Deep learning is the fastest growin

Deep learning is the fastest growing area of machine learning. Deep learning uses convolutional neural networks to learn many levels of abstraction. The levels of abstractions range from simple concepts to complex, the more complex require more layers in your network. Each layer categorizes some kind of information, refines it and passes it along to the next. These many layers are what put the “deep” into deep learning.

Deep learning enables a machine to use this process to build a hierarchical representation. The first layer might look for simple edges. The next might look for collections of edges that form simple shapes like rectangles, or circles. The third might identify features like eyes and noses. After five or six layers, the neural network can put these features together. The result: a machine that can recognize faces.

GPUs are ideal for training neural networks, a process that could otherwise take months now just takes weeks or days. That’s because GPUs perform many calculations at once—or in parallel. And once a system is “trained” with GPUs, scientists and researchers can put that learning to work.

That work involves tasks once thought impossible. Speech recognition is one application. So is real-time voice translation from one language to another. Other researchers are building systems that analyze the sentiment in social media conversations.

We’ve just scratched the surface. That’s why researchers at top universities and startups worldwide are rushing to put deep learning to work. Check out all the deep learning talks presented at the GPU Technology 2015.

ผลลัพธ์ (ไทย) 1:

เรียนรู้ลึกคือ พื้นที่เติบโตเร็วที่สุดของการเรียนรู้ของเครื่อง เรียนลึกใช้เครือข่ายประสาท convolutional เรียน abstraction ระดับมาก ระดับของ abstractions ตั้งแต่แนวคิดเรื่องซับซ้อน ซับซ้อนมากขึ้นต้องชั้นอื่น ๆ ในเครือข่ายของคุณ แต่ละชั้นจัดประเภทข้อมูลชนิดบาง บรรยากาศมัน และผ่านมันตามไป ชั้นเหล่านี้ได้อะไรใส่ "ลึก" ลงลึกเรียนรู้เรียนรู้ลึกทำให้เครื่องใช้กระบวนการนี้เพื่อสร้างการนำเสนอตามลำดับชั้น ชั้นแรกอาจหาง่ายขอบ ต่อไปอาจค้นหาคอลเลกชันของขอบที่รูปทรงง่าย ๆ เช่นรูปสี่เหลี่ยม หรือวงกลม ที่สามอาจระบุเช่นตาและ noses หลังจากชั้นห้า หรือหก เครือข่ายประสาทสามารถใส่คุณลักษณะเหล่านี้กัน ผล: เครื่องจักรที่สามารถจดจำใบหน้าGPUs เหมาะสำหรับฝึกอบรมเครือข่ายประสาท กระบวนการที่สามารถใช้เวลาอย่างเดือนนี้เพียงใช้เวลาวัน หรือสัปดาห์ เนื่องจาก GPUs คำนวณหลายครั้ง — หรือพร้อมกัน และเมื่อระบบคือ "การฝึกอบรม" กับ GPUs นักวิทยาศาสตร์และนักวิจัยสามารถย้ายที่เรียนการทำงานที่ทำงานเกี่ยวข้องกับงานที่เคยคิดว่า เป็นไปไม่ได้ การรู้จำเสียงเป็นโปรแกรมประยุกต์หนึ่ง ดังนั้น เป็นเสียงในเวลาจริงการแปลจากภาษาหนึ่งไปยังอีก นักวิจัยอื่น ๆ กำลังสร้างระบบที่วิเคราะห์ความเชื่อมั่นในสังคมเราเพิ่งได้มีรอยขีดข่วนพื้นผิว ที่เป็นเหตุที่นักวิจัยที่มหาวิทยาลัยด้านบนและ startups ทั่วโลกรีบให้ลึกเรียนรู้ทำงาน ตรวจสอบลึกเรียนรู้เจรจานำ 2015 เทคโนโลยี GPU

ผลลัพธ์ (ไทย) 2:

