Süni intellektin (AI) əvvəlcə uzaq bir xəyal, gələcək üçün bir texnologiya olduğu düşünülürdü, lakin bu, artıq belə deyil.
Bir vaxtlar tədqiqat mövzusu olan şey indi real dünyada partlayır. Süni intellekt artıq müxtəlif yerlərdə, o cümlədən iş yeriniz, məktəb, bank, xəstəxanalar və hətta telefonunuzda tapılır.
Onlar avtonəqliyyat vasitələrinin gözləri, Siri və Alexa-nın səsləri, hava proqnozunun arxasında duran ağıllar, robot yardımlı əməliyyatların arxasında duran əllər və s.
Süni intellekt (AI) müasir həyatın adi bir xüsusiyyətinə çevrilir. Son bir neçə ildə süni intellekt informasiya texnologiyalarının geniş spektrində əsas oyunçu kimi ortaya çıxdı.
Nəhayət, neyroşəbəkə süni intellekt tərəfindən yeni şeylər öyrənmək üçün istifadə olunur.
Beləliklə, bu gün biz Neyron Şəbəkələr, onun necə işlədiyi, növləri, tətbiqləri və daha çox şey haqqında öyrənəcəyik.
Neyron şəbəkəsi nədir?
In maşın təlim, neyron şəbəkəsi süni neyronların proqram təminatı ilə proqramlaşdırılmış şəbəkəsidir. O, beynimizdəki neyronlara bənzəyən çoxsaylı “neyron” təbəqələrinə malik olmaqla insan beynini təqlid etməyə çalışır.
Neyronların birinci təbəqəsi foto, video, səs, mətn və digər girişləri qəbul edəcək. Bu məlumatlar bütün səviyyələrdən keçir, bir təbəqənin çıxışı digərinə axır. Bu, maşın öyrənməsi üçün təbii dil emalı kimi ən çətin tapşırıqlar üçün vacibdir.
Bununla belə, digər hallarda, dəqiqliyi və səmərəliliyi qoruyarkən model ölçüsünü azaltmaq üçün sistemin sıxılmasını hədəfləmək daha məqsədəuyğundur. Neyron şəbəkəsinin budaması öyrənilmiş modeldən çəkilərin çıxarılmasını ehtiva edən sıxılma üsuludur. İnsanları heyvanlardan ayırmaq üçün öyrədilmiş süni intellekt neyron şəbəkəsini nəzərdən keçirək.
Şəkil ilk neyron təbəqəsi tərəfindən parlaq və qaranlıq hissələrə bölünəcək. Bu məlumatlar kənarların harada olduğunu müəyyən edən aşağıdakı təbəqəyə ötürüləcək.
Növbəti təbəqə kənarların birləşməsinin yaratdığı formaları tanımağa çalışacaq. Təlim olunduğu məlumatlara görə, təqdim etdiyiniz təsvirin insan və ya heyvan olduğunu müəyyən etmək üçün məlumatlar oxşar şəkildə çoxsaylı təbəqələrdən keçəcək.
Məlumat neyroşəbəkəyə verildikdə onu emal etməyə başlayır. Bundan sonra, istənilən nəticəni əldə etmək üçün məlumatlar səviyyələri vasitəsilə işlənir. Neyron şəbəkəsi strukturlaşdırılmış girişdən öyrənən və nəticələri göstərən maşındır. Neyron şəbəkələrdə üç növ öyrənmə həyata keçirilə bilər:
- Nəzarət olunan Öyrənmə – Giriş və çıxışlar etiketli verilənlərdən istifadə edərək alqoritmlərə verilir. Məlumatları təhlil etmək öyrədildikdən sonra onlar nəzərdə tutulan nəticəni proqnozlaşdırırlar.
- Nəzarətsiz Öyrənmə – ANN insan köməyi olmadan öyrənir. Heç bir etiketli məlumat yoxdur və çıxış çıxış məlumatlarında tapılan nümunələrlə müəyyən edilir.
- Gücləndirmə öyrənmə şəbəkənin aldığı rəydən öyrəndiyi zamandır.
Neyron şəbəkələri necə işləyir?
