머신러닝과 딥러닝 및 컨볼루셔널 뉴럴네트워크

이 섹션에서는 머신러닝과 딥러닝의 차이점에 대해 알아본다. 기계학습은 많은 양의 데이터와 함께 작용한다. 그것은 소량의 데이터에도 유용하다. 반면에 데이터의 양이 급격히 증가하면 심층 학습이 효율적으로 작용한다. 다음 도표는 데이터의 양으로 기계학습과 심층학습의 작용을 보여준다.딥러닝 알고리즘은 기존의 머신러닝 알고리즘과는 달리 하이엔드 머신에 크게 의존하도록 설계되었다. 딥러닝 알고리즘은 다수의 매트릭스 곱셈 연산을 수행하는데, 여기에는 대량의 하드웨어 지원이 필요하다.형상 공학은 데이터의 복잡성을 줄이고 그것이 작동하는 학습 알고리즘에 가시적인 패턴을 만들기 위해 도메인 지식을 특정 형상에 넣는 과정이다. 예제: 전통적인 기계 학습 패턴은 픽셀과 기능 엔지니어링 프로세스에 필요한 다른 속성에 초점을 맞춘다. 딥러닝 알고리즘은 데이터로부터 높은 수준의 기능에 초점을 맞춘다. 그것은 모든 새로운 문제의 새로운 특징 추출기를 개발해야 하는 과제를 줄인다.전통적인 기계 학습 알고리즘은 문제를 해결하기 위한 표준 절차를 따른다. 그것은 문제를 부분으로 나누고, 각각의 문제를 해결하고, 그것들을 결합하여 필요한 결과를 얻는다. 깊은 학습은 문제를 분열로 분해하는 대신 끝에서 끝까지 해결하는 데 초점을 맞춘다.실행 시간은 알고리즘을 훈련시키는 데 필요한 시간이다. 심층 학습은 보통 때보다 시간이 더 오래 걸리는 많은 매개변수를 포함하고 있기 때문에 훈련하는 데 많은 시간이 필요하다. 기계 학습 알고리즘은 상대적으로 실행 시간이 덜 필요하다. 해석가능성은 기계학습과 심층학습 알고리즘의 비교를 위한 주요 요인이다. 그 주된 이유는 심오한 학문이 여전히 산업에서 사용되기 전에 다시 한 번 생각하게 되기 때문이다.이 섹션에서는 머신러닝과 딥러닝의 다양한 응용에 대해 알아본다.  지문이나 번호판을 통한 차량 식별을 통한 얼굴 인식 및 출석 표시에 사용되는 컴퓨터 비전.  이미지 검색을 위한 텍스트 검색과 같은 검색 엔진의 정보 검색.  특정 표적 식별 기능을 갖춘 자동화된 이메일 마케팅.  암 종양의 의학 진단 또는 만성 질환의 이상 식별  사진 태그 지정과 같은 애플리케이션을 위한 자연스러운 언어 처리. 이 시나리오를 설명하는 가장 좋은 예는 페이스북에서 사용된다.  온라인 광고.데이터 과학과 기계 학습을 산업에서 사용하는 경향이 증가함에 따라, 각 조직들이 그들의 사업에 기계 학습을 주입하는 것이 중요해질 것이다.  딥러닝은 기계학습보다 더 중요해지고 있다. 딥러닝은 최첨단 공연에서 최고의 기술 중 하나로 입증되고 있다.  기계학습과 심층학습은 연구와 학문분야에서 유익한 것으로 판명될 것이다. 이 기사에서 우리는 기계학습에 대한 개요와 삽화와 차이점 또한 미래의 트렌드에 초점을 맞춘다. 많은 AI 애플리케이션은 주로 셀프 서비스를 추진하고 에이전트 생산성과 워크플로우의 신뢰성을 높이기 위해 머신러닝 알고리즘을 활용한다. 머신러닝과 딥러닝 알고리즘은 많은 기업들과 업계 리더들에게 흥미진진한 전망을 포함하고 있다.이 장에서는 TensorFlow의 기본에 대해 배워볼 것이다. 우리는 텐서의 데이터 구조를 이해하는 것으로 시작할 것이다.텐서는 TensorFlow 언어의 기본 데이터 구조로 사용된다. 텐서는 데이터 흐름 그래프라고 하는 흐름도에서 연결 가장자리를 나타낸다. 텐터는 다차원 배열 또는 목록으로 정의된다. 텐서는 다음과 같은 세 가지 매개변수로 식별된다. 텐서 안에 기술된 치수 단위를 계급이라고 한다. 텐터의 치수를 식별한다. 텐서 등급은 정의된 텐서의 순서 또는 n-치수로 설명할 수 있다.행과 기둥의 수는 텐서의 모양을 정의한다. 텐서플로우에는 다양한 치수가 포함된다. 치수는 아래에 간략하게 설명되어 있다.배열 순서는 "2차원 텐서"를 만드는 데 사용된다. 2차원 텐서의 생성에 대해서는 아래에 기술되어 있다.2차원 텐터의 특정 요소는 인덱스 번호로 지정된 행 번호와 열 번호를 사용하여 추적할 수 있다. 이 섹션에서는 텐서 취급 및 조작에 대해 배우겠다. 우선, 다음 코드를 고려해보자. 위의 소스 코드로 다차원 어레이를 만들었다. 이제, 우리가 텐서스를 관리하고 적절한 출력을 생성하는 그래프와 세션을 만들었음을 이해하는 것이 중요하다. 그래프의 도움으로 텐서 사이의 수학 계산을 명시하는 출력을 얻을 수 있다.기계학습 개념을 이해한 후, 우리는 이제 우리의 초점을 깊은 학습 개념으로 바꿀 수 있다. 심층학습은 기계학습의 한 분야로, 최근 수십 년 동안 연구자들이 취한 중요한 단계로 간주되고 있다.

