Kas yra neuroninis tinklas? Dirbtinių neuroninių tinklų įvadas

Šis tinklaraštis apie tai, kas yra neuroniniai tinklai, supažindins jus su pagrindinėmis neuroninių tinklų sąvokomis ir kaip jie gali išspręsti sudėtingas duomenimis pagrįstas problemas.

Tobulėjant mašininiam mokymuisi, pasuko aukštu keliu. Gilus mokymasis yra laikomas pažangiausia technologija, sukurta spręsti sudėtingoms problemoms, naudojančioms didžiulius duomenų rinkinius. Šis tinklaraštis apie tai, kas yra neuroniniai tinklai, supažindins jus su pagrindinėmis neuroninių tinklų sąvokomis ir kaip jie gali išspręsti sudėtingas duomenimis pagrįstas problemas.

Norėdami gauti išsamių žinių apie dirbtinį intelektą ir gilų mokymąsi, galite užsiregistruoti tiesiogiai sukūrė „Edureka“ su parą visą parą ir visą gyvenimą.





Pateiksime temų, kurios bus aptartos, sąrašą Tinklaraštis:

  1. Kas yra neuroninis tinklas?
  2. Kas yra gilus mokymasis?
  3. AI, ML ir DL skirtumas
  4. Gilaus mokymosi poreikis
  5. Gilaus mokymosi naudojimo atvejis
  6. Kaip veikia neuroniniai tinklai?
  7. Neuroninis tinklas paaiškintas pavyzdžiu

Paprastas neuroninio tinklo apibrėžimas

Modeliuojant pagal žmogaus smegenis, a Neuroninis tinklas buvo sukurtas tam, kad imituotų žmogaus smegenų funkcionalumą . Žmogaus smegenys yra neuroninis tinklas, sudarytas iš kelių neuronų, panašiai kaip dirbtinis neuroninis tinklas (ANN) susideda iš kelių perceptronų (paaiškinta vėliau).



skaitytuvo klasės naudojimas java

Neuroninis tinklas - kas yra neuroninis tinklas - Edureka

Neuroninis tinklas susideda iš trijų svarbių sluoksnių:

  • Įvesties sluoksnis: Kaip rodo pavadinimas, šis sluoksnis priima visas programuotojo pateiktas įvestis.
  • Paslėptas sluoksnis: Tarp įvesties ir išvesties sluoksnių yra sluoksnių rinkinys, žinomas kaip paslėpti sluoksniai. Šiame sluoksnyje atliekami skaičiavimai, kurių rezultatas yra rezultatas.
  • Išvesties sluoksnis: Įėjimai vykdo transformacijų seriją per paslėptą sluoksnį, dėl kurio galiausiai gaunama išvestis sluoksnis.

Prieš įsigilindami į tai, kaip veikia neuroninis tinklas, supraskime, kas yra giluminis mokymasis.



Kas yra gilus mokymasis?

Gilus mokymasis yra pažangi mašininio mokymosi sritis, kurioje neuroninių tinklų sąvokos naudojamos sprendžiant labai skaičiavimu pagrįstus naudojimo atvejus, susijusius su daugiamačių duomenų analize. Tai automatizuoja funkcijų išskyrimo procesą, užtikrindama, kad reikalingas labai minimalus žmogaus įsikišimas.

Taigi, kas yra gilus mokymasis?

Gilus mokymasis yra pažengęs mašininio mokymosi pogrupis, kuriame naudojami algoritmai, įkvėpti smegenų struktūros ir funkcijos, vadinami dirbtiniais neuroniniais tinklais.

AI, ML ir DL skirtumas (dirbtinis intelektas prieš mašininį mokymąsi ir gilų mokymąsi)

Žmonės dažnai linkę taip manyti , ir Gilus mokymasis yra tos pačios, nes jos turi bendras programas. Pavyzdžiui, „Siri“ yra dirbtinio intelekto, mašininio mokymosi ir gilaus mokymosi programa.

Taigi, kaip šios technologijos yra susijusios?

  • Dirbtinis intelektas yra mokslas, kaip gauti mašinas, imituojančias žmonių elgesį.
  • Mašininis mokymasis yra dirbtinio intelekto (AI) pogrupis, kurio pagrindinis tikslas yra priversti mašinas priimti sprendimus teikiant joms duomenis.
  • Gilus mokymasis yra mašininio mokymosi pogrupis, kuris naudoja neuronų tinklų sąvoką, kad išspręstų sudėtingas problemas.

Apibendrinant AI, mašininis mokymasis ir gilus mokymasis yra tarpusavyje susiję laukai. Mašininis mokymasis ir giluminis mokymasis padeda dirbtiniam intelektui pateikti algoritmų ir neuroninių tinklų rinkinį, kurį reikia išspręsti duomenimis pagrįstos problemos.

Dabar, kai esate susipažinę su pagrindais, supraskime, kas paskatino giliai mokytis.

