Kaundan[Itago][Ipakita]
Ang Artificial Intelligence (AI) sa sinugdan gihunahuna nga usa ka halayo nga damgo, usa ka teknolohiya alang sa umaabot, apan dili na kana ang kaso.
Ang kaniadto usa ka hilisgutan sa panukiduki karon nagbuto sa tinuud nga kalibutan. Ang AI karon makit-an sa lainlaing mga lugar, lakip ang imong trabahoan, eskuylahan, bangko, ospital, ug bisan ang imong telepono.
Sila ang mga mata sa nagmaneho sa kaugalingon nga mga salakyanan, mga tingog ni Siri ug Alexa, ang mga hunahuna sa luyo sa pagtagna sa panahon, ang mga kamot sa luyo sa operasyon nga gitabangan sa robotic, ug daghan pa.
artipisyal nga salabutan (AI) nahimong kasagarang bahin sa modernong kinabuhi. Sa miaging pipila ka tuig, ang AI mitumaw isip usa ka mayor nga magdudula sa usa ka halapad nga mga teknolohiya sa IT.
Sa katapusan, ang neural network gigamit sa AI aron makakat-on og bag-ong mga butang.
Mao nga karon mahibal-an naton ang bahin sa mga Neural Network, kung giunsa kini molihok, ang ilang mga tipo, aplikasyon, ug daghan pa.
Unsa ang Neural Network?
In pagkat-on sa makina, ang neural network kay usa ka software-programmed network sa mga artipisyal nga neuron. Kini naningkamot sa pagsundog sa utok sa tawo pinaagi sa pagbaton ug daghang mga lut-od sa “neuron,” nga susama sa mga neuron sa atong utok.
Ang una nga layer sa mga neuron modawat sa mga litrato, video, tunog, teksto, ug uban pang mga input. Kini nga datos modagayday sa tanang lebel, nga adunay usa ka layer nga output nga moagos ngadto sa sunod. Importante kini alang sa labing lisud nga mga buluhaton, sama sa pagproseso sa natural nga pinulongan alang sa pagkat-on sa makina.
Bisan pa, sa ubang mga kaso, ang pagtinguha alang sa pag-compress sa sistema aron makunhuran ang gidak-on sa modelo samtang gipadayon ang katukma ug kaepektibo mas gusto. Ang pagpul-ong sa usa ka neural network usa ka paagi sa pag-compress nga naglakip sa pagtangtang sa mga gibug-aton gikan sa usa ka nakat-unan nga modelo. Hunahunaa ang usa ka artificial intelligence neural network nga gibansay aron mailhan ang mga tawo gikan sa mga hayop.
Ang hulagway bahinon ngadto sa hayag ug ngitngit nga mga bahin sa unang layer sa mga neuron. Kini nga datos ipasa sa mosunod nga layer, nga magtino kung asa ang mga sulud.
Ang sunod nga layer mosulay sa pag-ila sa mga porma nga namugna sa kombinasyon sa mga ngilit. Sumala sa datos nga gibansay niini, ang datos moagi sa daghang mga layer sa parehas nga paagi aron mahibal-an kung ang imahe nga imong gipresentar usa ka tawo o hayop.
Kung ang datos gihatag sa usa ka neural network, nagsugod kini sa pagproseso niini. Pagkahuman, ang datos giproseso pinaagi sa mga lebel niini aron makuha ang gitinguha nga resulta. Ang neural network usa ka makina nga nakakat-on gikan sa structured input ug nagpakita sa mga resulta. Adunay tulo ka matang sa pagkat-on nga mahimong mahitabo sa mga neural network:
- Gidumala nga Pagkat-on - Ang mga input ug mga output gihatag sa mga algorithm gamit ang label nga datos. Human matudloi kon unsaon pag-analisar sa datos, ilang gitagna ang gituyo nga resulta.
- Wala Gibantayan nga Pagkat-on - Ang ANN nakakat-on nga wala’y tabang sa usa ka tawo. Walay gimarkahan nga datos, ug ang output gipili pinaagi sa mga pattern nga makita sa output data.
