– you really need to start using neural networks. When the patterns get really complex,

- ニューラルネットワークを使い始める必要があります。パターンが本当に複雑になると

neural nets start to outperform all of their competition. Plus, GPUs can train them faster

ニューラルネットは競合他社を凌駕する性能を発揮し始めます。さらに、GPUはより速く訓練することができます

than ever before! Let's take a look.

今まで以上に!見てみましょう。

Neural nets truly have the potential to revolutionize the field of Artificial Intelligence. We all

ニューラルネットは本当に人工知能の分野に革命を起こす可能性を持っています。私たちは皆

know that computers are very good with repetitive calculations and detailed instructions, but

くり返し計算や細かい指示が得意なのは知っているが

they've historically been bad at recognizing patterns. Thanks to deep learning, this is

彼らは歴史的にパターンを認識するのが苦手でしたディープラーニングのおかげで

all about to change.

変わろうとしている

If you only need to analyze simple patterns, a basic classification tool like an SVM or

単純なパターンだけを分析する必要がある場合は、SVMのような基本的な分類ツールや

Logistic Regression is typically good enough. But when your data has 10s of different inputs

ロジスティック回帰は一般的に十分です。しかし、データが10個の異なる入力を持つ場合

or more, neural nets start to win out over the other methods. Still, as the patterns

またはそれ以上になると、ニューラルネットが他の手法に勝るようになる。それでも、パターン

get even more complex, neural networks with a small number of layers can become unusable.

さらに複雑になると、層数の少ないニューラルネットワークが使えなくなる可能性があります。

The reason is that the number of nodes required in each layer grows exponentially with the

その理由は、各レイヤで必要とされるノード数が指数関数的に増加するためです。

number of possible patterns in the data. Eventually training becomes way too expensive and the

データ中の可能なパターンの数が多い。最終的には、トレーニングがあまりにも高価になり

accuracy starts to suffer. So for an intricate pattern – like an image of a human face,

精度が低下し始めます。だから、人間の顔の画像のような複雑なパターンのために。

for example – basic classification engines and shallow neural nets simply aren’t good

例えば、基本的な分類エンジンと浅いニューラルネットは単に良くない

enough – the only practical choice is a deep net.

十分に - 実用的な選択は、深いネットだけです。

Have you ever run into a wall when trying to work with highly complex data? Please comment

複雑度の高いデータを扱おうとして壁にぶつかったことはありませんか？コメントをお願いします。

and let me know your thoughts.

と、あなたの考えを教えてください。

But what enables a deep net to recognize these complex patterns? The key is that deep nets

しかし、何がディープネットがこれらの複雑なパターンを認識することを可能にしているのでしょうか？重要なのは、ディープネットが

are able to break the complex patterns down into a series of simpler patterns. For example,

は、複雑なパターンをよりシンプルなパターンに分解することができます。例えば

let's say that a net had to decide whether or not an image contained a human face. A

ネットは画像に人の顔が含まれているかどうかを 判断しなければならなかったとしますA

deep net would first use edges to detect different parts of the face – the lips, nose, eyes,

深い網は最初に顔の異なった部分-唇、鼻、目を検出するために端を使用します。

ears, and so on – and would then combine the results together to form the whole face.

そして、その結果を組み合わせて顔全体を形成します。

This important feature – using simpler patterns as building blocks to detect complex patterns

この重要な機能 - 複雑なパターンを検出するためにシンプルなパターンをビルディングブロックとして使用する

– is what gives deep nets their strength. The accuracy of these nets has become very

- これがディープネットの強みです。これらのネットの精度は非常に

impressive – in fact, a deep net from google recently beat a human at a pattern recognition

実際、グーグルのディープネットが最近、パターン認識で人間を打ち負かしました。

challenge.

挑戦しています。

It’s not surprising that deep nets were inspired by the structure of our own human

深層網が人間の構造にインスパイアされたのは当然のことである

brains. Even in the early days of neural networks, researches wanted to link a large number of

頭脳のことです。ニューラルネットワークの初期の頃でさえ、研究者たちは大量の

perceptrons together in a layered web – an idea which helped improve their accuracy.

パーセプトロンをレイヤー化したウェブにまとめて、精度を向上させるためのアイデアです。

It is believed that our brains have a very deep architecture and that we decipher patterns

私たちの脳は非常に深いアーキテクチャを持っており、パターンを解読していると考えられています。

just like a deep net – we detect complex patterns by first detecting, and combining,

ディープネットのように、最初に検出し、組み合わせて複雑なパターンを検出します。

the simple ones.

単純なものは

There is one downside to all of this – deep nets take much longer to train. The good news

このすべてに1つの欠点があります - ディープネットは、訓練するためにはるかに長い時間がかかります。良いニュース

is that recent advances in computing have really reduced the amount of time it takes

は、最近のコンピューティングの進歩は、それがかかる時間の量を本当に減少させているということです。

to properly train a net. High performance GPUs can finish training a complex net in

を使用して適切にネットをトレーニングすることができます。高性能GPUは、複雑なネットのトレーニングを

under a week, when fast CPUs may have taken weeks or even months.

高速なCPUが数週間、あるいは数ヶ月かかっていたとしても、1週間以内には完了しています。

Before we talk more about the various Deep Learning models, we're going to briefly

さまざまなディープラーニングモデルについて詳しく話す前に、簡単に

discuss which types of deep nets are suitable for different machine learning tasks. That's

は、異なる機械学習タスクにどのタイプのディープネットが適しているかを議論しています。それは

coming up in the next video.

次の動画に出てくる