Süni neyronlar mürəkkəb sistemlər olan neyron şəbəkələrində istifadə olunur. Perseptronlar kimi də tanınan süni neyronlar aşağıdakı komponentlərdən ibarətdir:
- Input
- Çəki
- Təəssüb
- Aktivləşdirmə funksiyası
- Buraxılış
Neyron şəbəkələrini təşkil edən neyron təbəqələri. Neyron şəbəkəsi üç təbəqədən ibarətdir:
- Giriş təbəqəsi
- Gizli təbəqə
- Çıxış təbəqəsi
Rəqəmsal dəyər şəklində məlumatlar giriş qatına göndərilir. Şəbəkənin gizli təbəqələri ən çox hesablamalar aparan təbəqələrdir. Çıxış təbəqəsi, sonuncu, lakin ən azı, nəticəni proqnozlaşdırır. Bir neyron şəbəkəsində neyronlar bir-birinə üstünlük verir. Hər təbəqənin qurulması üçün neyronlardan istifadə olunur. Məlumat giriş təbəqəsi onu aldıqdan sonra gizli təbəqəyə yönləndirilir.
Hər bir girişə çəkilər tətbiq edilir. Neyron şəbəkəsinin gizli təbəqələrində çəki daxil olan məlumatları tərcümə edən dəyərdir. Çəkilər giriş məlumatlarını giriş qatındakı çəki dəyərinə vurmaqla işləyir.
Sonra ilk gizli təbəqənin dəyərini başlayır. Daxil edilən məlumatlar çevrilir və gizli təbəqələr vasitəsilə digər təbəqəyə ötürülür. Çıxış təbəqəsi son nəticənin yaranmasına cavabdehdir. Girişlər və çəkilər çoxaldılır və nəticə gizli təbəqənin neyronlarına cəmi kimi çatdırılır. Hər bir neyron bir meyl verilir. Cəmi hesablamaq üçün hər bir neyron aldığı girişləri əlavə edir.
Bundan sonra dəyər aktivləşdirmə funksiyası vasitəsilə keçir. Aktivləşdirmə funksiyasının nəticəsi neyronun aktiv olub-olmamasını müəyyən edir. Bir neyron aktiv olduqda, digər təbəqələrə məlumat göndərir. Bu üsulla neyron çıxış qatına çatana qədər məlumat şəbəkədə yaradılır. İrəli yayılma bunun başqa bir terminidir.
Məlumatların bir giriş qovşağına qidalanması və çıxış qovşağından çıxış əldə edilməsi texnikası irəli ötürülmə kimi tanınır. Giriş məlumatları gizli təbəqə tərəfindən qəbul edildikdə, irəli ötürülmə yayılır. Aktivləşdirmə funksiyasına uyğun olaraq işlənir və sonra çıxışa ötürülür.
Nəticə çıxış qatındakı neyron tərəfindən ən yüksək ehtimalla proqnozlaşdırılır. Geri yayılma çıxış səhv olduqda baş verir. Neyron şəbəkəsi yaratarkən hər bir giriş üçün çəkilər işə salınır. Arxa yayılma, səhvləri azaltmaq və daha dəqiq çıxışı təmin etmək üçün hər bir girişin çəkilərinin yenidən tənzimlənməsi prosesidir.
Neyron şəbəkəsinin növləri
1. Perseptron
Minsky-Papert perseptron modeli ən sadə və ən qədim neyron modellərindən biridir. Bu, daxil olan məlumatlarda xüsusiyyətləri və ya biznes kəşfiyyatını aşkar etmək üçün müəyyən hesablamalar aparan neyron şəbəkəsinin ən kiçik vahididir. O, ölçülmüş girişləri qəbul edir və yekun nəticəni əldə etmək üçün aktivləşdirmə funksiyasını tətbiq edir. TLU (həddi məntiq vahidi) perseptronun başqa adıdır.
Perceptron, məlumatları iki qrupa bölən nəzarət edilən öyrənmə sistemi olan ikili təsnifatçıdır. Məntiq qapıları AND, OR və NAND kimi qəbuledicilərlə həyata keçirilə bilər.