- Pagpalig-on sa Pagkat-on mao kung ang usa ka network makakat-on gikan sa feedback nga nadawat niini.
Giunsa pagtrabaho ang mga Neural network?
Ang mga artipisyal nga neuron gigamit sa mga neural network, nga mga sopistikado nga sistema. Ang mga artipisyal nga neuron, nailhan usab nga perceptrons, gilangkoban sa mosunod nga mga sangkap:
- input
- Timbang
- bias
- Pagpaaktibo Function
- output
Ang mga lut-od sa mga neuron nga naglangkob sa mga neural network. Ang neural network naglangkob sa tulo ka mga layer:
- Input layer
- Tinago nga layer
- Output layer
Ang datos sa porma sa usa ka numeric value gipadala ngadto sa input layer. Ang mga tinago nga layer sa network mao ang labing daghang kalkulasyon. Ang output layer, katapusan apan dili labing gamay, nagtagna sa resulta. Ang mga neuron nagdominar sa usag usa sa usa ka neural network. Ang mga neuron gigamit sa paghimo sa matag layer. Gidala ang datos sa tinago nga layer pagkahuman makuha kini sa input layer.
Ang mga gibug-aton gigamit sa matag input. Sulod sa tinago nga mga layer sa usa ka neural network, ang gibug-aton usa ka kantidad nga naghubad sa umaabot nga datos. Ang mga gibug-aton naglihok pinaagi sa pagpadaghan sa input data sa gibug-aton nga bili sa input layer.
Dayon kini magsugod sa unang tinago nga layer's value. Ang input data giusab ug gipasa ngadto sa laing layer pinaagi sa mga tinago nga mga layer. Ang output layer maoy responsable sa pagmugna sa katapusang resulta. Ang mga input ug mga gibug-aton gipadaghan, ug ang resulta gihatag ngadto sa mga tinago nga layer nga mga neuron isip usa ka sum. Ang matag neuron gihatagan ug bias. Aron makalkulo ang kinatibuk-an, ang matag neuron magdugang sa mga input nga madawat niini.
Human niana, ang bili moagi pinaagi sa pagpaaktibo function. Ang resulta sa activation function nagtino kung ang usa ka neuron gi-activate o dili. Kung aktibo ang usa ka neuron, nagpadala kini og impormasyon sa ubang mga layer. Ang datos gihimo sa network hangtod ang neuron makaabot sa output layer gamit kini nga pamaagi. Ang pagpalapad sa unahan maoy laing termino alang niini.
Ang teknik sa pagpakaon sa datos ngadto sa usa ka input node ug pagkuha sa output pinaagi sa usa ka output node nailhan nga feed-forward propagation. Sa diha nga ang input data gidawat sa tinago nga layer, feed-forward propagation mahitabo. Giproseso kini sumala sa function sa pagpaaktibo ug dayon gipasa sa output.
Ang resulta giplano sa neuron sa output layer nga adunay labing taas nga posibilidad. Ang backpropagation mahitabo kung ang output dili husto. Ang mga gibug-aton gisugdan sa matag input samtang nagmugna og neural network. Ang backpropagation mao ang proseso sa pag-adjust sa mga gibug-aton sa matag input aron makunhuran ang mga sayup ug makahatag og mas tukma nga output.
Mga matang sa Neural Network
1. Perceptron
Ang Minsky-Papert perceptron nga modelo mao ang usa sa pinakasimple ug labing karaan nga mga modelo sa neuron. Kini mao ang pinakagamay nga yunit sa usa ka neural network nga naghimo sa pipila ka mga kalkulasyon aron sa pagdiskobre sa mga kinaiya o negosyo intelligence sa umaabot nga data. Nagkinahanglan kini og gibug-aton nga mga input ug magamit ang pagpaandar sa pagpaaktibo aron makuha ang katapusang resulta. Ang TLU (threshold logic unit) maoy laing ngalan sa perceptron.
