Wat is Deep Learning?

Deep Learning gedefinieerd

Deep Learning is een type machine learning dat gebruikmaakt van kunstmatige neurale netwerken om digitale systemen in staat te stellen te leren en beslissingen te nemen op basis van ongestructureerde, niet-gelabelde gegevens.

Machine learning traint AI-systemen om te leren van opgedane ervaringen met gegevens, patronen te herkennen, aanbevelingen te doen en zich aan te passen. In plaats van alleen te reageren op sets van regels, bouwen deep learning-systemen kennis op uit voorbeelden en gebruiken die kennis om te reageren, zich te gedragen en te presteren als mensen.

Belangrijke punten

Deep learning is een type machine learning dat leren en besluitvorming in digitale systemen vergemakkelijkt.

Deep learning vertrouwt op neurale netwerkarchitecturen die de functionaliteit van de menselijke hersenen nabootsen.

Ontwikkelaars vertrouwen op deep learning-frameworks zoals TensorFlow of PyTorch om complexe machine learning-modellen gemakkelijker te implementeren.

Industrieën maken op verschillende manieren gebruik van deep learning. Chatbots, zelfrijdende auto's en digitale assistenten zijn allemaal voorbeelden van technologieën die deep learning gebruiken.

Bedrijven in verschillende sectoren investeren in deep learning om innovatie te stimuleren, nieuwe kansen te ontdekken en inzichten uit enorme datasets te onthullen.

Waarom Deep Learning ertoe doet

Gegevenswetenschappers en ontwikkelaars gebruiken Deep Learning-software om computers te trainen om grote en complexe datasets te analyseren, ingewikkelde en niet-lineaire taken uit te voeren en te reageren op tekst, spraak of beelden; vaak sneller en nauwkeuriger dan mensen. Deze mogelijkheden hebben veel praktische toepassingen en hebben veel moderne innovaties mogelijk gemaakt. Deep Learning is bijvoorbeeld wat auto's zonder bestuurder gebruiken om beelden te verwerken en onderscheid te maken tussen andere objecten onderweg of wat je smart home-apparaten gebruiken om je spraakopdrachten te begrijpen.

Deep learning is belangrijk omdat, naarmate de datavolumes toenemen en de rekenkracht krachtiger en betaalbaarder wordt, bedrijven in de detailhandel, Gezondheidszorg, transport, productie, technologie en andere sectoren investeren in deep learning om innovatie te stimuleren en relevant te blijven.

De werking van deep learning

Deep Learning berust op neurale netwerkarchitecturen in meerdere lagen, krachtige grafische verwerkingseenheden in de cloud of op clusters, en grote hoeveelheden gelabelde gegevens om zeer hoge niveaus van tekst-, spraak- en beeldherkenningsnauwkeurigheid te bereiken. Al die kracht kan je ontwikkelaars helpen digitale systemen te creëren die menselijke intelligentie nabootsen en de tijd tot waarde verkorten door de modeltraining van weken naar uren te versnellen.

Voor een model zonder stuurprogramma kunnen voor de training bijvoorbeeld duizenden video-uren en miljoenen afbeeldingen nodig zijn. Zonder Deep Learning kan dit niveau van training niet op schaal worden uitgevoerd.

Wat is een Deep Learning-framework?

Om complexe machine learning eenvoudiger te implementeren, maken ontwikkelaars gebruik van Deep Learning-frameworks zoals TensorFlow of PyTorch. Deze frameworks helpen bij het stroomlijnen van gegevensverzameling, wat vervolgens kan worden gebruikt om neurale netwerken te trainen. Bovendien kunnen accelerators zoals ONNX Runtime worden gebruikt met deze frameworks om de training en de deductie van modellen te versnellen.

Deep Learning-modellen trainen

Er zijn verschillende strategieën en methoden voor het trainen van Deep Learning-modellen. Laten we er eens een paar nader bekijken.

Leren onder supervisie

Met leren onder supervisie wordt een algoritme getraind op gegevenssets die zijn gelabeld. Dit betekent dat wanneer het algoritme een beslissing maakt over een stukje informatie, het de labels kan gebruiken die zijn opgenomen in de gegevens om te controleren of die beslissing juist is. Bij leren onder supervisie moeten de gegevens waarmee modellen worden getraind, worden verstrekt door mensen, die de gegevens labelen voordat ze worden gebruikt om het algoritme te trainen.

Leren zonder supervisie

Met leren zonder supervisie worden algoritmen getraind op gegevens die geen labels of informatie bevatten die het algoritme kan gebruiken om de bepaling ervan te controleren. In plaats daarvan sorteert en classificeert het systeem de gegevens op basis van de patronen die het zelf herkent.

Bekrachtigend leren

Met Reinforcement Learning lost een systeem taken op met behulp van trial-and-error om een reeks beslissingen op volgorde te nemen en een beoogd resultaat te bereiken, zelfs in een omgeving die niet eenvoudig is. Bij bekrachtigend leren gebruikt het algoritme geen gegevenssets om te bepalen, maar informatie die wordt verzameld uit een omgeving.

