Wprowadzenie do sieci neuronowych – Tensorflow 2.0 + Keras

Zainteresowanie sieciami neuronowymi nigdy w historii nie było tak wysokie jak w ostatnich latach. To pokazuje jak ważnym elementem stają się sieci neuronowe w nowoczesnym budowaniu aplikacji. Rozwiązania sztucznej inteligencji spotykamy praktycznie na każdym kroku, a część z nas już tak do tego przywykła, że nie jest w stanie się bez nich obejść.

W 2018 roku trzej pionierzy sztucznej inteligencji zdobyli nagrodę Turinga (Geoffrey Hinton, Yann LeCun, Yoshua Bengio). To wydarzenie podkreśla jak ważny element w dzisiejszym świecie pełni sztuczna inteligencja. 

Według Gartnera w 2019 roku najczęściej spotykane zastosowania sztucznej inteligencji to odpowiednio:

• czatboty

• optymalizacje procesów

• analiza transakcji i wyłudzeń finansowych

• segmentacja konsumentów

• diagnostyka sprzętowa

• wirtualne call center i asystent klienta

• rozpoznawanie twarzy

Boom na rozwiązania AI

Zastosowania sztucznej inteligencji (Artificial Intelligence) rosną w tempie wykładniczym. Od prostych modeli klasyfikujących pocztę mailową, wybierającą najbardziej optymalną trasę dojazdu, rozpoznającą nas w czasie rzeczywistym (wideoweryfikacja) po auta a nawet samoloty autonomiczne. A przed nami przecież tyle nieodkrytych obszarów w których można zastosować AI.

Do czego służy biblioteka Keras?

Keras to biblioteka open source do tworzenia sieci neuronowych, która jako backend wykorzystuje Tensorflow, CNTK, czy Theano. Jest doskonałym narzędziem do prototypowania i eksperymentowania oszczędzając nam wiele czasu przy pisaniu kodu. Stanowi także niską barierę wejścia dla osób, które dopiero zaczynają swoją karierę w uczeniu głębokim.

Wzrost popularności języka Python

Język Python świetnie nadaje się do przetwarzania, przygotowania, analizy i modelowania danych. Jest prosty do nauki i nie powinien sprawiać problemów osobie, która dopiero zaczyna uczyć się programowania. Na przestrzeni ostatnich lat i rosnącej popularności sztucznej inteligencji Python wyrósł na gwiazdę w tym sektorze. Powstało sporo potężnych bibliotek do machine learningu, czy deep learningu. Przykładem może być stworzona przez Google biblioteka Tensorflow.

Biorąc pod uwagę drastyczne tempo zmian w ostatnich latach i wzrost zainteresowania sztuczną inteligencją nauka sieci neuronowych staje się bardzo rozsądnym wyborem, który z pewnością zaprocentuje w przyszłości.