Ang Perceptron usa ka binary classifier nga usa ka supervised learning system nga nagbahin sa datos sa duha ka grupo. Logic Ganghaan sama sa AND, OR, ug NAND mahimong ipatuman sa perceptrons.
2. Feed-Forward Neural Network
Ang labing sukaranan nga bersyon sa mga neural network, diin ang data sa input nag-agay nga eksklusibo sa usa ka direksyon, moagi sa mga artipisyal nga neural node ug mogawas pinaagi sa mga output node. Ang mga layer sa input ug output anaa sa mga lugar diin ang mga tinago nga mga layer mahimo o wala. Mahimo silang mailhan ingon usa ka single-layered o multi-layered feed-forward neural network base niini.
Ang gidaghanon sa mga layer nga gigamit gitino pinaagi sa pagkakomplikado sa function. Kini mokaylap lamang sa unahan sa usa ka direksyon ug dili mokaylap paatras. Dinhi, ang mga gibug-aton nagpabilin nga makanunayon. Ang mga input gipadaghan sa mga gibug-aton aron mapakaon ang usa ka function sa pagpaaktibo. Usa ka function sa pagpaaktibo sa klasipikasyon o usa ka function sa pagpaaktibo sa lakang ang gigamit aron mahimo kini.
3. Multi-layer nga perceptron
Usa ka pasiuna sa sopistikado neural nets, diin ang input data gipaagi sa daghang mga layer sa artipisyal nga mga neuron. Kini usa ka hingpit nga konektado nga neural network, tungod kay ang matag node konektado sa tanan nga mga neuron sa sunod nga layer. Daghang tinago nga mga layer, ie, labing menos tulo o daghan pa nga mga layer, naa sa input ug output layer.
Nagbaton kini og bidirectional propagation, nga nagpasabot nga kini mahimong mokaylap sa unahan ug paatras. Ang mga input gipadaghan sa mga gibug-aton ug gipadala ngadto sa activation function, diin kini giusab pinaagi sa backpropagation aron mamenosan ang pagkawala.
Ang mga timbang kay nakat-onan sa makina nga mga mithi gikan sa Neural Networks, sa yanong pagkasulti niini. Depende sa kalainan tali sa gipaabot nga mga output ug mga input sa pagbansay, sila nag-adjust sa kaugalingon. Ang Softmax gigamit isip usa ka output layer activation function human sa nonlinear activation functions.
4. Convolutional Neural Network
Sukwahi sa tradisyonal nga two-dimensional array, ang convolution neural network adunay three-dimensional nga configuration sa mga neuron. Ang unang layer nailhan nga convolutional layer. Ang matag neuron sa convolutional layer nagproseso lamang sa impormasyon gikan sa limitado nga bahin sa visual field. Sama sa usa ka filter, ang mga feature sa input gikuha sa batch mode.
Nasabtan sa network ang mga litrato sa mga seksyon ug mahimo kini nga mga aksyon sa daghang mga higayon aron mahuman ang tibuuk nga pagproseso sa imahe.
Ang hulagway gi-convert gikan sa RGB o HSI ngadto sa grayscale atol sa pagproseso. Ang dugang nga mga pagbag-o sa kantidad sa pixel makatabang sa pag-ila sa mga ngilit, ug ang mga litrato mahimong mahan-ay sa daghang mga grupo. Ang unidirectional propagation mahitabo kung ang CNN adunay usa o daghan pa nga convolutional layer nga gisundan sa pooling, ug ang bidirectional propagation mahitabo kung ang output sa convolution layer ipadala sa usa ka hingpit nga konektado nga neural network para sa klasipikasyon sa imahe.
Aron makuha ang pipila ka mga elemento sa usa ka imahe, gigamit ang mga pagsala. Sa MLP, ang mga input gitimbang ug gihatag sa function sa pagpaaktibo. Ang RELU gigamit sa convolution, samtang ang MLP naggamit ug nonlinear activation function nga gisundan sa softmax. Sa pagkilala sa litrato ug video, pag-parse sa semantiko, ug pagtuki sa paraphrase, ang convolutional neural network nagpatunghag maayo kaayo nga mga sangputanan.
