Prvobitno se mislilo da je umjetna inteligencija (AI) daleki san, tehnologija budućnosti, ali to više nije tako.
Ono što je nekada bila tema istraživanja sada eksplodira u stvarnom svijetu. AI se sada nalazi na raznim mjestima, uključujući vaše radno mjesto, školu, bankarstvo, bolnice, pa čak i vaš telefon.
To su oči samovozećih vozila, Sirini i Alexini glasovi, umovi koji stoje iza vremenske prognoze, ruke iza operacija uz pomoć robota i još mnogo toga.
Umjetna inteligencija (AI) postaje uobičajena karakteristika modernog života. U posljednjih nekoliko godina, AI se pojavio kao glavni igrač u širokom spektru IT tehnologija.
Konačno, AI koristi neuronsku mrežu za učenje novih stvari.
Dakle, danas ćemo naučiti o neuronskim mrežama, kako one rade, njihovim vrstama, primjenama i još mnogo toga.
Šta je neuronska mreža?
In mašinsko učenje, neuronska mreža je softverski programirana mreža umjetnih neurona. Pokušava da imitira ljudski mozak tako što ima brojne slojeve "neurona", koji su slični neuronima u našem mozgu.
Prvi sloj neurona će prihvatiti fotografije, video, zvuk, tekst i druge ulaze. Ovi podaci teku kroz sve nivoe, pri čemu izlaz jednog sloja teče u drugi. Ovo je ključno za najteže zadatke, kao što je obrada prirodnog jezika za mašinsko učenje.
Međutim, u drugim slučajevima, poželjno je težiti kompresiji sistema kako bi se smanjila veličina modela uz održavanje točnosti i efikasnosti. Obrezivanje neuronske mreže je metoda kompresije koja uključuje uklanjanje težine iz naučenog modela. Zamislite neuronsku mrežu umjetne inteligencije koja je obučena da razlikuje ljude od životinja.
Prvi sloj neurona će sliku podijeliti na svijetle i tamne dijelove. Ovi podaci će biti proslijeđeni u sljedeći sloj, koji će odrediti gdje su ivice.
Sljedeći sloj će pokušati prepoznati forme koje je generirala kombinacija ivica. Prema podacima na kojima je obučeno, podaci će proći kroz brojne slojeve na sličan način kako bi se utvrdilo je li slika koju ste prikazali čovjeka ili životinje.
Kada se podaci daju u neuronsku mrežu, ona počinje da ih obrađuje. Nakon toga, podaci se obrađuju preko svojih nivoa kako bi se dobio željeni rezultat. Neuronska mreža je mašina koja uči iz strukturiranog unosa i prikazuje rezultate. Postoje tri vrste učenja koje se mogu odvijati u neuronskim mrežama:
- Učenje pod nadzorom – Ulazi i izlazi se daju algoritmima koristeći označene podatke. Nakon što su naučeni kako analizirati podatke, predviđaju željeni ishod.
- Učenje bez nadzora – ANN uči bez pomoći čovjeka. Nema označenih podataka, a izlaz se određuje prema uzorcima koji se nalaze u izlaznim podacima.
- Učenje ojačanja je kada mreža uči iz povratnih informacija koje prima.
Kako funkcioniraju neuronske mreže?
Umjetni neuroni se koriste u neuronskim mrežama, koje su sofisticirani sistemi. Umjetni neuroni, također poznati kao perceptroni, sastoje se od sljedećih komponenti:
- ulazni
- Težina
- sklonost
- Funkcija aktivacije
- izlaz
Slojevi neurona koji čine neuronske mreže. Neuronska mreža se sastoji od tri sloja:
- Ulazni sloj
- Skriveni sloj
- Izlazni sloj
Podaci u obliku numeričke vrijednosti šalju se na ulazni sloj. Skriveni slojevi mreže su oni koji najviše računaju. Izlazni sloj, na kraju, ali ne i najmanje važno, predviđa rezultat. Neuroni dominiraju jedan nad drugim u neuronskoj mreži. Neuroni se koriste za izgradnju svakog sloja. Podaci se usmjeravaju na skriveni sloj nakon što ih ulazni sloj dobije.
