Kas ir neironu tīkls? Ievads mākslīgajos neironu tīklos



Šis emuārs par to, kas ir neironu tīkli, iepazīstinās jūs ar neironu tīklu pamatjēdzieniem un to, kā tie var atrisināt sarežģītas ar datiem pamatotas problēmas.

Ar mašīnmācīšanās attīstību ir paņēmis lielu ceļu. Dziļā mācīšanās tiek uzskatīta par vismodernāko tehnoloģiju, kas izveidota, lai atrisinātu sarežģītas problēmas, kurās tiek izmantotas masīvas datu kopas. Šis emuārs par to, kas ir neironu tīkli, iepazīstinās jūs ar neironu tīklu pamatjēdzieniem un to, kā tie var atrisināt sarežģītas ar datiem pamatotas problēmas.

kā pievienot java

Lai iegūtu padziļinātas zināšanas par mākslīgo intelektu un dziļu mācīšanos, varat reģistrēties tiešraidē autors Edureka ar diennakts atbalstu un piekļuvi mūža garumā.





Šeit ir saraksts ar tēmām, kas tiks apskatītas šajā Emuārs:

  1. Kas ir neironu tīkls?
  2. Kas ir dziļa mācīšanās?
  3. Atšķirība starp AI, ML un, DL
  4. Nepieciešamība pēc dziļas mācīšanās
  5. Dziļu mācību lietojums
  6. Kā darbojas neironu tīkli?
  7. Neironu tīkls izskaidrots ar piemēru

Neironu tīkla vienkārša definīcija

Modelēts atbilstoši cilvēka smadzenēm, a Neironu tīkls tika izveidots, lai atdarinātu cilvēka smadzeņu funkcionalitāti . Cilvēka smadzenes ir neironu tīkls, kas sastāv no vairākiem neironiem, tāpat mākslīgais neironu tīkls (ANN) sastāv no vairākiem perceptroniem (paskaidrots vēlāk).



Neironu tīkls - kas ir neironu tīkls - Edureka

Neironu tīkls sastāv no trim svarīgiem slāņiem:

  • Ievades slānis: Kā norāda nosaukums, šis slānis pieņem visas ieejas, ko nodrošina programmētājs.
  • Slēptais slānis: Starp ievades un izvades slāni ir slāņu kopums, kas pazīstams kā slēptie slāņi. Šajā slānī tiek veikti aprēķini, kuru rezultāts ir rezultāts.
  • Izejas slānis: Ieejas iziet cauri virknei transformāciju, izmantojot slēpto slāni, kas galu galā rada izvadi, kas tiek piegādāts caur to slānis.

Pirms nonākam neironu tīkla darbības dziļumos, sapratīsim, kas ir dziļa mācīšanās.



Kas ir dziļa mācīšanās?

Dziļā mācīšanās ir uzlabota mašīnmācīšanās joma, kas izmanto neironu tīklu jēdzienus, lai atrisinātu ļoti skaitļošanas lietojumus, kas ietver daudzdimensiju datu analīzi. Tas automatizē iezīmju iegūšanas procesu, pārliecinoties, ka ir nepieciešama ļoti minimāla cilvēka iejaukšanās.

Kas tad īsti ir dziļa mācīšanās?

Dziļa mācīšanās ir progresīva Mašīnmācīšanās apakšnozare, kurā izmantoti algoritmi, kurus iedvesmojusi smadzeņu struktūra un funkcija, ko sauc par mākslīgajiem neironu tīkliem.

Atšķirība starp AI, ML un DL (mākslīgais intelekts pret mašīnmācību vs dziļa mācīšanās)

Cilvēki mēdz tā domāt , , un Dziļa mācīšanās ir vienādi, jo tiem ir kopīgas lietojumprogrammas. Piemēram, Siri ir AI, mašīnmācīšanās un padziļinātas mācīšanās programma.

Tātad, kā šīs tehnoloģijas ir saistītas?

  • Mākslīgais intelekts ir zinātne par mašīnu iegūšanu, lai atdarinātu cilvēku uzvedību.
  • Mašīnmācīšanās ir mākslīgā intelekta (AI) apakškopa, kas koncentrējas uz to, lai mašīnas pieņemtu lēmumus, ievadot tām datus.
  • Dziļa mācīšanās ir Mašīnmācīšanās apakškopa, kas sarežģītu problēmu risināšanai izmanto neironu tīklu jēdzienu.

Apkopojot AI, mašīnmācīšanās un dziļa mācīšanās ir savstarpēji saistīti lauki. Mašīnmācība un padziļinātas mācīšanās līdzekļi Mākslīgais intelekts, nodrošinot algoritmu un neironu tīklu kopu, lai atrisinātu ar datiem saistītas problēmas.

Tagad, kad esat iepazinies ar pamatiem, sapratīsim, kas izraisīja nepieciešamību pēc padziļinātas mācīšanās.