5. Radial Bias Network
Ang usa ka input vector gisundan sa usa ka layer sa RBF neurons ug usa ka output layer nga adunay usa ka node alang sa matag kategorya sa usa ka Radial Basis Function Network. Ang input giklasipikar pinaagi sa pagtandi niini batok sa mga punto sa datos gikan sa set sa pagbansay, diin ang matag neuron nagmintinar sa usa ka prototype. Usa kini sa mga ehemplo sa training set.
Ang matag neuron nagkalkula sa Euclidean nga gilay-on tali sa input ug sa prototype niini kung ang usa ka bag-ong input vector [ang n-dimensional nga vector nga imong gisulayan sa pagkategorya] kinahanglan nga klase. Kung kita adunay duha ka klase, Class A ug Class B, ang bag-ong input nga ma-categorize mas susama sa class A prototypes kay sa class B prototypes.
Ingon usa ka sangputanan, kini mahimong markahan o ma-categorize ingon klase A.
6. Nagbalikbalik nga Neural Network
Ang Recurrent Neural Networks gidesinyo aron makatipig sa output sa usa ka layer ug dayon ibalik kini sa input aron matabangan ang pagtagna sa sangputanan sa layer. Usa ka feed-forward neural network kasagaran ang inisyal nga layer, gisundan sa usa ka balik-balik nga neural network layer, diin ang usa ka memory function mahinumdom sa bahin sa impormasyon nga naa niini sa miaging lakang sa panahon.
Kini nga senaryo naggamit sa pagpalapad sa unahan. Nagtipig kini sa datos nga gikinahanglan sa umaabot. Kung ang panagna dili husto, ang rate sa pagkat-on gigamit sa paghimo og gagmay nga mga pagbag-o. Ingon nga resulta, samtang ang backpropagation nag-uswag, kini mahimong mas tukma.
aplikasyon
Ang mga neural network gigamit sa pagdumala sa mga problema sa datos sa lain-laing mga disiplina; pipila ka mga pananglitan gipakita sa ubos.
- Pag-ila sa nawong - Ang mga Solusyon sa Pag-ila sa nawong nagsilbi nga epektibo nga mga sistema sa pagpaniid. Ang mga sistema sa pag-ila adunay kalabotan sa digital nga mga litrato sa mga nawong sa tawo. Gigamit kini sa mga opisina alang sa pinili nga pagsulod. Sa ingon, ang mga sistema nagpamatuod sa usa ka nawong sa tawo ug itandi kini sa usa ka lista sa mga ID nga gitipigan sa database niini.
- Pagtagna sa Stock - Ang mga pamuhunan nahayag sa mga peligro sa merkado. Halos lisud ang pagtan-aw sa umaabot nga mga pag-uswag sa labi ka dali nga nagbag-o nga merkado sa stock. Sa wala pa ang mga neural network, ang kanunay nga pagbalhin sa mga bullish ug bearish nga mga hugna dili matag-an. Apan, unsay nakapausab sa tanan? Siyempre, naghisgot kami bahin sa mga neural network… Usa ka Multilayer Perceptron MLP (usa ka matang sa feedforward artificial intelligence system) ang gigamit sa paghimo og malampuson nga stock forecast sa tinuod nga panahon.
- Social Media - Bisan unsa pa kini ka corny, ang social media nagbag-o sa kalibutanon nga dalan sa paglungtad. Ang pamatasan sa mga tiggamit sa social media gitun-an gamit ang Artificial Neural Networks. Alang sa pagtuki sa kompetisyon, ang mga datos nga gihatag matag adlaw pinaagi sa virtual nga mga interaksyon gitapok ug gisusi. Ang mga aksyon sa mga tiggamit sa social media gisundog sa mga neural network. Ang mga pamatasan sa mga indibidwal mahimong konektado sa mga sumbanan sa paggasto sa mga tawo sa higayon nga masusi ang datos pinaagi sa mga social media network. Ang datos gikan sa mga aplikasyon sa social media gimina gamit ang Multilayer Perceptron ANN.