2. İrəli neyron şəbəkəsi
Giriş məlumatlarının yalnız bir istiqamətdə axdığı neyron şəbəkələrinin ən əsas versiyası süni neyron qovşaqlarından keçir və çıxış qovşaqlarından keçir. Giriş və çıxış təbəqələri gizli təbəqələrin mövcud və ya olmaya biləcəyi yerlərdə mövcuddur. Bunlara əsaslanaraq tək qatlı və ya çoxqatlı irəli ötürülən neyron şəbəkəsi kimi xarakterizə edilə bilər.
İstifadə olunan təbəqələrin sayı funksiyanın mürəkkəbliyi ilə müəyyən edilir. Yalnız bir istiqamətdə irəli yayılır və geriyə doğru yayılmır. Burada çəkilər sabit qalır. Aktivləşdirmə funksiyasını qidalandırmaq üçün girişlər çəkilərlə vurulur. Bunu etmək üçün təsnifat aktivləşdirmə funksiyası və ya addım aktivləşdirmə funksiyası istifadə olunur.
3. Çox qatlı perseptron
Mürəkkəbliyə giriş sinir şəbəkələri, burada giriş məlumatları bir çox süni neyron təbəqələri vasitəsilə yönləndirilir. Bu, tamamilə əlaqəli neyron şəbəkəsidir, çünki hər bir qovşaq sonrakı təbəqədəki bütün neyronlara bağlıdır. Giriş və çıxış təbəqələrində çoxlu gizli təbəqələr, yəni ən azı üç və ya daha çox təbəqə mövcuddur.
İki istiqamətli yayılma qabiliyyətinə malikdir, yəni həm irəli, həm də geriyə yayıla bilər. Girişlər çəkilərlə vurulur və aktivləşdirmə funksiyasına göndərilir, burada itkini minimuma endirmək üçün geri yayılma yolu ilə dəyişdirilir.
Çəkilər, sadə desək, Neyron Şəbəkələrdən maşınla öyrənilmiş dəyərlərdir. Gözlənilən nəticələr və təlim daxilolmaları arasındakı uyğunsuzluqdan asılı olaraq, onlar özlərini tənzimləyirlər. Softmax qeyri-xətti aktivləşdirmə funksiyalarından sonra çıxış qatının aktivləşdirilməsi funksiyası kimi istifadə olunur.
4. Konvolutional Neyron Şəbəkəsi
Ənənəvi ikiölçülü massivdən fərqli olaraq, konvolution neyron şəbəkəsi neyronların üçölçülü konfiqurasiyasına malikdir. Birinci təbəqə konvolutional təbəqə kimi tanınır. Konvolutional təbəqədəki hər bir neyron yalnız görmə sahəsinin məhdud bir hissəsindən məlumatı emal edir. Filtr kimi, daxiletmə xüsusiyyətləri toplu rejimdə alınır.
Şəbəkə şəkilləri bölmələrdə anlayır və bütün təsvirin işlənməsini başa çatdırmaq üçün bu hərəkətləri dəfələrlə yerinə yetirə bilər.
Şəkil emal zamanı RGB və ya HSI-dan boz rəngə çevrilir. Piksel dəyərindəki əlavə dəyişikliklər kənarları aşkar etməyə kömək edəcək və şəkillər bir neçə qrupa bölünə bilər. Bir istiqamətli yayılma, CNN-də bir və ya daha çox konvolusiya təbəqəsi, sonra birləşən zaman baş verir və iki istiqamətli yayılma, bükülmə qatının çıxışı təsvirin təsnifatı üçün tam əlaqəli neyron şəbəkəsinə göndərildikdə baş verir.
Şəklin müəyyən elementlərini çıxarmaq üçün filtrlərdən istifadə olunur. MLP-də girişlər ölçülür və aktivləşdirmə funksiyasına daxil edilir. RELU konvolyutsiyada istifadə olunur, MLP isə qeyri-xətti aktivləşdirmə funksiyasından sonra softmax-dan istifadə edir. Şəkil və videonun tanınmasında, semantik təhlildə və parafrazın aşkarlanmasında konvolyusiya neyron şəbəkələri əla nəticələr verir.