Gilaus mokymosi poreikis: tradicinių mašininio mokymosi algoritmų ir metodų apribojimai

Mašinų mokymasis buvo didelis proveržis technikos pasaulyje, jis paskatino automatizuoti monotoniškas ir daug laiko reikalaujančias užduotis, padėjo spręsti sudėtingas problemas ir priimti protingesnius sprendimus. Tačiau buvo keletas mašininio mokymosi trūkumų, dėl kurių atsirado gilus mokymasis.

Štai keletas mašininio mokymosi apribojimų:

  1. Nepavyko apdoroti didelių matmenų duomenų: Mašininis mokymasis gali apdoroti tik mažus duomenų matmenis, kuriuose yra nedidelis kintamųjų rinkinys. Jei norite analizuoti duomenis, kuriuose yra 100 kintamųjų, mašininio mokymosi naudoti negalima.
  2. Funkcijų inžinerija yra rankinė: Apsvarstykite naudojimo atvejį, kai turite 100 nuspėjamųjų kintamųjų ir turite susiaurinti tik reikšmingus. Norėdami tai padaryti, turite rankiniu būdu ištirti santykį tarp kiekvieno kintamojo ir išsiaiškinti, kurie iš jų yra svarbūs prognozuojant išvestį. Ši užduotis kūrėjui yra labai varginanti ir daug laiko reikalaujanti.
  3. Nėra idealus objekto aptikimui ir vaizdo apdorojimui: Kadangi objekto aptikimui reikalingi didelės apimties duomenys, mašininio mokymosi negalima naudoti apdorojant vaizdo duomenų rinkinius, jis idealiai tinka tik duomenų rinkiniams, turintiems ribotą funkcijų skaičių.

Prieš patekdami į gelmes Neuroniniai tinklai, apsvarstykime realų naudojimo atvejį, kai įgyvendinamas gilus mokymasis.

Gilaus mokymosi naudojimo atvejis / programos

Ar žinojote, kad „PayPal“ apdoroja daugiau nei 235 mlrd. USD mokėjimus iš keturių milijardų operacijų, kurias vykdo daugiau nei 170 milijonų klientų? Jis naudoja šį didžiulį duomenų kiekį, kad nustatytų galimą nesąžiningą veiklą, be kitų priežasčių.

Naudodamasis „Deep Learning“ algoritmais, „PayPal“, be to, peržiūrėdamas savo duomenų bazėse saugomus tikėtino sukčiavimo modelius, nustatė savo kliento pirkimų istorijos duomenis, kad numatytų, ar tam tikras sandoris yra apgaulingas, ar ne.

Bendrovė maždaug 10 metų rėmėsi „Deep Learning & Machine Learning“ technologijomis. Iš pradžių sukčiavimo stebėjimo komanda naudojo paprastus, linijinius modelius. Tačiau bėgant metams įmonė perėjo prie pažangesnės mašininio mokymosi technologijos, vadinamos „Deep Learning“.

Sukčiavimo rizikos valdytojas ir „PayPal“ duomenų mokslininkas Ke Wangas cituoja:

„Mums patinka iš šiuolaikiškesnio, pažangesnio mašininio mokymosi, tai jo sugebėjimas sunaudoti daug daugiau duomenų, tvarkyti abstrakcijos sluoksnius ir sugebėti„ pamatyti “dalykus, kurių nesugebėtų pamatyti paprastesnė technologija, net žmonės gali nematyti “.

Paprastas linijinis modelis gali sunaudoti apie 20 kintamųjų. Tačiau naudojant „Deep Learning“ technologiją galima paleisti tūkstančius duomenų taškų. Todėl įgyvendindami Giliai mokantis technologijos, „PayPal“ gali pagaliau išanalizuoti milijonus operacijų, kad būtų galima nustatyti bet kokį sukčiavimą veikla.

Dabar eikime į neuroninio tinklo gelmes ir supraskime, kaip jie veikia.

Kaip veikia neuroninis tinklas?

Norėdami suprasti neuroninius tinklus, turime jį suskaidyti ir suprasti pagrindinį neuroninio tinklo vienetą, t. Y. Perceptroną.

Kas yra „Perceptron“?

„Perceptron“ yra vieno sluoksnio neuroninis tinklas, naudojamas klasifikuoti tiesinius duomenis. Jis turi 4 svarbius komponentus:

  1. Įvestys
  2. Svoriai ir šališkumas
  3. Sumavimo funkcija
  4. Įjungimo arba transformavimo funkcija

Pagrindinė „Perceptron“ logika yra tokia:

Iš įvesties sluoksnio gaunami įėjimai (x) padauginami iš jų priskirtų svorių w. Padaugintos vertės pridedamos, kad būtų sudaryta svertinė suma. Tada svertinė įvesties suma ir jų atitinkami svoriai pritaikomi atitinkamai aktyvavimo funkcijai. Įjungimo funkcija įvestį susieja su atitinkamu išėjimu.

