机器学习中的深度学习与神经网络

1. 目标

在本教程中，我们将重点介绍深度学习。另外，研究其深度学习的用例，结构和应用。深度学习是非常重要的话题。此外，深度学习涉及人工智能和机器学习。

2.深度学习简介

由于机器学习只能解决现实世界的问题的重点。此外，它很少涉及人工智能。而且，机器学习通过神经网络完成。这旨在模仿人类的决策能力。

机器学习工具和技术是两个关键的窄子集。这只关注深度学习。此外，我们需要应用它来解决任何问题。这需要思想 - 人或人。

任何深度神经网络都将包含三种类型的层：

• 输入层

• 隐藏层

• 输出层

1.输入层

它接收所有输入，最后一层是输出层，提供所需的输出。

2.隐藏层

所有的层之间这层被称为隐藏层。可以有n个隐藏层。每层中的隐藏层和感知器将取决于您尝试解决的用例。

3.输出图层

它提供了所需的输出。

 

为了给计算机系统提供大量数据，我们使用深度学习。然后，系统使用这些数据来决定其他数据。这种数据馈送通过神经网络进行。

此外，深度学习至关重要，因为它专注于开发这些网络。因此，它们被称为深度神经网络。

3.神经网络简介

•  这是一个美丽的生物编程范式。此外，使计算机能够从观察数据中学习。

• 此外，它为许多问题提供了最佳解决方案。这是图像识别，语音识别和自然语言处理。

4.深度学习用例 - 案例

这里，在这个用例中，我们将高维数据传递给输入层。为了匹配输入数据的维度，将需要输入层。它包含多个感知器子层，因此它可以消耗整个输入。

输入层将包含从输出接收的模式。此外，它还能够根据对比度水平识别图像的边缘。

此输出将被输入到隐藏层1.在此层中，它将能够识别各种面部特征，如眼睛，鼻子，耳朵等。

现在，这将被馈送到隐藏层2，在那里它将能够形成整个面。然后，将第2 层的输出发送到输出层。

最后，输出层执行分类。这是基于从前一个获得的结果并预测名称。

5.现实生活中的深度学习应用

a. 自动驾驶汽车的导航

虽然在将来驾驶汽车时抓人阅读报纸还为时过早。为了识别汽车学习的障碍，我们可以使用传感器和内部分析。并使用深度学习对其进行适当的反应。

b. 重新着色的黑白图像

此时，计算机是识别对象所必需的。此外，了解它们对人类应该是什么样子。基本上，计算机可用于教导返回颜色。此外，它需要返回黑白图片和视频。

看到Devdas（1955）的颜色不是很神奇吗？

c. 预测法律诉讼的结果

英国和美国的研究人员开发了一个系统。他们使用该系统来预测法院的判决。

d. 精准医学

我们使用深度学习来开发药物。此外，这些基因是针对个体的基因组而定制的。

e. 自动分析和报告

我们非常感谢深度学习技巧。我们可以看到系统现在可以分析数据。此外，报告其自然探测和人类语言的见解。

f. 产前护理

我们使用图像识别和深度学习技术来解释符号。此外，这项技术被英国和澳大利亚的研究人员使用。此外，指导术前策略。

g.天气预报和事件检测

结果，计算流体动力学代码与神经网络匹配。此外，其他遗传算法方法来检测旋风活动。

h.金融

通常，我们使用流行的技术指标来生成买卖信号。这是针对每只股票和股票投资组合。

i. 自动机器翻译

深度学习在以下领域取得了惊人的成果：

1.文本的自动翻译

2.图像的自动翻译

我们使用卷积神经网络来识别图像。那里有字母和字母在场景中的位置。了解更多机器学习应用。

六，结论

结果，我们研究了深度学习，最后得出结论。此外，我们还研究了深度学习应用程序和用例。我希望这篇博客能帮助您将现实生活与深度学习的概念联系起来。

翻译自：原文