Шта је трансферно учење?

У Машинско учење, трансферно учење се дешава када постојећа алгоритам преузима другачији (али сличан) посао. Ево шта је учење трансфера, његове предности и његове примене.

Пренесите дефиницију учења

У трансферном учењу, програмери поново користе алгоритам дизајниран за одређену сврху за другачији задатак. Нови алгоритам примењује оно што већ зна за обављање новог посла.

На пример, ако имате алгоритам који може да идентификује слике паса, лако бисте га могли подесити тако да може да идентификује и мачке. Можете даље да се ослањате на алгоритам да бисте креирали онај који може да идентификује било коју животињу.

Вештачка интелигенција (АИ) програми се ослањају на различите алгоритме машинског учења како би били бољи и бржи у извршавању задатка који им је предвиђен. Трансферно учење заправо није врста машинског учења, већ метода која се користи у овој области. Трансферно учење такође има апликације изван машинског учења.

Примене трансферног учења

Једна од најузбудљивијих перспектива трансферног учења је дубоко учење. Као део неуронске мреже, трансферно учење се може користити за обуку АИ како да решава нове проблеме чак и када је доступно врло мало података.

Ситуације из стварног света не могу увек да се раздвоје на тачке података, тако да јак АИ мора бити у стању да доноси закључке на основу прошлих искустава. Преносно учење је учинило могућност вештачке опште интелигенције (АГИ), или вештачке интелигенције која може да изврши било који задатак који човек може да уради, ближе стварности.

Предности трансферног учења

Пренос учења је привлачнији од стварања новог алгоритма од нуле; за обуку неуронске мреже може бити потребно много времена, података и рачунарске снаге. Осим уштеде времена, резултате можете побољшати надограђујући унапред обучени модел.

Захваљујући трансферном учењу, АИ програми се могу обучити да обављају задатке које иначе не би могли да ураде. Ако нема довољно података за обуку неуронске мреже за жељени посао, можете је обучити да обавља сличан задатак за који постоји обиље података. Затим можете градити на том моделу да бисте успешно обучили своју мрежу за нови задатак користећи ограничене податке које имате.

Типови трансферних модела учења

Постоји на десетине унапред обучених алгоритама који су јавно доступни инжењерима вештачке интелигенције на којима могу да се граде. Можете користити само део постојећег модела или целу ствар. Алтернативно, можете да направите сопствене алгоритме и да их промените.

Класификација слика, препознавање објеката и компјутерски вид су популарне апликације трансферног учења. Модели учења преноса који се користе за препознавање слика укључују Гоогле Инцептион и Мицрософт РесНет. Ови модели су отвореног кода и доступан свима за употребу.

Још једна обећавајућа примена трансферног учења је обрада природног језика, посебно превођење текста у говор (и обрнуто). Гоогле Ворд2вец и Станфордова рукавица су два јавно доступна модела који се могу прилагодити за пројекте дубоког учења језика.

Цаффе Модел Зоо је веб локација коју води заједница са репозиторијумом унапред обучених модела за пројекте преноса учења, као и туторијалима о томе како да их користите.