Svoris ir šališkumas giliai mokantis

Kodėl kiekvienam įėjimui turime priskirti svorį?

Kai įvesties kintamasis yra tiekiamas į tinklą, atsitiktinai pasirinkta reikšmė priskiriama kaip tos įvesties svoris. Kiekvieno įvesties duomenų taško svoris rodo, kiek tas įvestis yra svarbi prognozuojant rezultatą.

Kita vertus, šališkumo parametras leidžia reguliuoti aktyvinimo funkcijos kreivę taip, kad būtų pasiekta tiksli išvestis.

Sumavimo funkcija

Kai įvestims priskiriamas tam tikras svoris, imamas atitinkamo įvesties ir svorio sandauga. Pridėjus visus šiuos produktus gaunama svertinė suma. Tai atlieka sumuojimo funkcija.

Aktyvavimo funkcija

Pagrindinis aktyvinimo funkcijų tikslas yra suskaičiuoti išvesties svertinę sumą. Aktyvinimo funkcijos, tokios kaip tanh, ReLU, sigmoid ir kt., Yra transformacijos funkcijų pavyzdžiai.

Norėdami sužinoti daugiau apie „Perceptrons“ funkcijas, galite tai atlikti Tinklaraštis.

Prieš mus baigdami šį tinklaraštį, paimkime paprastą pavyzdį, kad suprastume, kaip veikia neuroninis tinklas.

Neuroniniai tinklai paaiškinti pavyzdžiu

Apsvarstykite scenarijų, kai ketinate sukurti dirbtinį neuronų tinklą (ANN), kuris klasifikuoja vaizdus į dvi klases:

  • A klasė: yra nesergančių lapų vaizdų
  • B klasė: pateikiami sergančių lapų vaizdai

Taigi, kaip sukurti neuronų tinklą, kuris klasifikuoja lapus į sergančius ir ne ligotus pasėlius?

Procesas visada prasideda apdorojant ir transformuojant įvestį taip, kad ją būtų lengva apdoroti. Mūsų atveju kiekvienas lapo vaizdas bus suskaidytas į taškus, priklausomai nuo vaizdo matmenų.

Pvz., Jei vaizdą sudaro 30–30 taškų, bendras taškų skaičius bus 900. Šie pikseliai vaizduojami kaip matricos, kurios vėliau tiekiamos į neuroninio tinklo įvesties sluoksnį.

dirbtinis intelektas ginčija pliusus ir minusus

Kaip ir tai, kaip mūsų smegenys turi neuronus, kurie padeda kurti ir sujungti mintis, ANN turi perceptronus, kurie priima įvestis ir jas apdoroja perduodami iš įvesties sluoksnio paslėptam ir galiausiai išvesties sluoksniui.

Kai įvestis perduodama iš įvesties sluoksnio į paslėptą sluoksnį, kiekvienam įėjimui priskiriamas pradinis atsitiktinis svoris. Tada įėjimai padauginami iš jų atitinkamo svorio ir jų suma siunčiama kaip įvestis į kitą paslėptą sluoksnį.

Čia kiekvienam perceptronui priskiriama skaitinė vertė, vadinama šališkumu, kuri yra susijusi su kiekvieno įvesties svoriu. Be to, kiekvienas perceptronas perduodamas per aktyvinimo ar transformavimo funkciją, kuri nustato, ar tam tikras perceptronas aktyvuojamas, ar ne.

Suaktyvintas perceptronas naudojamas duomenims perduoti į kitą sluoksnį. Tokiu būdu duomenys perduodami (sklinda į priekį) per neuronų tinklą, kol perceptronai pasiekia išvesties sluoksnį.

Išvesties lygmenyje gaunama tikimybė, kuri nusprendžia, ar duomenys priklauso A, ar B klasei.

Skamba paprastai, ar ne? Na, neuroninių tinklų koncepcija yra grynai pagrįsta žmogaus smegenų funkcionavimu. Jums reikia išsamių žinių apie įvairias matematines sąvokas ir algoritmus. Čia rasite tinklaraščių sąrašą, kad galėtumėte pradėti:

  1. Kas yra gilus mokymasis? Pradžia nuo gilaus mokymosi
  2. Gilus mokymasis su „Python“: Gilus mokymasis pradedantiesiems

Jei radote šį tinklaraštį aktualų, patikrinkite sukūrė patikima internetinė mokymosi įmonė „Edureka“, turinti daugiau nei 250 000 patenkintų besimokančiųjų tinklą visame pasaulyje. „Edureka“ gilus mokymasis naudojant „TensorFlow“ sertifikavimo mokymo kursą padeda besimokantiesiems tapti ekspertais mokant ir optimizuojant pagrindinius ir konvoliucinius neuroninius tinklus, naudojant realaus laiko projektus ir užduotis kartu su tokiomis koncepcijomis kaip „SoftMax“ funkcija, „Auto-encoder“ neuroniniai tinklai, „Restricted Boltzmann Machine“ (RBM).