Cơ bản về Deep Learning (I)


Deep Learning (học sâu) đã trở thành một từ thông dụng trong những ngày gần đây trong lĩnh vực Trí tuệ nhân tạo (AI). Trong nhiều năm, chúng ta đã sử dụng Học máy (Machine Learning - ML) để truyền đạt trí thông minh cho máy móc. Trong những ngày này, học sâu đã trở nên phổ biến hơn do tính ưu việt trong dự đoán so với các kỹ thuật ML truyền thống.

Cơ bản về Deep Learning  (I) 


Về cơ bản, Deep Learning có nghĩa là đào tạo một Mạng thần kinh nhân tạo (ANN) với một lượng dữ liệu khổng lồ. Trong học sâu, mạng tự học và do đó yêu cầu dữ liệu khổng lồ để học. Trong khi máy học truyền thống về cơ bản là một tập hợp các thuật toán phân tích dữ liệu và học hỏi từ nó. Sau đó, chúng sử dụng cách học này để đưa ra các quyết định thông minh.

Bây giờ, đến với Keras, nó là một API mạng thần kinh cấp cao chạy trên TensorFlow - một nền tảng học máy mã nguồn mở end-to-end. Sử dụng Keras, bạn dễ dàng xác định các kiến trúc ANN phức tạp để thử nghiệm trên dữ liệu lớn. Keras cũng hỗ trợ GPU, thứ trở nên cần thiết để xử lý lượng dữ liệu khổng lồ và phát triển các mô hình học máy.

Trong hướng dẫn này, bạn sẽ học cách sử dụng Keras trong việc xây dựng mạng nơ-ron sâu. Chúng ta sẽ xem xét các ví dụ thực tế để giảng dạy. Vấn đề hiện tại là việc nhận dạng các chữ số viết tay bằng cách sử dụng mạng nơ-ron được đào tạo với phương pháp học sâu.

Để giúp bạn hào hứng hơn trong việc học sâu, dưới đây là ảnh chụp màn hình về các xu hướng của Google về học sâu tại đây.

Cơ bản về Deep Learning  (I) 

Ảnh chụp màn hình Google xu hướng

Như bạn có thể thấy từ sơ đồ, mối quan tâm đến việc học sâu đang tăng dần trong vài năm qua. Có nhiều lĩnh vực như thị giác máy tính, xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói, tin sinh học, thiết kế thuốc… nơi học sâu đã được áp dụng thành công. Hướng dẫn này sẽ giúp bạn nhanh chóng bắt đầu học sâu.

Mời bạn đón đọc phần tiếp theo Cơ bản về Deep Learning  (II)

Thành viên mới đăng
Top