1. 目標

在本教程中，我們將重點介紹深度學習。另外，研究其深度學習的用例，結構和應用。深度學習是非常重要的話題。此外，深度學習涉及人工智慧和機器學習。

2.深度學習簡介

由於機器學習只能解決現實世界的問題的重點。此外，它很少涉及人工智慧。而且，機器學習通過神經網路完成。這旨在模仿人類的決策能力。

機器學習工具和技術是兩個關鍵的窄子集。這隻關注深度學習。此外，我們需要應用它來解決任何問題。這需要思想 - 人或人。

任何深度神經網路都將包含三種類型的層：

• 輸入層

• 隱藏層

• 輸出層

1.輸入層

它接收所有輸入，最後一層是輸出層，提供所需的輸出。

2.隱藏層

所有的層之間這層被稱為隱藏層。可以有n個隱藏層。每層中的隱藏層和感知器將取決於您嘗試解決的用例。

3.輸出圖層

它提供了所需的輸出。

為了給計算機系統提供大量資料，我們使用深度學習。然後，系統使用這些資料來決定其他資料。這種資料饋送通過神經網路進行。

此外，深度學習至關重要，因為它專注於開發這些網路。因此，它們被稱為深度神經網路。

3.神經網路簡介

•  這是一個美麗的生物程式設計正規化。此外，使計算機能夠從觀察資料中學習。

• 此外，它為許多問題提供了最佳解決方案。這是影象識別，語音識別和自然語言處理。

4.深度學習用例 - 案例

這裡，在這個用例中，我們將高維資料傳遞給輸入層。為了匹配輸入資料的維度，將需要輸入層。它包含多個感知器子層，因此它可以消耗整個輸入。

輸入層將包含從輸出接收的模式。此外，它還能夠根據對比度水平識別影象的邊緣。

此輸出將被輸入到隱藏層1.在此層中，它將能夠識別各種面部特徵，如眼睛，鼻子，耳朵等。

現在，這將被饋送到隱藏層2，在那裡它將能夠形成整個面。然後，將第2 層的輸出傳送到輸出層。

最後，輸出層執行分類。這是基於從前一個獲得的結果並預測名稱。

5.現實生活中的深度學習應用

a. 自動駕駛汽車的導航

雖然在將來駕駛汽車時抓人閱讀報紙還為時過早。為了識別汽車學習的障礙，我們可以使用感測器和內部分析。並使用深度學習對其進行適當的反應。

b. 重新著色的黑白影象

此時，計算機是識別物件所必需的。此外，瞭解它們對人類應該是什麼樣子。基本上，計算機可用於教導返回顏色。此外，它需要返回黑白圖片和視訊。

看到Devdas（1955）的顏色不是很神奇嗎？

c. 預測法律訴訟的結果

英國和美國的研究人員開發了一個系統。他們使用該系統來預測法院的判決。

d. 精準醫學

我們使用深度學習來開發藥物。此外，這些基因是針對個體的基因組而定製的。

e. 自動分析和報告

我們非常感謝深度學習技巧。我們可以看到系統現在可以分析資料。此外，報告其自然探測和人類語言的見解。

f. 產前護理

我們使用影象識別和深度學習技術來解釋符號。此外，這項技術被英國和澳大利亞的研究人員使用。此外，指導術前策略。

g.天氣預報和事件檢測

結果，計算流體動力學程式碼與神經網路匹配。此外，其他遺傳演算法方法來檢測旋風活動。

h.金融

通常，我們使用流行的技術指標來生成買賣訊號。這是針對每隻股票和股票投資組合。

i. 自動機器翻譯

深度學習在以下領域取得了驚人的成果：

1.文字的自動翻譯

2.影象的自動翻譯

我們使用卷積神經網路來識別影象。那裡有字母和字母在場景中的位置。瞭解更多機器學習應用。

六，結論

結果，我們研究了深度學習，最後得出結論。此外，我們還研究了深度學習應用程式和用例。我希望這篇部落格能幫助您將現實生活與深度學習的概念聯絡起來。

翻譯自：原文