5. Radial Bias Şəbəkəsi
Giriş vektorundan sonra RBF neyronları təbəqəsi və Radial Əsas Funksiya Şəbəkəsində hər bir kateqoriya üçün bir qovşağı olan çıxış qatı gəlir. Giriş, hər bir neyronun bir prototip saxladığı təlim dəstindəki məlumat nöqtələri ilə müqayisə edilərək təsnif edilir. Bu, təlim dəstinin nümunələrindən biridir.
Yeni giriş vektoru [kateqoriyalara ayırmağa çalışdığınız n ölçülü vektor] təsnif edilməli olduqda hər bir neyron giriş və onun prototipi arasındakı Evklid məsafəsini hesablayır. Əgər A və B sinfi kimi iki sinifimiz varsa, təsnif ediləcək yeni giriş B sinif prototiplərindən daha çox A sinif prototiplərinə bənzəyir.
Nəticədə, A sinfi kimi etiketlənə və ya təsnif edilə bilər.
6. Təkrarlanan Neyron Şəbəkəsi
Təkrarlanan Neyron Şəbəkələri təbəqənin çıxışını saxlamaq və daha sonra təbəqənin nəticəsini proqnozlaşdırmaq üçün onu girişə qaytarmaq üçün nəzərdə tutulmuşdur. İrəli yem neyron şəbəkə adətən ilkin təbəqədir, ondan sonra təkrarlanan neyron şəbəkəsi təbəqəsidir, burada yaddaş funksiyası əvvəlki zaman addımında malik olduğu məlumatın bir hissəsini yadda saxlayır.
Bu ssenari irəli yayılmadan istifadə edir. Gələcəkdə lazım olacaq məlumatları saxlayır. Proqnozun yanlış olduğu halda, öyrənmə dərəcəsi kiçik düzəlişlər etmək üçün istifadə olunur. Nəticədə, geri yayılma irəlilədikcə, getdikcə daha dəqiq olacaq.
Applications
Neyron şəbəkələri müxtəlif fənlər üzrə məlumat problemlərini idarə etmək üçün istifadə olunur; bəzi nümunələr aşağıda göstərilmişdir.
- Üzün tanınması – Üzün tanınması həlləri effektiv müşahidə sistemləri kimi xidmət edir. Tanınma sistemləri rəqəmsal fotoşəkilləri insan üzləri ilə əlaqələndirir. Onlar seçmə giriş üçün ofislərdə istifadə olunur. Beləliklə, sistemlər insan üzünü yoxlayır və onu onun verilənlər bazasında saxlanılan şəxsiyyət vəsiqələrinin siyahısı ilə müqayisə edir.
- Səhmlərin proqnozlaşdırılması – İnvestisiyalar bazar risklərinə məruz qalır. Son dərəcə dəyişkən birjada gələcək inkişafı proqnozlaşdırmaq praktiki olaraq çətindir. Neyron şəbəkələrdən əvvəl daim dəyişən yüksəliş və ayı fazaları gözlənilməz idi. Bəs hər şeyi nə dəyişdi? Təbii ki, biz neyron şəbəkələrdən danışırıq... Çoxlaylı Perceptron MLP (bir növ irəli ötürülən süni intellekt sistemi) real vaxt rejimində uğurlu səhm proqnozu yaratmaq üçün istifadə olunur.
- Sosial Media – Nə qədər iyrənc səslənsə də, sosial media mövcudluğun adi yolunu dəyişdi. Sosial media istifadəçilərinin davranışı Süni Neyron Şəbəkələri vasitəsilə öyrənilir. Rəqabətli təhlil üçün virtual qarşılıqlı əlaqə vasitəsilə gündəlik təmin edilən məlumatlar yığılır və araşdırılır. Sosial media istifadəçilərinin hərəkətləri neyron şəbəkələr tərəfindən təkrarlanır. Sosial media şəbəkələri vasitəsilə məlumatlar təhlil edildikdən sonra fərdlərin davranışları insanların xərcləmə modelləri ilə əlaqələndirilə bilər. Sosial media proqramlarından alınan məlumatlar Multilayer Perceptron ANN istifadə edərək minalanır.
