L'Intelligenza Artificiale (AI) era urigginariamente pensata per esse un sognu luntanu, una tecnulugia per u futuru, ma ùn hè più u casu.
Ciò chì una volta era un tema di ricerca hè issa esplusione in u mondu reale. L'AI si trova avà in una varietà di lochi, cumprese u vostru locu di travagliu, a scola, a banca, l'uspitali è ancu u vostru telefunu.
Sò l'ochji di i veiculi autoguidati, e voci di Siri è Alexa, a mente daretu à a previsione di u clima, e mani daretu à a chirurgia assistita da robotica, è più.
Inteligenza artificiale (AI) hè diventatu una caratteristica cumuni di a vita muderna. In l'ultimi anni, l'IA hè diventata un attore maiò in una larga gamma di tecnulugia IT.
Infine, a rete neurale hè aduprata da AI per amparà cose novi.
Allora oghje avemu da amparà nantu à e Rete Neurale, cumu funziona, i so tipi, l'applicazioni è assai di più.
Cosa hè a Rete Neurale?
In machine learning, una rete neurale hè una rete programata di software di neuroni artificiali. Pruvate d'imite u cervellu umanu per avè numerosi strati di "neuroni", chì sò simili à i neuroni in u nostru cervellu.
U primu stratu di neuroni accetta foto, video, sonu, testu è altri inputs. Sta dati scorri à traversu tutti i livelli, cù una pruduzzioni di una capa chì scorri in u prossimu. Questu hè criticu per i travaglii più difficili, cum'è l'elaborazione di a lingua naturale per l'apprendimentu machine.
Tuttavia, in altri casi, u scopu di a compressione di u sistema per riduce a dimensione di u mudellu, mantenendu a precisione è l'efficienza hè preferibile. Pruning una rete neurale hè un metudu di cumpressione chì include caccià pesi da un mudellu amparatu. Cunsiderate una rete neurale di intelligenza artificiale chì hè stata furmata per distingue e persone da l'animali.
A stampa serà divisa in parti luminose è scure da a prima capa di neuroni. Queste dati saranu passati in a capa seguente, chì determinarà induve sò i bordi.
A prossima capa pruvarà à ricunnosce e forme chì a combinazione di i bordi hà generatu. Sicondu i dati nantu à quale hè statu furmatu, i dati passanu per numerosi strati in una manera simile per stabilisce se l'imaghjini chì avete prisentatu hè di un umanu o un animale.
Quandu i dati sò dati in una rete neurale, cumencia à processà. Dopu à quessa, i dati sò trattati via i so livelli per ottene u risultatu desideratu. Una rete neurale hè una macchina chì aprende da input strutturatu è mostra i risultati. Ci sò trè tippi di apprendimentu chì ponu esse realizati in e rete neurali:
- Apprendimentu Supervisatu - Inputs è outputs sò dati à l'algoritmi utilizendu dati etichettati. Dopu avè amparatu à analizà e dati, anu previstu u risultatu previstu.
- Apprendimentu Unsupervised - Un ANN ampara senza l'assistenza di un umanu. Ùn ci hè micca dati etichettati, è l'output hè decisu da mudelli truvati in i dati di output.
- Apprendimentu di rinfurzamentu hè quandu una reta ampara da u feedback chì riceve.
Cumu funziona e rete neurali?
I neuroni artificiali sò usati in e rete neurali, chì sò sistemi sofisticati. I neuroni artificiali, cunnisciuti ancu com'è perceptroni, sò custituiti da i seguenti cumpunenti:
- entrée
- Peso
- Bias
- Funzione di attivazione
- radicali avrìanu pututu
I strati di neuroni chì custituiscenu e rete neurali. Una rete neurale hè custituita da trè strati:
- Stratu di input
- Stratu ammucciatu
- Stratu di output
I dati in a forma di un valore numericu sò mandati à a capa di input. I strati nascosti di a rete sò quelli chì facenu più calculi. A strata di output, infine, ma micca menu, prevede u risultatu. I neuroni dominanu l'un l'altru in una rete neurale. I neuroni sò usati per custruisce ogni capa. I dati sò diretti à u stratu oculatu dopu chì u stratu di input l'avete.