Nepieciešamība pēc dziļas mācīšanās: tradicionālo mašīnmācīšanās algoritmu un metožu ierobežojumi

Mašīnmācība bija būtisks sasniegums tehniskajā pasaulē, tas noveda pie vienmuļu un laikietilpīgu uzdevumu automatizācijas, palīdzēja sarežģītu problēmu risināšanā un gudrāku lēmumu pieņemšanā. Tomēr mašīnmācībā bija daži trūkumi, kas izraisīja dziļas mācīšanās parādīšanos.

Šeit ir daži mašīnmācīšanās ierobežojumi:

  1. Nevar apstrādāt augstas dimensijas datus: Mašīnmācīšanās var apstrādāt tikai nelielus datu izmērus, kas satur nelielu mainīgo lielumu kopu. Ja vēlaties analizēt datus, kas satur simtiem mainīgo, mašīnmācīšanos nevar izmantot.
  2. Funkciju veidošana ir manuāla: Apsveriet izmantošanas gadījumu, kad jums ir 100 prediktora mainīgie, un jums ir jāsamazina tikai nozīmīgie. Lai to izdarītu, jums ir manuāli jāizpēta saikne starp katru mainīgo un jānoskaidro, kuri no tiem ir svarīgi, lai prognozētu rezultātu. Šis uzdevums izstrādātājam ir ārkārtīgi nogurdinošs un laikietilpīgs.
  3. Nav ideāli objektu noteikšanai un attēlu apstrādei: Tā kā objektu noteikšanai nepieciešami augstas dimensijas dati, mašīnmācīšanos nevar izmantot attēlu datu kopu apstrādei, tā ir ideāli piemērota tikai datu kopām ar ierobežotu funkciju skaitu.

Pirms mēs nokļūstam Neironu tīkli, ņemsim vērā reālās lietošanas gadījumu, kurā tiek īstenota padziļināta mācīšanās.

Dziļu mācību lietojums / lietojumi

Vai zinājāt, ka PayPal apstrādā vairāk nekā USD 235 miljardus no četriem miljardiem darījumu ar vairāk nekā 170 miljoniem klientu? Tas izmanto šo milzīgo datu apjomu, lai cita iemesla dēļ identificētu iespējamās krāpnieciskās darbības.

Ar Deep Learning algoritmu palīdzību PayPal ieguva datus no sava klienta pirkumu vēstures, kā arī pārskatīja iespējamo krāpšanas modeļus, kas glabājas tās datu bāzēs, lai prognozētu, vai konkrētais darījums ir krāpniecisks vai nē.

Uzņēmums jau aptuveni 10 gadus paļaujas uz Deep Learning & Machine Learning tehnoloģiju. Sākotnēji krāpšanas uzraudzības grupa izmantoja vienkāršus, lineārus modeļus. Bet gadu gaitā uzņēmums pārgāja uz modernāku mašīnmācīšanās tehnoloģiju, ko sauc par Deep Learning.

Krāpšanas riska menedžeris un PayPal datu zinātnieks Ke Vangs citēja:

“Mums patīk mūsdienīgāka, progresīvāka mašīnmācīšanās, tā ir spēja patērēt daudz vairāk datu, apstrādāt abstrakcijas slāņus un slāņus un spēt“ redzēt ”lietas, kuras vienkāršāka tehnoloģija nevarētu redzēt, pat cilvēki varētu nevar redzēt. ”

Vienkāršs lineārs modelis spēj patērēt aptuveni 20 mainīgos. Tomēr ar Deep Learning tehnoloģiju var palaist tūkstošiem datu punktu. Tāpēc, īstenojot Padziļinātas mācīšanās tehnoloģijas PayPal beidzot var analizēt miljoniem darījumu, lai identificētu krāpniekus aktivitāte.

Tagad iedziļināsimies Neironu tīkla dziļumos un sapratīsim, kā tie darbojas.

Kā darbojas neironu tīkls?

Lai saprastu neironu tīklus, mums tas ir jāsadala un jāsaprot neironu tīkla visvienkāršākā vienība, t.i., Perceptron.

Kas ir Perceptron?

Perceptron ir viena slāņa neironu tīkls, ko izmanto lineāru datu klasificēšanai. Tam ir 4 svarīgi komponenti:

kā pārbaudīt palindromu java
  1. Ieejas
  2. Svari un aizspriedumi
  3. Sumēšanas funkcija
  4. Aktivizēšanas vai pārveidošanas funkcija

Perceptron pamatloģika ir šāda:

Ieejas (x), kas saņemtas no ievades slāņa, tiek reizinātas ar tām piešķirtajiem svariem w. Pēc tam reizinātās vērtības tiek pievienotas, lai izveidotu svērto summu. Pēc tam attiecīgajai aktivizācijas funkcijai tiek piemērota izejvielu un to attiecīgo svaru svērtā summa. Aktivizācijas funkcija iezīmē ievadi attiecīgajā izvadā.