Deep reinforcement learning

Wanneer Deep Learning- en Reinforcement Learning-technieken worden gecombineerd, ontstaat een vorm van machine learning die Deep Reinforcement Learning wordt genoemd. Deep Reinforcement Learning maakt gebruik van dezelfde trial-and-error besluitvorming en complexe doelprestaties als bekrachtigend leren, maar is ook afhankelijk van Deep Learning-mogelijkheden voor het verwerken en zinvol maken van grote hoeveelheden ongestructureerde gegevens.

Waar wordt Deep Learning voor gebruikt?

Deep Learning wordt binnen bedrijven in diverse branches gebruikt voor een breed scala aan use cases. Hier volgen enkele voorbeelden van hoe Deep Learning vaak wordt gebruikt:

Beeld-, spraak- en emotieherkenning

Deep Learning-software wordt gebruikt om de nauwkeurigheid van beeld-, spraak- en emotieherkenning te verhogen en om het zoeken naar foto's, persoonlijke digitale assistenten, voertuigen zonder bestuurder, openbare veiligheid, digitale beveiliging en andere intelligente technologieën mogelijk te maken.

Chatbots

Slimme bedrijven gebruiken Deep Learning om online chatbots die tekst- of spraakgestuurd zijn aan te sturen voor veelgestelde vragen, routinetransacties en met name voor klantondersteuning. Ze vervangen teams van serviceagents en wachtrijen van wachtende klanten door geautomatiseerde, contextueel geschikte en nuttige antwoorden.

Voertuigen zonder bestuurder

Zelfrijdende auto's gebruiken deep learning-algoritmen om meerdere dynamische datastromen in splitseconden te verwerken en sneller op onverwachte situaties te reageren dan een menselijke bestuurder.

Op maat gemaakte ervaringen

Streamingdiensten, e-commerce retailers en andere bedrijven gebruiken Deep Learning-modellen om geautomatiseerde aanbevelingen te doen voor producten, films, muziek of andere services en om de ervaringen van klanten te perfectioneren op basis van hun aankoopgeschiedenis, gedrag in het verleden en andere gegevens.

Persoonlijke digitale assistenten

Spraakgestuurde persoonlijke digitale assistenten maken gebruik van Deep Learning om spraak te verstaan, adequaat te reageren op vragen en opdrachten in natuurlijke taal en zelfs af en toe een knipoog te geven.

Neurale netwerken begrijpen

Neurale netwerken zijn digitale architecturen die zijn ontworpen om de activiteit van de menselijke hersenen na te bootsen. Ze bestaan uit onderling verbonden knooppunten die data verwerken en ervan leren, waardoor taken zoals patroonherkenning en besluitvorming in machine learning mogelijk worden. Bedrijven en andere instellingen vertrouwen op deze modellen voor financiële prognoses, verkoopstrategieën en andere zakelijke beslissingen.

Wat zijn neurale netwerken?

Een kunstmatig neuraal netwerk is een digitale architectuur die menselijke cognitieve processen nabootst om complexe patronen te modelleren, voorspellingen te ontwikkelen en op de juiste wijze te reageren op externe stimuli. Gestructureerde gegevens zijn vereist voor veel soorten machine learning en neurale netwerken, die gebeurtenissen in de hele wereld kunnen interpreteren als gegevens die kunnen worden verwerkt.

Steeds wanneer je een rapport leest, naar een film kijkt, in een auto rijdt of aan een bloem ruikt, verwerken miljarden neuronen in je hersenen de informatie via minuscule elektrische signalen. Elk neuron verwerkt invoer en de resultaten worden doorgegeven aan het volgende neuron voor verdere verwerking, wat uiteindelijk en onmiddellijk een zakelijk inzicht, een lach, een voet op de rem of een beetje vreugde oplevert. In machine learning stellen neurale netwerken digitale systemen in staat om situaties op een vergelijkbare manier te interpreteren en erop te reageren.

Een kunstmatig neuraal netwerk is als een hersen vol digitale neuronen. Hoewel de meeste rudimentaire imitaties van het echte werk zijn, kunnen ze nog steeds grote hoeveelheden niet-lineaire data verwerken om complexe problemen op te lossen die anders menselijke tussenkomst zouden vereisen. Bankanalisten kunnen bijvoorbeeld kunstmatige neurale netwerken gebruiken om leningaanvragen te verwerken en de waarschijnlijkheid van wanbetaling van een aanvrager te voorspellen.

Wat je kunt doen met neurale netwerken

In machine learning worden neurale netwerken gebruikt voor het leren en modelleren van complexe, vluchtige invoer en uitvoer, het afleiden van niet-geziene relaties en het doen van voorspellingen zonder beperkingen voor gegevensdistributie. Neurale netwerkmodellen vormen de basis voor veel Deep Learning-toepassingen, zoals computervisie en natuurlijke taalverwerking, die kunnen helpen bij de bescherming tegen fraude, gezichtsherkenning of zelfrijdende voertuigen.

