Taula de continguts[Amaga][Espectacle]
Inicialment es pensava que la intel·ligència artificial (IA) era un somni llunyà, una tecnologia per al futur, però ja no és així.
El que abans era un tema d'investigació, ara està explotant al món real. La intel·ligència artificial ara es troba en diversos llocs, com ara el lloc de treball, l'escola, la banca, els hospitals i fins i tot el telèfon.
Són els ulls dels vehicles autònoms, les veus de Siri i Alexa, les ments darrere de la previsió meteorològica, les mans darrere de la cirurgia assistida per robòtica i molt més.
Intel · ligència artificial (AI) s'està convertint en una característica habitual de la vida moderna. En els últims anys, la IA s'ha convertit en un actor important en una àmplia gamma de tecnologies de TI.
Finalment, la IA utilitza la xarxa neuronal per aprendre coses noves.
Així que avui coneixerem les xarxes neuronals, com funcionen, els seus tipus, aplicacions i molt més.
Què és la xarxa neuronal?
In màquina d'aprenentatge, una xarxa neuronal és una xarxa programada de neurones artificials. Intenta imitar el cervell humà tenint nombroses capes de "neurones", que són similars a les neurones del nostre cervell.
La primera capa de neurones acceptarà fotos, vídeo, so, text i altres entrades. Aquestes dades flueixen a través de tots els nivells, i la sortida d'una capa flueix a la següent. Això és fonamental per a les tasques més difícils, com ara el processament del llenguatge natural per a l'aprenentatge automàtic.
No obstant això, en altres casos, és preferible buscar la compressió del sistema per reduir la mida del model mantenint la precisió i l'eficiència. La poda d'una xarxa neuronal és un mètode de compressió que inclou l'eliminació de pesos d'un model après. Penseu en una xarxa neuronal d'intel·ligència artificial que s'ha entrenat per distingir les persones dels animals.
La imatge es dividirà en parts brillants i fosques per la primera capa de neurones. Aquestes dades es passaran a la capa següent, que determinarà on es troben les vores.
La següent capa intentarà reconèixer les formes que ha generat la combinació d'arestes. Segons les dades sobre les quals s'ha entrenat, les dades passaran per nombroses capes de manera similar per determinar si la imatge que has presentat és d'un humà o d'un animal.
Quan les dades es donen a una xarxa neuronal, comença a processar-les. Després d'això, les dades es processen mitjançant els seus nivells per obtenir el resultat desitjat. Una xarxa neuronal és una màquina que aprèn d'una entrada estructurada i mostra els resultats. Hi ha tres tipus d'aprenentatge que poden tenir lloc a les xarxes neuronals:
- Aprenentatge supervisat: les entrades i sortides es donen als algorismes mitjançant dades etiquetades. Després d'ensenyar-los a analitzar les dades, van pronosticar el resultat previst.
- Aprenentatge no supervisat: una ANN aprèn sense l'ajuda d'un humà. No hi ha dades etiquetades, i la sortida es decideix pels patrons que es troben a les dades de sortida.
- Aprenentatge de reforç és quan una xarxa aprèn dels comentaris que rep.
Com funcionen les xarxes neuronals?
Les neurones artificials s'utilitzen en xarxes neuronals, que són sistemes sofisticats. Les neurones artificials, també conegudes com a perceptrons, estan formades pels components següents:
- entrada
- pes
- Parcialitat
- Funció d'activació
- sortida
Les capes de neurones que formen les xarxes neuronals. Una xarxa neuronal consta de tres capes:
- Capa d'entrada
- Capa oculta
- Capa de sortida
Les dades en forma de valor numèric s'envien a la capa d'entrada. Les capes ocultes de la xarxa són les que fan més càlculs. La capa de sortida, per últim, però no menys important, preveu el resultat. Les neurones es dominen entre si en una xarxa neuronal. Les neurones s'utilitzen per construir cada capa. Les dades s'encaminen a la capa oculta després que la capa d'entrada les rep.