Svari un aizspriedumi dziļā mācīšanās procesā

Kāpēc mums katram ievadam jāpiešķir svars?

Kad ievades mainīgais tiek ievadīts tīklā, nejauši izvēlēta vērtība tiek piešķirta kā šīs ievades svars. Katra ievades datu punkta svars norāda, cik svarīga šī ievade ir prognozēt rezultātu.

Savukārt novirzes parametrs ļauj noregulēt aktivizācijas funkcijas līkni tā, lai tiktu sasniegta precīza izeja.

Sumēšanas funkcija

Kad izejvielām ir piešķirts zināms svars, tiek ņemts attiecīgās ievades un svara reizinājums. Pievienojot visus šos produktus, iegūstam svērto summu. To veic summēšanas funkcija.

Aktivizācijas funkcija

Aktivizācijas funkciju galvenais mērķis ir svērtās summas kartēšana uz rezultātu. Aktivizācijas funkcijas, piemēram, tanh, ReLU, sigmoid un tā tālāk, ir transformācijas funkciju piemēri.

Lai uzzinātu vairāk par Perceptrons funkcijām, varat to iziet Emuārs.

Kā atrast lielāko masīva java numuru

Pirms mēs apkopojiet šo emuāru, ņemsim vienkāršu piemēru, lai saprastu, kā darbojas Neironu tīkls.

Neironu tīkli, kas izskaidroti ar piemēru

Apsveriet scenāriju, kurā jāveido mākslīgais neironu tīkls (ANN), kas klasificē attēlus divās klasēs:

  • A klase: satur neslimotu lapu attēlus
  • B klase: satur slimu lapu attēlus

Tātad, kā jūs izveidojat neironu tīklu, kas lapas klasificē slimajās un neārstētajās kultūrās?

Process vienmēr sākas ar ievades apstrādi un pārveidošanu tā, lai to varētu viegli apstrādāt. Mūsu gadījumā katrs lapas attēls tiks sadalīts pikseļos atkarībā no attēla izmēra.

Piemēram, ja attēls sastāv no 30 līdz 30 pikseļiem, tad kopējais pikseļu skaits būs 900. Šie pikseļi tiek attēloti kā matricas, kuras pēc tam tiek ievadītas neironu tīkla ievades slānī.

Tāpat kā tam, kā mūsu smadzenēm ir neironi, kas palīdz veidot un savienot domas, arī ANN ir perceptroni, kas pieņem ievadi un tos apstrādā, nododot tos no ievades slāņa slēptajam un, visbeidzot, izvades slānim.

Kad ievade tiek pārsūtīta no ievades slāņa uz slēpto slāni, katrai ieejai tiek piešķirts sākotnējais izlases svars. Pēc tam ievadi tiek reizināti ar to atbilstošo svaru un to summa tiek nosūtīta kā ievads nākamajam slēptajam slānim.

Šeit katram perceptronam tiek piešķirta skaitliskā vērtība, ko sauc par neobjektivitāti, kas ir saistīta ar katras ievades svaru. Katrs perceptrons tiek nodots, izmantojot aktivāciju vai transformācijas funkciju, kas nosaka, vai konkrētais perceptrons tiek aktivizēts vai nē.

Datu pārsūtīšanai uz nākamo slāni tiek izmantots aktivizēts perceptrons. Tādā veidā dati tiek izplatīti (uz priekšu), izmantojot neironu tīklu, līdz perceptroni sasniedz izejas slāni.

Izvades slānī tiek iegūta varbūtība, kas izlemj, vai dati pieder A vai B klasei.

Izklausās vienkārši, vai ne? Neironu tīklu koncepcija ir pilnībā balstīta uz cilvēka smadzeņu darbību. Jums nepieciešamas padziļinātas zināšanas par dažādiem matemātiskiem jēdzieniem un algoritmiem. Lai sāktu darbu, ir saraksts ar emuāriem:

  1. Kas ir dziļa mācīšanās? Darba sākšana ar dziļu mācīšanos
  2. Dziļa mācīšanās ar Python: iesācēju padziļinātas mācīšanās ceļvedis

Ja jums šķita, ka šis emuārs ir būtisks, apskatiet Autors: Edureka, uzticams tiešsaistes mācību uzņēmums ar vairāk nekā 250 000 apmierinātu izglītojamo tīklu visā pasaulē. Edureka dziļo mācību ar TensorFlow sertifikācijas apmācības kurss palīdz izglītojamajiem kļūt par ekspertiem apmācībā un pamata un konvolucionālo neironu tīklu apmācībā un optimizācijā, izmantojot reāllaika projektus un uzdevumus, kā arī tādas koncepcijas kā SoftMax funkcija, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).