Ponderi se primjenjuju na svaki ulaz. Unutar skrivenih slojeva neuronske mreže, težina je vrijednost koja prevodi dolazne podatke. Ponderi funkcioniraju množenjem ulaznih podataka vrijednošću težine u ulaznom sloju.
Zatim pokreće vrijednost prvog skrivenog sloja. Ulazni podaci se transformišu i prosleđuju drugom sloju preko skrivenih slojeva. Izlazni sloj je odgovoran za generiranje konačnog rezultata. Unosi i težine se množe, a rezultat se isporučuje neuronima skrivenog sloja kao zbir. Svakom neuronu je data predrasuda. Da bi izračunao zbir, svaki neuron dodaje ulaze koje prima.
Nakon toga vrijednost prelazi preko aktivacijske funkcije. Rezultat funkcije aktivacije određuje da li se neuron aktivira ili ne. Kada je neuron aktivan, on šalje informacije drugim slojevima. Podaci se kreiraju u mreži sve dok neuron ne dođe do izlaznog sloja pomoću ove metode. Proširivanje naprijed je drugi termin za ovo.
Tehnika unosa podataka u ulazni čvor i dobijanje izlaza kroz izlazni čvor poznata je kao propagacija naprijed. Kada skriveni sloj prihvati ulazne podatke, dolazi do propagacije naprijed. Obrađuje se u skladu s funkcijom aktivacije, a zatim se prosljeđuje na izlaz.
Rezultat je projektovan od strane neurona u izlaznom sloju sa najvećom verovatnoćom. Propagiranje unazad se događa kada je izlaz netačan. Težine se inicijaliziraju za svaki ulaz dok se stvara neuronska mreža. Proširivanje unazad je proces ponovnog prilagođavanja težine svakog ulaza kako bi se smanjile greške i pružio precizniji izlaz.
Vrste neuronskih mreža
1. Perceptron
Minsky-Papertov model perceptrona jedan je od najjednostavnijih i najstarijih neuronskih modela. To je najmanja jedinica neuronske mreže koja obavlja određene proračune kako bi otkrila karakteristike ili poslovnu inteligenciju u dolaznim podacima. Potrebno je ponderisane ulaze i primjenjuje funkciju aktivacije da bi se dobio konačni rezultat. TLU (threshold logic unit) je drugo ime za perceptron.
Perceptron je binarni klasifikator koji je sistem za učenje pod nadzorom koji dijeli podatke u dvije grupe. Logic Gates kao što su AND, OR i NAND mogu se implementirati sa perceptronima.
2. Neuralna mreža za prosljeđivanje
Najosnovnija verzija neuronskih mreža, u kojoj ulazni podaci teku isključivo u jednom smjeru, prolazi kroz umjetne neuronske čvorove i izlazi kroz izlazne čvorove. Ulazni i izlazni slojevi su prisutni na mjestima gdje skriveni slojevi mogu ili ne moraju biti prisutni. Na osnovu toga se mogu okarakterisati kao jednoslojne ili višeslojne neuronske mreže.
Broj korištenih slojeva određen je složenošću funkcije. Proširuje se samo naprijed u jednom smjeru i ne širi se unazad. Ovdje težine ostaju konstantne. Unosi se množe sa težinama kako bi se nahranila funkcija aktivacije. Za to se koristi klasifikacijska aktivacijska funkcija ili funkcija koraka aktivacije.
3. Višeslojni perceptron
Uvod u sofisticirano neuronske mreže, u kojem se ulazni podaci rutiraju preko mnogih slojeva umjetnih neurona. To je potpuno povezana neuronska mreža, budući da je svaki čvor povezan sa svim neuronima u sljedećem sloju. Više skrivenih slojeva, tj. najmanje tri ili više slojeva, prisutno je u ulaznim i izlaznim slojevima.
Posjeduje dvosmjerno širenje, što znači da se može širiti i naprijed i nazad. Unosi se množe sa težinama i šalju u funkciju aktivacije, gdje se mijenjaju putem propagacije unazad kako bi se smanjio gubitak.