S'apliquen pesos a cada entrada. Dins de les capes ocultes d'una xarxa neuronal, el pes és un valor que tradueix les dades entrants. Els pesos funcionen multiplicant les dades d'entrada pel valor de pes a la capa d'entrada.
A continuació, comença el valor de la primera capa oculta. Les dades d'entrada es transformen i es passen a l'altra capa mitjançant les capes ocultes. La capa de sortida s'encarrega de generar el resultat final. Les entrades i els pesos es multipliquen i el resultat es lliura a les neurones de la capa oculta com a suma. Cada neurona té un biaix. Per calcular el total, cada neurona suma les entrades que rep.
Després d'això, el valor passa a través de la funció d'activació. El resultat de la funció d'activació determina si una neurona està activada o no. Quan una neurona està activa, envia informació a les altres capes. Les dades es creen a la xarxa fins que la neurona arriba a la capa de sortida mitjançant aquest mètode. La propagació cap endavant és un altre terme per a això.
La tècnica d'introduir dades a un node d'entrada i obtenir la sortida a través d'un node de sortida es coneix com a propagació de feed-forward. Quan les dades d'entrada són acceptades per la capa oculta, es produeix la propagació anticipada. Es processa segons la funció d'activació i després es passa a la sortida.
El resultat el projecta la neurona de la capa de sortida amb la probabilitat més alta. La retropropagació es produeix quan la sortida és incorrecta. Els pesos s'inicien a cada entrada mentre es crea una xarxa neuronal. La retropropagació és el procés de reajustar els pesos de cada entrada per reduir els errors i proporcionar una sortida més precisa.
Tipus de xarxes neuronals
1. Perceptró
El model de perceptró de Minsky-Papert és un dels models de neurones més senzills i antics. És la unitat més petita d'una xarxa neuronal que realitza determinats càlculs per tal de descobrir característiques o intel·ligència empresarial a les dades entrants. Pren entrades ponderades i aplica la funció d'activació per obtenir el resultat final. TLU (unitat lògica de llindar) és un altre nom per al perceptró.
Perceptron és un classificador binari que és un sistema d'aprenentatge supervisat que divideix les dades en dos grups. Portes lògiques com AND, OR i NAND es poden implementar amb perceptrons.
2. Xarxa Neural de Feed-Forward
La versió més bàsica de les xarxes neuronals, en què les dades d'entrada flueixen exclusivament en una direcció, passa per nodes neuronals artificials i surt per nodes de sortida. Les capes d'entrada i sortida estan presents en llocs on les capes ocultes poden estar o no. Es poden caracteritzar com una xarxa neuronal d'alimentació anticipada d'una sola capa o de múltiples capes en funció d'això.
El nombre de capes utilitzades ve determinat per la complexitat de la funció. Només es propaga cap endavant en una direcció i no es propaga cap enrere. Aquí, els pesos es mantenen constants. Les entrades es multipliquen per pesos per alimentar una funció d'activació. Per fer-ho, s'utilitza una funció d'activació de classificació o una funció d'activació de passos.
3. Perceptró multicapa
Una introducció al sofisticat xarxes neuronals, en què les dades d'entrada s'encaminen a través de moltes capes de neurones artificials. És una xarxa neuronal completament enllaçada, ja que cada node està connectat a totes les neurones de la capa següent. Hi ha múltiples capes ocultes, és a dir, almenys tres o més capes, a les capes d'entrada i de sortida.
Posseeix propagació bidireccional, el que significa que es pot propagar tant cap endavant com cap enrere. Les entrades es multipliquen per pesos i s'envien a la funció d'activació, on es canvien mitjançant retropropagació per minimitzar la pèrdua.