การเรียนรู้ที่ลึกเป็นพื้นที่ที่เติบโตเร็วที่สุดของการเรียนรู้เครื่อง การเรียนรู้ลึกใช้เครือข่ายประสาทความสับสนในการเรียนรู้หลายระดับของนามธรรม ระดับของนามธรรมช่วงจากแนวคิดง่ายซับซ้อนที่ซับซ้อนมากขึ้นจำเป็นต้องมีชั้นมากขึ้นในเครือข่ายของคุณ แต่ละชั้นแบ่งชนิดของข้อมูลบางกลั่นมันและผ่านมันไปให้ต่อไป เหล่านี้หลายชั้นเป็นสิ่งที่ใส่ "ลึก" ลงไปในการเรียนรู้ลึก. การเรียนรู้ลึกช่วยให้เครื่องที่จะใช้ขั้นตอนนี้จะสร้างการแสดงลำดับชั้น ชั้นแรกอาจจะมองหาขอบที่เรียบง่าย ต่อไปอาจจะดูคอลเลกชันของขอบที่รูปทรงที่เรียบง่ายเช่นสี่เหลี่ยมหรือวงกลม ที่สามอาจระบุคุณสมบัติเช่นตาและจมูก หลังจากที่ห้าหรือหกชั้นที่เครือข่ายประสาทสามารถใส่คุณสมบัติเหล่านี้ร่วมกัน ผลลัพธ์. เครื่องที่สามารถรับรู้ใบหน้าGPUs ที่เหมาะสำหรับการฝึกอบรมเครือข่ายประสาทกระบวนการที่อาจใช้เวลาเป็นเดือนตอนนี้ใช้เวลาเพียงสัปดาห์หรือวัน นั่นเป็นเพราะ GPUs ดำเนินการคำนวณหลายครั้งหรือในแบบคู่ขนาน และเมื่อระบบคือ "การฝึกอบรม" กับ GPUs นักวิทยาศาสตร์และนักวิจัยสามารถนำการเรียนรู้ที่จะทำงาน. การทำงานที่เกี่ยวข้องกับงานที่เคยคิดว่าเป็นไปไม่ได้ การจดจำเสียงพูดเป็นหนึ่งในแอพลิเคชัน ดังนั้นการแปลเสียงแบบ real-time จากภาษาหนึ่งไปยังอีก นักวิจัยคนอื่นจะสร้างระบบที่วิเคราะห์ความเชื่อมั่นในการสนทนาสื่อสังคม. เราได้มีรอยขีดข่วนเพียงพื้นผิว นั่นเป็นเหตุผลที่นักวิจัยที่มหาวิทยาลัยชั้นนำทั่วโลกที่เพิ่งเริ่มต้นและกำลังวิ่งที่จะนำการเรียนรู้ลึกในการทำงาน ตรวจสอบทั้งหมดที่พูดถึงการเรียนรู้ที่นำเสนอในที่ลึกเทคโนโลยี GPU 2015

ผลลัพธ์ (ไทย) 3:

เรียนลึกที่เติบโตเร็วที่สุดในพื้นที่ของการเรียนรู้เครื่อง การใช้โครงข่ายประสาทเทียมแบบลึกขดเพื่อเรียนรู้หลายระดับนามธรรม ระดับนามธรรมแนวคิดหลากหลายจากง่ายซับซ้อนที่ซับซ้อนมากขึ้นต้องใช้เลเยอร์เพิ่มเติมในเครือข่ายของคุณ แต่ละชั้นแบ่งเป็นข้อมูลการกลั่นและผ่านมันไปให้ต่อไปชั้นหลายเหล่านี้เป็นสิ่งที่ทำให้ " ลึก " ลงไปลึกเรียนรู้

ลึกการเรียนรู้ช่วยให้เครื่องที่จะใช้กระบวนการนี้ในการสร้างการแสดงลำดับชั้น . ในชั้นแรกอาจจะมองหาขอบที่เรียบง่าย ต่อไปอาจจะมองหาคอลเลกชันของขอบที่ฟอร์มรูปร่างที่เรียบง่ายเหมือนสี่เหลี่ยมหรือวงกลม ที่สามที่อาจระบุคุณสมบัติเช่นตาและจมูก หลังจาก ห้า หรือ หกชั้นโครงข่ายประสาทเทียมสามารถใส่คุณสมบัติเหล่านี้เข้าด้วยกัน ผล : เป็นเครื่องที่สามารถจำหน้า

สุดเหมาะสำหรับการฝึกอบรมเครือข่ายประสาท กระบวนการที่มิฉะนั้นอาจใช้เวลาหลายเดือน ตอนนี้ใช้เวลาเพียงสัปดาห์หรือวัน นั่นเพราะ GPUs ทําการคํานวณหลายครั้งหรือในแบบคู่ขนาน และเมื่อระบบคือ " ฝึก " กับ GPUs , นักวิทยาศาสตร์และนักวิจัยสามารถใส่เรียนทำงาน

งานที่เกี่ยวข้องกับงานที่เคยคิดว่าเป็นไปไม่ได้ การรู้จำเสียงพูดเป็นโปรแกรมประยุกต์หนึ่ง เป็นเรียลไทม์เสียงการแปลจากภาษาหนึ่งไปยังอีก นักวิจัยอื่น ๆ ระบบวิเคราะห์ความเชื่อมั่นในการสนทนาสื่อสังคมอาคาร

เราเพียงแค่รอยขีดข่วนพื้นผิว นั่นคือเหตุผลที่นักวิจัยที่มหาวิทยาลัยชั้นนำและ startups ทั่วโลกจะรีบวางลึกเรียนรู้ที่จะทำงานตรวจสอบทั้งหมดลึกเรียนรู้พูดคุยนำเสนอที่ GPU เทคโนโลยี 2015