I pesi sò appiicati à ogni input. In i strati nascosti di una rete neurale, u pesu hè un valore chì traduce i dati entranti. I pesi funzionanu multiplicendu i dati di input per u valore di pesu in a capa di input.
Allora principia u valore di u primu stratu oculatu. I dati di input sò trasfurmati è passati à l'altru stratu via i strati nascosti. A capa di output hè rispunsevule per generà u risultatu finali. L'inputs è i pesi sò multiplicati, è u risultatu hè furnitu à i neuroni di a capa nascosta cum'è una somma. Ogni neurone hè datu un bias. Per calculà u tutale, ogni neurone aghjunghje l'inputs chì riceve.
Dopu questu, u valore passa per a funzione di attivazione. U risultatu di a funzione di attivazione determina se un neurone hè attivatu o micca. Quandu un neurone hè attivu, manda infurmazione à l'altri strati. I dati sò creati in a reta finu à chì a neurona ghjunghje à a capa di output usendu stu metudu. A propagazione in avanti hè un altru termini per questu.
A tecnica di alimentazione di dati in un node di input è di ottene u output attraversu un node di output hè cunnisciuta cum'è propagazione feed-forward. Quandu i dati di input sò accettati da a capa nascosta, a propagazione feed-forward si trova. Hè trattatu secondu a funzione di attivazione è poi passata à a pruduzzioni.
U risultatu hè prughjettatu da a neurona in a capa di output cù a più alta probabilità. A retropropagazione si trova quandu l'output hè sbagliatu. I pesi sò inizializzati à ogni input mentre creanu una rete neurale. A backpropagation hè u prucessu di riajustà i pesi di ogni input per riduce l'errore è furnisce un output più precisu.
Tipi di Rete Neurale
1. Perceptron
U mudellu Minsky-Papert perceptron hè unu di i mudelli di neuroni più simplici è più antichi. Hè l'unità più chjuca di una rete neurale chì esegue certi calculi per scopre e caratteristiche o l'intelligenza cummerciale in i dati entranti. Piglia inputs ponderati è applica a funzione di attivazione per ottene u risultatu finali. TLU (unità logica di u sogliu) hè un altru nome per perceptron.
Perceptron hè un classificatore binariu chì hè un sistema di apprendimentu supervisatu chì divide e dati in dui gruppi. Porte Logiche cum'è AND, OR, è NAND ponu esse implementati cù perceptroni.
2. Feed-Forward Neural Network
A versione più basica di e rete neurali, in quale i dati di input scorre solu in una direzzione, passa per i nodi neurali artificiali è esce da i nodi di output. I strati di input è output sò prisenti in i posti induve i strati nascosti ponu esse o micca. Puderanu esse carattarizatu cum'è una rete neurale di feed-forward à una sola strata o multistrati basatu annantu à questu.
U numaru di strati utilizati hè determinatu da a cumplessità di a funzione. Si propaga solu in avanti in una direzzione è ùn si propaga micca in daretu. Quì, i pesi fermanu custanti. L'inputs sò multiplicati da pesi per alimentà una funzione di attivazione. Una funzione di attivazione di classificazione o una funzione di attivazione di u passu hè aduprata per fà questu.
3. Multi-layer perceptron
Una introduzione à u sofisticatu reti neurali, in quale i dati di input sò instradati via parechji strati di neuroni artificiali. Hè una reta neurale cumplettamente ligata, postu chì ogni nodu hè cunnessu à tutti i neuroni in a capa seguente. Diversi strati nascosti, vale à dì, almenu trè o più strati, sò prisenti in i strati di input è output.
Possede una propagazione bidirezionale, chì significa chì pò propagate in avanti è in daretu. L'inputs sò multiplicati da pesi è mandati à a funzione di attivazione, induve sò cambiati via backpropagation per minimizzà a perdita.