De meeste bedrijven vertrouwen op prognoses om zakelijke beslissingen, verkoopstrategieën, financieel beleid en het gebruik van middelen te onderbouwen. Maar de beperkingen van traditionele prognoses maken het vaak moeilijk om complexe, dynamische processen met meervoudige en vaak verborgen onderliggende factoren, zoals de beurskoersen, te voorspellen. Deep learning neurale netwerken helpen complexe niet-lineaire relaties en onzichtbare factoren bloot te leggen, zodat bedrijven nauwkeurigere voorspellingen kunnen ontwikkelen.

Veelvoorkomende neurale netwerken

Er zijn tientallen verschillende soorten neurale AI-netwerken en elk netwerk is geschikt voor verschillende Deep Learning-toepassingen. Gebruik een ANN die geschikt is voor uw bedrijfs- en technologievereisten. Hier zijn enkele voorbeelden van veelvoorkomende neurale AI-netwerken:

Convolutioneel neuraal netwerk
Ontwikkelaars gebruiken een convolutioneel neuraal netwerk om AI-systemen te helpen afbeeldingen om te zetten in digitale matrices. CNN's worden voornamelijk gebruikt voor afbeeldingsclassificatie en objectherkenning en zijn geschikt voor gezichtsherkenning, onderwerpdetectie en sentimentanalyses.

Deconvolutioneel neuraal netwerk
Als complexe of hoge-volume netwerksignalen verloren gaan of verward raken met andere signalen, helpt een deconvolutioneel neuraal netwerk om ze te vinden. Deconvolutionele neurale netwerken zijn nuttig voor het verwerken van hoge-resolutie afbeeldingen en optische flow-schattingen.

Generatief tegenstrijdig netwerk (GAN)
Ingenieurs gebruiken een GAN om modellen te trainen in het genereren van nieuwe informatie of materiaal dat de specifieke eigenschappen van de trainingsdata nabootst. GAN's helpen de modellen subtiele verschillen tussen originelen en kopieën te onderscheiden om meer verificerende kopieën te maken. GAN-toepassingen omvatten hoogwaardige afbeelding- en videogeneratie, geavanceerde gezichtsherkenning en superresolutie.

Terugkerend neuraal netwerk (RNN)
Een RNN voert gegevens in naar verborgen lagen met specifieke tijdsvertragingen. Netwerkcomputing is verantwoordelijk voor historische informatie in huidige staat en hogere invoer verandert de modelgrootte niet. RNN's zijn een goede keuze voor spraakherkenning, geavanceerde prognoses, robotica en andere complexe deep learning-workloads.

Transformers
Transformers zijn ontworpen om sequentiële invoergegevens te verwerken. Ze zijn echter niet beperkt tot het verwerken van die gegevens in sequentiële volgorde. In plaats daarvan gebruiken transformers aandacht: een techniek die modellen in staat stelt verschillende invloedsniveaus toe te kennen aan verschillende invoergegevens en de context te bepalen voor afzonderlijke gegevens in een invoerreeks. Dit maakt een verhoogd niveau van parallellisatie mogelijk, waardoor de trainingstijden van het model kunnen worden beperkt.

Machine learning versus neurale netwerken

Hoewel neurale netwerken worden beschouwd als een subset van machine learning, zijn er enkele belangrijke verschillen tussen neurale netwerken en normale machine learning-modellen.

Neurale netwerken zijn over het algemeen complexer en kunnen onafhankelijker werken dan gewone Machine Learning-modellen. Een neuraal netwerk kan bijvoorbeeld zelf bepalen of de voorspellingen en resultaten nauwkeurig zijn, terwijl voor een machine learning-model de invoer van een menselijke technicus vereist is om dat onderscheid te maken.

Daarnaast zijn neurale netwerken zo gestructureerd dat het neurale netwerk zelf intelligente beslissingen kan blijven nemen en kan blijven leren. Machine learning-modellen zijn daarentegen beperkt tot besluitvorming op basis van waarop het specifiek is getraind.

RESOURCES

Duik dieper in de voordelen van deep learning

Een vrouw in een wit shirt die aan een computer zit.

Product

Aan de slag met Deep Learning in Azure

Ondersteuning bieden voor afbeeldingsherkenning met neurale netwerken of natuurlijke taalverwerking optimaliseren met snelle, eenvoudige, nauwkeurige BERT NLP-modellen. Ontdek hoe u alle soorten Deep Learning-modellen bouwt, traint en implementeert met Azure Machine Learning.

Meer informatie

Een man met zijn hand voor zijn gezicht die naar een laptop kijkt.

Oplossing

Verken machine learning voor gegevenswetenschappers

Leer hoe je oplossingen voor machine learning op cloudschaal kunt bouwen in Azure, en verken de hulpprogramma's voor machine learning voor datawetenschappers en engineers op het gebied van machine learning.

Lees meer

Evenementen

Azure-evenementen en -webinars

Leer nieuwe vaardigheden, verken opkomende technologieën en verbind met collega's, digitaal of in persoon.