Težine su mašinski naučene vrednosti iz neuronskih mreža, pojednostavljeno rečeno. Ovisno o disparitetu između očekivanih rezultata i inputa obuke, oni se sami prilagođavaju. Softmax se koristi kao funkcija aktivacije izlaznog sloja nakon nelinearnih aktivacijskih funkcija.
4. Konvoluciona neuronska mreža
Za razliku od tradicionalnog dvodimenzionalnog niza, konvoluciona neuronska mreža ima trodimenzionalnu konfiguraciju neurona. Prvi sloj je poznat kao konvolucijski sloj. Svaki neuron u konvolucionom sloju samo obrađuje informacije iz ograničenog dijela vidnog polja. Poput filtera, ulazne karakteristike se preuzimaju u batch modu.
Mreža razumije slike u dijelovima i može izvršiti ove radnje više puta kako bi završila cjelokupnu obradu slike.
Slika se konvertuje iz RGB ili HSI u nijanse sive tokom obrade. Dalje varijacije u vrijednosti piksela će pomoći u otkrivanju ivica, a slike se mogu sortirati u nekoliko grupa. Jednosmjerna propagacija se događa kada CNN sadrži jedan ili više konvolucijskih slojeva nakon čega slijedi objedinjavanje, a dvosmjerna propagacija se događa kada se izlaz sloja konvolucije šalje potpuno povezanoj neuronskoj mreži radi klasifikacije slike.
Za izdvajanje određenih elemenata slike koriste se filteri. U MLP-u, ulazi su ponderisani i dostavljeni u funkciju aktivacije. RELU se koristi u konvoluciji, dok MLP koristi funkciju nelinearne aktivacije koju prati softmax. U prepoznavanju slike i videa, semantičkom raščlanjivanju i detekciji parafraze, konvolucione neuronske mreže daju odlične rezultate.
5. Radial Bias Network
Ulazni vektor je praćen slojem RBF neurona i izlaznim slojem sa jednim čvorom za svaku kategoriju u mreži radijalnih osnovnih funkcija. The input is classified by comparing it against data points from the training set, where each neuron maintains a prototype. Ovo je jedan od primjera seta za obuku.
Svaki neuron izračunava euklidsku udaljenost između ulaza i njegovog prototipa kada se mora klasificirati novi ulazni vektor [n-dimenzionalni vektor koji pokušavate kategorizirati]. Ako imamo dvije klase, klasu A i klasu B, novi ulaz koji treba kategorizirati je sličniji prototipovima klase A nego prototipovima klase B.
Kao rezultat toga, može biti označena ili kategorizirana kao klasa A.
6. Rekurentna neuronska mreža
Rekurentne neuronske mreže su dizajnirane da sačuvaju izlaz sloja, a zatim ga vrate nazad u ulaz kako bi pomogle u predviđanju ishoda sloja. A feed-forward neuronska mreža je obično početni sloj, nakon čega slijedi rekurentni sloj neuronske mreže, gdje memorijska funkcija pamti dio informacija koje je imala u prethodnom vremenskom koraku.
Ovaj scenario koristi širenje prema naprijed. Čuva podatke koji će biti potrebni u budućnosti. U slučaju da je predviđanje pogrešno, stopa učenja se koristi za manja prilagođavanja. Kao rezultat toga, kako propagacija unazad napreduje, ona će postati sve preciznija.
Aplikacije
Neuronske mreže se koriste za rješavanje problema s podacima u raznim disciplinama; neki primjeri su prikazani u nastavku.
- Prepoznavanje lica – Rešenja za prepoznavanje lica služe kao efikasni sistemi nadzora. Sistemi za prepoznavanje povezuju digitalne fotografije sa ljudskim licima. Koriste se u uredima za selektivni ulazak. Dakle, sistemi verificiraju ljudsko lice i upoređuju ga sa listom ID-ova pohranjenih u njegovoj bazi podataka.
- Predviđanje akcija – Ulaganja su izložena tržišnim rizicima. Praktično je teško predvidjeti buduća kretanja na izuzetno nestabilnom tržištu dionica. Prije neuronskih mreža, konstantno mijenjanje bikovske i medvjeđe faze bile su nepredvidive. Ali, šta je sve promenilo? Naravno, govorimo o neuronskim mrežama... Višeslojni Perceptron MLP (vrsta sistema umjetne inteligencije za naprijed) koristi se za kreiranje uspješne prognoze zaliha u realnom vremenu.
