Machinaal leren, neurale netwerken, en deep learning

Maat: px

Weergave met pagina beginnen:

Download "Machinaal leren, neurale netwerken, en deep learning"

Fenna Wouters
9 jaren geleden
Aantal bezoeken:

1 Machinaal leren, neurale netwerken, en deep learning Prof. dr. Tom Heskes KNAW-symposium Go en machinale intelligentie 11 oktober, 2016

2 Inhoud Inleiding - Supervised, reinforcement, unsupervised leren Neurale netwerken Deep learning 2

3 Inleiding Leren is een essentieel onderdeel van (kunstmatige) intelligentie - Flexibel gedrag - Jezelf verbeteren - Minder afhankelijk van reeds aanwezige kennis - Voorkom herhaling van dezelfde domme fouten 3

4 Definitie Arthur Samuel (1959). Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed Tom Mitchell (1998). A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E 4

5 Toepassingen automatische tagging spam filtering aanbevelingen doen 5

6 Toepassingen detectie van creditcard fraude spraakherkenning sterrenstelsels classificeren 6

7 Big Data: McKinsey 2011 Rapport 7

8 Deloitte advertorial 8

9 Waar kun je van leren? Het wordt je verteld (programmeren) Je krijgt voorbeelden (inductie) Aan de hand van analogiën Door zelf ervaringen op te doen 9

10 Lerende Agent (Russell & Norvig) 10

11 Lerende Agent (Poole & Mackworth) Learning agent 11

12 Soorten feedback Supervised leren Reinforcement leren Unsupervised leren 12

13 Supervised leren pictures courtesy: Simon Dennis 13

14 Reinforcement leren 14

15 Unsupervised leren 15

16 Inhoud Inleiding - Supervised, reinforcement, unsupervised leren Neurale netwerken Deep learning 16

17 Kunstmatige Neurale Netwerken Computationele structuur bestaande uit individuele units Individuele unit = neuron Hersenstructuur als inspiratie Model voor neurowetenschappen 17

18 Neuronen in onze hersenen Synapsen van andere zenuwcellen laten transmitters vrij in de dendrieten (input) Wanneer de electrische potentiaal in het soma over de drempel gaat, vuurt het neuron (trigger) en... wordt een actiepotentiaal via de axon naar andere neuronen gestuurd (output) 18

19 McCullogh-Pitts Neuron X 1 neuron output = een activatiefunctie van de input Z 1 0 if if Z Z input van andere neuronen w 1 Σ Z σ Y drempel w p X p synaptische sterkte Z neuron input = gewogen som van inkomende activiteiten w X... w X j j w p X p 19

Geschiedenis 1943 McCulloch & Pitts: eerste studie van neurale netwerken 1948 Wiener: feedback loops 1949 Hebb: eerste neurale leerregel 1951 Minsky: eerste neurale netwerk systeem 1956 Geboorte van

20 Geschiedenis 1943 McCulloch & Pitts: eerste studie van neurale netwerken 1948 Wiener: feedback loops 1949 Hebb: eerste neurale leerregel 1951 Minsky: eerste neurale netwerk systeem 1956 Geboorte van de Kunstmatige Intelligentie 1957 Rosenblatt: perceptron 1960 Widrow & Hoff: adaline 1960s Systemen bestaande uit perceptrons en adalines 1969 Minsky & Papert: Perceptrons 1969 Bryson & Ho: back-propagation 1970s Perceptron winter 1980s Connectionisme 1986 Rumelhart & McClelland: Parallel Distributed Processing 1990s Meer gebruik en begrip; NNs voor toepassingen versus hersenmodellen 2000s Gewoon een van de machine learning technieken Meer gedetailleerde hersenmodellen 2010s Revival van diepe neurale netwerken Enorme neurale architecturen 20

21 Meerlaags perceptron Bryson & Ho (1969), en vele anderen daarna: McCullogh-Pitts neuronen in verschillende lagen Typisch één laag met verborgen ( hidden ) units Feedforward model: geen cycles Back-propagation leerregel Hidden units leren zich te specialiseren om karakteristieke kenmerken te coderen ( high-level features ) Output units combineren deze features tot een voorspelling/classificatie 21

22 Inhoud Inleiding - Supervised, reinforcement, unsupervised leren Neurale netwerken Deep learning 22

detection, blurring, sharpening Neural netwerk leert

23 Convolutionele Neurale Netwerken Convolutie: matrixoperatie schuift over het beeld Filters voor edge detection, blurring, sharpening Neural netwerk leert nuttige filters Herhalen: meer en meer lagen diepe neurale netwerken 23

24 Unsupervised leren op Youtube frames Le et al., ICML

25 Succesfactoren Uitstekend parallelliseerbaar op GPUs: enorme rekenkracht Grote datasets Veel nieuwe slimme trucs (ReLU, dropout, batch normalization,...) Beschikbaarheid open source software, cursussen en tutorials Voor computer vision, spraakherkenning, natuurlijke taalverwerking onverslaanbaar (maar niet daarbuiten...) 25

26 Conclusie Meer rekenkracht, meer data, betere methoden, complexere modellen betere systemen voor machinaal leren Convolutionele neurale netwerken als paradepaardje: ideaal voor computer vision en andere taken met een lokale structuur in ruimte/tijd 26

Vergelijkbare documenten

Inhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen

Inhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen Tom Heskes IRIS, NIII Inhoud De bouwstenen van het zenuwstelsel: neuronen en synapsen Complex gedrag uit eenvoudige elementen McCulloch-Pitts neuronen Hopfield netwerken Computational neuroscience Lerende