Els pesos són valors apresos per màquina de les xarxes neuronals, per dir-ho simplement. Depenent de la disparitat entre els resultats esperats i els inputs de formació, s'autoajusten. Softmax s'utilitza com a funció d'activació de la capa de sortida després de les funcions d'activació no lineals.
4. Xarxa neuronal convolucional
A diferència de la matriu bidimensional tradicional, una xarxa neuronal de convolució té una configuració tridimensional de neurones. La primera capa es coneix com a capa convolucional. Cada neurona de la capa convolucional només processa informació d'una part limitada del camp visual. Com un filtre, les característiques d'entrada es prenen en mode per lots.
La xarxa entén les imatges en seccions i pot realitzar aquestes accions nombroses vegades per acabar tot el processament de la imatge.
La imatge es converteix de RGB o HSI a escala de grisos durant el processament. Més variacions en el valor dels píxels ajudaran a detectar vores i les imatges es poden ordenar en diversos grups. La propagació unidireccional es produeix quan una CNN conté una o més capes convolucionals seguides d'una agrupació, i la propagació bidireccional es produeix quan la sortida de la capa de convolució s'envia a una xarxa neuronal completament connectada per a la classificació d'imatges.
Per extreure determinats elements d'una imatge, s'utilitzen filtres. A MLP, les entrades es ponderen i es subministren a la funció d'activació. RELU s'utilitza en convolució, mentre que MLP utilitza una funció d'activació no lineal seguida de softmax. En reconeixement d'imatges i vídeos, anàlisi semàntica i detecció de paràfrasis, les xarxes neuronals convolucionals produeixen resultats excel·lents.
5. Xarxa de biaix radial
Un vector d'entrada és seguit per una capa de neurones RBF i una capa de sortida amb un node per a cada categoria en una xarxa de funcions de base radial. L'entrada es classifica comparant-la amb els punts de dades del conjunt d'entrenament, on cada neurona manté un prototip. Aquest és un dels exemples del conjunt d'entrenament.
Cada neurona calcula la distància euclidiana entre l'entrada i el seu prototip quan s'ha de classificar un vector d'entrada nou [el vector n-dimensional que esteu intentant categoritzar]. Si tenim dues classes, Classe A i Classe B, la nova entrada a categoritzar és més semblant als prototips de classe A que als prototips de classe B.
Com a resultat, es pot etiquetar o classificar com a classe A.
6. Xarxa neuronal recurrent
Les xarxes neuronals recurrents estan dissenyades per desar la sortida d'una capa i després tornar-la a alimentar a l'entrada per ajudar a predir el resultat de la capa. Un feed-forward xarxa neural sol ser la capa inicial, seguida d'una capa de xarxa neuronal recurrent, on una funció de memòria recorda part de la informació que tenia en el pas de temps anterior.
Aquest escenari utilitza la propagació cap endavant. Desa les dades que es necessitaran en el futur. En el cas que la predicció sigui incorrecta, la taxa d'aprenentatge s'utilitza per fer petits ajustos. Com a resultat, a mesura que avança la retropropagació, serà cada cop més precisa.
Aplicacions
Les xarxes neuronals s'utilitzen per gestionar problemes de dades en una varietat de disciplines; a continuació es mostren alguns exemples.
- Reconeixement facial: les solucions de reconeixement facial serveixen com a sistemes de vigilància efectius. Els sistemes de reconeixement relacionen fotografies digitals amb rostres humans. S'utilitzen a les oficines per a l'entrada selectiva. Així, els sistemes verifiquen un rostre humà i el comparen amb una llista d'identificacions emmagatzemades a la seva base de dades.
- Predicció d'accions: les inversions estan exposades a riscos de mercat. És pràcticament difícil preveure l'evolució futura del mercat de valors extremadament volàtil. Abans de les xarxes neuronals, les fases alcistes i baixistes en constant canvi eren impredictibles. Però, què ho va alterar tot? Per descomptat, estem parlant de xarxes neuronals... S'utilitza un multicapa Perceptron MLP (un tipus de sistema d'intel·ligència artificial anticipada) per crear una previsió d'estocs d'èxit en temps real.