- Social Media – Bez obzira koliko otrcano zvučalo, društvene mreže su promijenile svakodnevni put postojanja. Ponašanje korisnika društvenih mreža proučava se pomoću umjetnih neuronskih mreža. Za analizu konkurencije, podaci koji se svakodnevno dostavljaju putem virtuelnih interakcija gomilaju se i ispituju. Akcije korisnika društvenih medija repliciraju neuronske mreže. Ponašanje pojedinaca može se povezati s obrascima potrošnje ljudi kada se podaci analiziraju putem društvenih mreža. Podaci iz aplikacija društvenih medija se rudare pomoću Multilayer Perceptron ANN.
- Zdravstvo – Pojedinci u današnjem svijetu koriste prednosti tehnologije u zdravstvenoj industriji. U zdravstvenom poslovanju, konvolucijske neuronske mreže se koriste za detekciju rendgenskih zraka, CT skeniranje i ultrazvuk. Medicinski slikovni podaci dobijeni iz gore navedenih testova procjenjuju se i procjenjuju pomoću modela neuronske mreže, jer se CNN koristi u obradi slike. U razvoju sistema za prepoznavanje glasa koristi se i rekurentna neuronska mreža (RNN).
- Izvještaj o vremenu – Prije implementacije vještačke inteligencije, projekcije meteorološkog odjela nikada nisu bile precizne. Vremenska prognoza se uglavnom radi radi predviđanja vremenskih uslova koji će se dogoditi u budućnosti. Vremenska predviđanja se koriste za predviđanje vjerovatnoće prirodnih katastrofa u modernom periodu. Prognoza vremena se vrši pomoću višeslojnog perceptrona (MLP), konvolucionih neuronskih mreža (CNN) i rekurentnih neuronskih mreža (RNN).
- Odbrana – Logistika, analiza oružanog napada i lokacija predmeta koriste neuronske mreže. Takođe su zaposleni u vazdušnim i pomorskim patrolama, kao i za upravljanje autonomnim dronovima. Umjetna inteligencija daje odbrambenoj industriji prijeko potreban poticaj koji joj je potreban za povećanje svoje tehnologije. Za otkrivanje postojanja podvodnih mina koriste se konvolucione neuronske mreže (CNN).
prednosti
- Čak i ako nekoliko neurona u neuronskoj mreži ne funkcionira ispravno, neuronske mreže će i dalje generirati izlaze.
- Neuronske mreže imaju mogućnost učenja u realnom vremenu i prilagođavanja promjenjivim postavkama.
- Neuronske mreže mogu naučiti obavljati različite zadatke. Da pruži tačan rezultat na osnovu dostavljenih podataka.
- Neuronske mreže imaju snagu i sposobnost da obavljaju nekoliko zadataka u isto vrijeme.
nedostaci
- Neuronske mreže se koriste za rješavanje problema. Ne otkriva objašnjenje iza "zašto i kako" je donio presude koje je učinio zbog zamršenosti mreža. Kao rezultat toga, povjerenje u mrežu može biti narušeno.
- Komponente neuronske mreže su međusobno zavisne. To znači da neuronske mreže zahtijevaju (ili se izuzetno oslanjaju na) računare sa dovoljnom računarskom snagom.
- Proces neuronske mreže nema specifično pravilo (ili pravilo). U tehnici pokušaja i greške, ispravna mrežna struktura se uspostavlja pokušajem optimalne mreže. To je postupak koji zahtijeva mnogo finog podešavanja.
zaključak
Polje neuronske mreže se brzo širi. Od ključne je važnosti naučiti i razumjeti koncepte u ovom sektoru kako bi se mogli nositi s njima.
U ovom članku obrađene su mnoge vrste neuronskih mreža. Možete koristiti neuronske mreže za rješavanje problema podataka u drugim poljima ako naučite više o ovoj disciplini.
Ostavite odgovor