 

심층 학습 구현의 예에는 이미지 인식 및 음성 인식과 같은 애플리케이션이 포함된다. 다음은 심층신경망의 두 가지 중요한 유형이다:  콘볼루션신경망  재귀신경망 챕터에서는 CNN, Convolutional Neural Networks에 초점을 맞출 것이다.Convolutional Neural 네트워크는 여러 계층의 어레이를 통해 데이터를 처리하도록 설계되었다. 이러한 유형의 신경 네트워크는 이미지 인식이나 얼굴 인식과 같은 어플리케이션에 사용된다. CNN과 다른 일반 신경 네트워크의 주된 차이점은 CNN이 2차원 배열로 입력하여 다른 신경 네트워크가 집중하는 특징 추출에 초점을 맞추기보다는 이미지에 직접 작용한다는 것이다. CNN의 지배적인 접근방식은 인식 문제에 대한 해결책을 포함하고 있다. 구글과 페이스북과 같은 일류 기업들은 더 빠른 속도로 활동을 하기 위해 인식 프로젝트를 위한 연구 개발에 투자했다. 경합신경망은 세 가지 기본 사상을 사용한다:  국소 각 분야  콘볼루션  풀링 이러한 생각을 자세히 이해하도록 한다. CNN은 입력 데이터 내에 존재하는 공간적 상관관계를 이용한다. 신경 네트워크의 각 동시 층은 일부 입력 뉴런을 연결한다. 이 특정 지역을 지역 수용 분야라고 한다. 국소 수용성 장은 숨겨진 뉴런에 초점을 맞춘다. 숨겨진 뉴런은 특정 경계 밖의 변화를 깨닫지 못한 채 언급된 필드 안에서 입력 데이터를 처리한다. 위의 표현을 관찰하면, 각 연결부는 한 층에서 다른 층으로 이동하는 것과 연관된 숨겨진 뉴런의 무게를 배운다. 여기서, 개별 뉴런은 때때로 변화를 일으킨다. 이 과정을 "콘볼루션"이라고 한다. 입력 계층에서 은닉 형상 맵으로의 연결 매핑은 "공유 가중치"로 정의되며, 포함된 바이어스를 "공유 편향"이라고 한다. CNN이나 회교신경망은 CNN 선언 직후 배치되는 풀링 레이어를 사용한다. 그것은 사용자의 입력을 회선망에서 나오는 형상 맵으로 삼고 응축된 형상 맵을 준비한다. 풀링 레이어는 이전 레이어의 뉴런으로 레이어를 만드는 데 도움이 된다.이 섹션에서는 CNN의 TensorFlow 구현에 대해 알아본다. 전체 네트워크의 실행과 적절한 치수가 필요한 단계는 다음과 같다. 1단계: CNN 모델을 계산하는 데 필요한 TensorFlow에 필요한 모듈과 데이터 세트 모듈을 포함하십시오. 데이터 자리 표시자의 선언과 함께 다양한 매개변수와 최적화 변수를 포함하는 run_cnn() 함수를 선언한다. 이러한 최적화 변수는 훈련 패턴을 선언할 것이다.