- Səhiyyə - Müasir dünyada fərdlər səhiyyə sənayesində texnologiyanın üstünlüklərindən istifadə edirlər. Səhiyyə işində, Konvolutional Neyron Şəbəkələri rentgen şüalarının aşkarlanması, CT taramaları və ultrasəs üçün istifadə olunur. Yuxarıda göstərilən testlərdən alınan tibbi görüntüləmə məlumatları neyron şəbəkə modellərindən istifadə edərək qiymətləndirilir və qiymətləndirilir, çünki CNN görüntü emalında istifadə olunur. Səsin tanınması sistemlərinin inkişafında təkrarlanan neyron şəbəkəsindən (RNN) də istifadə olunur.
- Hava Hesabatı – Süni intellektin tətbiqindən əvvəl meteorologiya şöbəsinin proqnozları heç vaxt dəqiq deyildi. Hava proqnozu əsasən gələcəkdə baş verəcək hava şəraitini proqnozlaşdırmaq üçün edilir. Müasir dövrdə təbii fəlakətlərin baş vermə ehtimalını proqnozlaşdırmaq üçün hava proqnozlarından istifadə edilir. Hava proqnozu çoxqatlı perseptron (MLP), konvolyusiya neyron şəbəkələri (CNN) və təkrarlanan neyron şəbəkələrindən (RNN) istifadə etməklə həyata keçirilir.
- Müdafiə - Logistika, silahlı hücum təhlili və əşyaların yeri, hamısı neyron şəbəkələrdən istifadə edir. Onlar həmçinin hava və dəniz patrullarında, eləcə də avtonom dronları idarə etmək üçün istifadə edirlər. Süni intellekt müdafiə sənayesinə texnologiyasını genişləndirmək üçün lazım olan təkan verir. Sualtı minaların mövcudluğunu aşkar etmək üçün Convolutional Neural Networks (CNN) istifadə olunur.
Üstünlüklər
- Bir neyron şəbəkəsindəki bir neçə neyron düzgün işləməsə belə, neyron şəbəkələri yenə də çıxışlar yaradacaq.
- Neyron şəbəkələri real vaxt rejimində öyrənmək və dəyişən parametrlərə uyğunlaşmaq qabiliyyətinə malikdir.
- Neyron şəbəkələri müxtəlif tapşırıqları yerinə yetirməyi öyrənə bilər. Verilən məlumatlara əsaslanaraq düzgün nəticəni təmin etmək.
- Neyron şəbəkələri eyni vaxtda bir neçə işi yerinə yetirmək gücünə və qabiliyyətinə malikdir.
Dezavantajları
- Neyron şəbəkələri problemləri həll etmək üçün istifadə olunur. Şəbəkələrin mürəkkəbliyinə görə verdiyi mühakimələrin “niyə və necə” səbəbinin izahını açıqlamır. Nəticə etibarı ilə şəbəkəyə inam itirilə bilər.
- Neyron şəbəkənin komponentləri bir-birindən asılıdır. Yəni, neyron şəbəkələri kifayət qədər hesablama gücünə malik kompüterləri tələb edir (yaxud onlardan çox asılıdır).
- Neyroşəbəkə prosesinin xüsusi qaydası (və ya əsas qaydası) yoxdur. Sınaq və səhv texnikasında optimal şəbəkəyə cəhd etməklə düzgün şəbəkə strukturu qurulur. Bu, çox incə tənzimləmə tələb edən bir prosedurdur.
Nəticə
Sahəsi sinir şəbəkələri sürətlə genişlənir. Onlarla məşğul olmaq üçün bu sektordakı anlayışları öyrənmək və dərk etmək çox vacibdir.
Bu məqalədə neyron şəbəkələrin bir çox növləri nəzərdən keçirilmişdir. Bu intizam haqqında daha çox öyrənsəniz, digər sahələrdə məlumat problemlərini həll etmək üçün neyron şəbəkələrdən istifadə edə bilərsiniz.
Cavab yaz