- Pag-atiman sa Panglawas - Ang mga indibidwal sa kalibutan karon naggamit sa mga benepisyo sa teknolohiya sa industriya sa pag-atiman sa kahimsog. Sa negosyo sa pag-atiman sa panglawas, ang Convolutional Neural Networks gigamit alang sa X-ray detection, CT scan, ug ultrasound. Ang datos sa medikal nga imaging nga nadawat gikan sa nahisgutan nga mga pagsulay gisusi ug gitimbang gamit ang mga modelo sa neural network, tungod kay gigamit ang CNN sa pagproseso sa imahe. Sa pagpalambo sa mga sistema sa pag-ila sa tingog, gigamit usab ang balik-balik nga neural network (RNN).
- Weather Report – Sa wala pa ang pagpatuman sa artificial intelligence, ang mga projection sa meteorological department dili gayud tukma. Ang pagtagna sa panahon gihimo sa kadaghanan aron matagna ang kahimtang sa panahon nga mahitabo sa umaabot. Ang mga panagna sa panahon gigamit aron mapaabut ang posibilidad sa natural nga mga katalagman sa modernong panahon. Ang pagtagna sa panahon gihimo gamit ang multilayer perceptron (MLP), convolutional neural network (CNN), ug recurrent neural network (RNN).
- Depensa - Logistics, pagtuki sa armadong pag-atake, ug lokasyon sa butang tanan naggamit mga neural network. Gigamit usab sila sa mga patrol sa hangin ug dagat, ingon man sa pagdumala sa mga awtonomiya nga drone. Ang artipisyal nga paniktik naghatag sa industriya sa depensa sa gikinahanglan kaayo nga pagpauswag nga gikinahanglan niini aron mapadako ang teknolohiya niini. Alang sa pag-ila sa paglungtad sa mga minahan sa ilawom sa tubig, gigamit ang Convolutional Neural Networks (CNN).
bentaha
- Bisan kung ang pipila ka mga neuron sa usa ka neural network dili molihok sa husto, ang mga neural network makahimo gihapon og mga output.
- Ang mga neural network adunay katakus sa pagkat-on sa tinuud nga oras ug pagpahiangay sa ilang nagbag-o nga mga setting.
- Ang mga neural network makakat-on sa pagbuhat sa lain-laing mga buluhaton. Aron mahatagan ang husto nga sangputanan base sa gihatag nga datos.
- Ang mga neural network adunay kusog ug kapabilidad sa pagdumala sa daghang mga buluhaton sa parehas nga oras.
disadvantages
- Ang mga neural network gigamit sa pagsulbad sa mga problema. Wala niini gibutyag ang katin-awan luyo sa "ngano ug giunsa" gihimo niini ang mga hukom nga gihimo niini tungod sa kakuti sa mga network. Ingon usa ka sangputanan, ang pagsalig sa network mahimong madaot.
- Ang mga sangkap sa neural network nagsalig sa usag usa. Sa ato pa, ang mga neural network nangayo (o nagsalig kaayo sa) mga kompyuter nga adunay igong gahum sa pag-compute.
- Ang proseso sa neural network walay piho nga lagda (o lagda sa kumagko). Sa usa ka teknik sa pagsulay-ug-sayup, usa ka husto nga istruktura sa network ang natukod pinaagi sa pagsulay sa labing maayo nga network. Kini usa ka pamaagi nga nanginahanglan daghang pag-ayo.
Panapos
Ang natad sa neural networks paspas nga nagkalapad. Importante nga makat-on ug masabtan ang mga konsepto niini nga sektor aron makahimo sa pag-atubang niini.
Ang daghang mga matang sa mga neural network nga nasakup sa kini nga artikulo. Mahimo nimong gamiton ang mga neural network aron masulbad ang mga problema sa datos sa ubang mga natad kung nahibal-an nimo ang dugang bahin sa kini nga disiplina.
Leave sa usa ka Reply