- Xarxes Socials – Per molt cursi que sembli, les xarxes socials han canviat el camí mundà de l'existència. El comportament dels usuaris de les xarxes socials s'estudia mitjançant xarxes neuronals artificials. Per a l'anàlisi competitiva, les dades subministrades diàriament mitjançant interaccions virtuals s'amunteguen i s'examinen. Les accions dels usuaris de les xarxes socials són replicades per xarxes neuronals. Els comportaments dels individus es poden connectar amb els patrons de despesa de les persones un cop s'analitzen les dades a través de les xarxes socials. Les dades de les aplicacions de xarxes socials s'exploten mitjançant Multilayer Perceptron ANN.
- Salut: les persones del món actual estan fent ús dels beneficis de la tecnologia en el sector sanitari. En el negoci de la salut, les xarxes neuronals convolucionals s'utilitzen per a la detecció de raigs X, exploracions de TC i ultrasons. Les dades d'imatge mèdica rebudes de les proves esmentades s'avaluen i valoren mitjançant models de xarxes neuronals, ja que la CNN s'utilitza en el processament d'imatges. En el desenvolupament de sistemes de reconeixement de veu, també s'utilitza la xarxa neuronal recurrent (RNN).
- Informe meteorològic: abans de la implementació de la intel·ligència artificial, les projeccions del departament meteorològic mai eren precises. La previsió meteorològica es fa en gran mesura per predir les condicions meteorològiques que es produiran en el futur. Les prediccions meteorològiques s'estan utilitzant per anticipar la probabilitat de desastres naturals en el període modern. La predicció del temps es fa mitjançant el perceptró multicapa (MLP), les xarxes neuronals convolucionals (CNN) i les xarxes neuronals recurrents (RNN).
- Defensa: la logística, l'anàlisi d'assalt armat i la ubicació d'elements utilitzen xarxes neuronals. També treballen en patrulles aèries i marítimes, així com per gestionar drons autònoms. La intel·ligència artificial està donant a la indústria de la defensa l'impuls tan necessari que necessita per ampliar la seva tecnologia. Per detectar l'existència de mines submarines, s'utilitzen xarxes neuronals convolucionals (CNN).
avantatges
- Fins i tot si algunes neurones d'una xarxa neuronal no funcionen correctament, les xarxes neuronals encara generaran sortides.
- Les xarxes neuronals tenen la capacitat d'aprendre en temps real i adaptar-se a la seva configuració canviant.
- Les xarxes neuronals poden aprendre a fer una varietat de tasques. Proporcionar el resultat correcte a partir de les dades proporcionades.
- Les xarxes neuronals tenen la força i la capacitat per gestionar diverses tasques alhora.
Desavantatges
- Les xarxes neuronals s'utilitzen per resoldre problemes. No revela l'explicació darrere de "per què i com" va fer els judicis que va fer a causa de la complexitat de les xarxes. Com a resultat, la confiança de la xarxa es pot erosionar.
- Els components d'una xarxa neuronal són interdependents els uns dels altres. És a dir, les xarxes neuronals demanen (o en depenen molt) ordinadors amb prou potència de càlcul.
- Un procés de xarxa neuronal no té cap regla específica (o regla general). En una tècnica d'assaig i error, s'estableix una estructura de xarxa correcta intentant la xarxa òptima. És un procediment que requereix molt d'ajustament.
Conclusió
El camp de xarxes neuronals s'expandeix ràpidament. És fonamental aprendre i comprendre els conceptes d'aquest sector per poder tractar-los.
En aquest article s'han tractat els molts tipus de xarxes neuronals. Podeu utilitzar les xarxes neuronals per abordar problemes de dades en altres camps si apreneu més informació sobre aquesta disciplina.
Deixa un comentari