithiodd ar y gwaith o ddatblygu systemau dysgu yn ddwfn yn y 1990au oedd y pŵer prosesu cyfrifiaduron,,en,Ar yr adegau hynny,,en,nid yw'r pŵer prosesu o gyfrifiaduron yn hyd yn oed yn agos at bŵer prosesu ar hyn o bryd-genhedlaeth yn,,en,Mae technoleg newydd megis CPUs uwch,,en,Uned Prosesu Ganolog,,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) and memory have greatly enhanced the speed of the modern computers. 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. Mae gan ddysgu dwfn nifer o rwydweithiau ar gyfer dadansoddi'r ddelwedd,,en,Mae pob un o'r rhwydweithiau niwral hyn yn canolbwyntio ar ran benodol o'r data a'i ddadansoddi,,en,rhoddir delwedd i'r rhwydweithiau nefol ac maent yn ei sganio ar gyfer defnyddiau yn y dyfodol,,en,Storïau llwyddiant o beiriannau dysgu dwfn,,en,Mae peiriannau dysgu dwfn yn dod yn ddefnyddiol iawn i lawer o sefydliadau ar unwaith,,en,Enghraifft yw cyfieithu iaith,,en,Er bod cyfieithwyr arferol yn gweithio tuag at gyfieithu darn o destun i iaith arall trwy gyfieithu pob gair yn syml ac yna newid y gorchymyn yn ôl gramadeg yr iaith darged,,en,mae cyfieithwyr dysgu dwfn yn sganio'r holl destun yn ofalus,,en,ac yna ffurfio rhwydwaith gyda phob cyfieithiad posibl o bob gair,,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. Mae'r rhwydwaith hwn yn eu helpu i osod y brawddegau mewn ardaloedd priodol,,en,nid dim ond ardaloedd ramadegol gywir,,en,Arall faes pwysig lle mae systemau dysgu dwfn wedi dangos rhagoriaeth yn y maes cloddio data,,en,cloddio data yn helpu gwyddonwyr data i gaffael llawer a llawer o ddata ar gyfer gwneud dysgu yn llawer haws peiriant,,en,Google yn defnyddio system dysgu dwfn arbennig er mwyn gwella ansawdd ei gwasanaethau yn y llais-,,en,Mae'r system hon yn dysgu mwy am y patrymau siarad o bod dynol trwy ddadansoddi'r samplau gwahanol llais sy'n dod ei ffordd,,en,enghraifft arall o ddefnydd o'r fath yw trwy Twitter,,en,sy'n defnyddio dulliau dysgu dwfn ar gyfer cael gwared cynnwys rhai niweidiol ar gyfer y gymuned,,en,A all ddwfn dysgu wir yn gwneud rhyngweithio dynol-gyfrifiadur yn well,,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?
Y maes mwyaf cyffrous lle gellir defnyddio dysgu dwfn yw maes rhyngweithio peiriant-dynol,,en,Mae systemau dysgu dwfn yn dod yn raddol iawn yn raddol,,en,sy'n golygu eu bod yn dechrau araf yn deall emosiynau,,en,ieithoedd a hyd yn oed moesoldeb,,en,Bydd hyn yn caniatáu ffordd ddynol iawn i'r peiriannau gyfathrebu â bodau dynol,,en,Technoleg newydd fel cydnabyddiaeth wyneb a algorithmau prosesu iaith fydd y technolegau allweddol ar gyfer y rhyngweithiadau hyn,,en,A fydd unrhyw gymhlethdodau,,en,Mae cymhlethdodau mewn gwirionedd yn bresennol ym mron pob dechnoleg newydd ac uchelgeisiol sydd erioed wedi'i chreu,,en,ar y dechrau, hynny yw,,en,Mae'r un peth yn wir gyda chyfathrebu naturiol â systemau dysgu dwfn,,en,I ddechrau,,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, nid yw'r dechnoleg bresennol yn dal i fod yn ddigon da er mwyn caniatáu i systemau dysgu dwfn gyrraedd y lefel hon,,en,Mae technolegau gweledol a lleferydd yn dal i fod yn wahanol i bobl go iawn,,en,nid yw'r pŵer prosesu presennol wedi llwyddo i gyrraedd cymhlethdod ymennydd dynol,,en,dim ond pŵer prosesu ymennydd syml y broga sydd â rhwydwaith niwral heddiw,,en,Y broblem fwyaf yw,,en,meddylfryd dynol ei hun,,en,Wrth i gyfrifiaduron dysgu dwfn ddatblygu,,en,maent yn dysgu pethau sy'n cael eu haddysgu iddynt gan fodau dynol eu hunain,,en,mae stereoteipiau a rhagfarnau dyn eu hunain yn ymledu i'r system,,en,Gall hyn fod yn niweidiol iawn gan y gallai canlyniad y fath system fod yn anfoddhaol iawn,,en,Systemau dysgu dwfn yw'r cam nesaf ym maes rhaglennu 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. Gallant brofi eu bod yn fuddiol iawn i fodau dynol a gallant eu cynorthwyo ym mron pob maes sy'n bodoli,,en,ond bydd yn rhaid i'r dynion hynny ddatblygu'r systemau hyn yn ofalus yn gyntaf,,en, but for that humans will have to develop these systems carefully first.