I pesi sò i valori appresi da a macchina da e Rete Neural, per dì simpliciamente. Sicondu a disparità trà i outputs previsti è l'inputs di furmazione, si autoajustanu. Softmax hè utilizatu cum'è una funzione di attivazione di a capa di output dopu funzioni di attivazione non lineari.
4. Convolutional Neural Network
In cuntrastu à a matrice bidimensionale tradiziunale, una rete neurale di cunvoluzione hà una cunfigurazione tridimensionale di neuroni. A prima capa hè cunnisciuta cum'è una strata cunvoluzionale. Ogni neurone in a capa di cunvoluzione solu processa l'infurmazioni da una parte limitata di u campu visuale. Cum'è un filtru, e funzioni di input sò pigliate in modu batch.
A rete capisce l'imaghjini in rùbbriche è pò esse realizatu queste azzioni parechje volte per finisce tuttu u prucessu di l'imaghjini.
A stampa hè cunvertita da RGB o HSI à scala di grisgiu durante u processu. Ulteriori variazioni in u valore di pixel aiuterà à detectà i bordi, è e foto ponu esse classificate in parechji gruppi. A propagazione unidirezionale si trova quandu una CNN cuntene una o più strati di cunvoluzione seguita da un pooling, è a propagazione bidirezionale si trova quandu l'output di u stratu di cunvoluzione hè mandatu à una rete neurale cumpletamente cunnessa per a classificazione di l'imaghjini.
Per caccià certi elementi di una maghjina, i filtri sò utilizati. In MLP, l'inputs sò ponderati è furniti in a funzione di attivazione. RELU hè utilizatu in cunvoluzione, mentri MLP impiega una funzione di attivazione non lineare seguita da softmax. In u ricunniscenza di l'imaghjini è di u video, l'analisi semantica è a rilevazione di parafrasi, e rete neurali convoluzionali producenu risultati eccellenti.
5. Radial Bias Network
Un vettore di input hè seguitu da una strata di neuroni RBF è una strata di output cun un nodu per ogni categuria in una Rete di Funzione di Basi Radiali. L'input hè classificatu paragunendu cù punti di dati da u gruppu di furmazione, induve ogni neurone mantene un prototipu. Questu hè unu di l'esempii di a furmazione.
Ogni neurone calcula a distanza euclidea trà l'input è u so prototipu quandu un vettore di input frescu [u vettore n-dimensionale chì pruvate di categurizà] deve esse classificatu. Se avemu duie classi, Classe A è Classe B, u novu input per esse categurizatu hè più simili à i prototipi di classi A cà i prototipi di classi B.
In u risultatu, pò esse etichettatu o categurizatu cum'è a classe A.
6. Recurrent Neural Network
I Reti Neurali Recurrenti sò pensati per salvà l'output di una strata è poi rinfriscà in l'input per aiutà a previsione di u risultatu di a strata. Un feed-forward reta neurale hè di solitu a strata iniziale, seguita da una strata di rete neurale recurrente, induve una funzione di memoria ricorda una parte di l'infurmazioni chì hà avutu in u passu di tempu precedente.
Stu scenariu usa a propagazione in avanti. Salvà i dati chì saranu necessarii in u futuru. In l'eventu chì a predizione hè sbagliata, a tarifa di apprendimentu hè aduprata per fà aghjustamenti minori. In u risultatu, cum'è a retropropagazione avanza, diventerà sempre più precisa.
Travaux
I riti neurali sò usati per trattà i prublemi di dati in una varietà di discipline; alcuni esempi sò mostrati quì sottu.
- Ricunniscenza faciale - Soluzioni di ricunniscenza faciale servenu cum'è sistemi di surviglianza efficace. I sistemi di ricunniscenza liganu e foto digitali à i volti umani. Sò usati in l'uffizii per l'ingressu selettivu. Cusì, i sistemi verificanu un visu umanu è paragunanu cù una lista di ID almacenati in a so basa di dati.
- Previsione Stock - L'investimenti sò esposti à risichi di u mercatu. Hè praticamenti difficiuli di prevede sviluppi futuri in u mercatu di borsa estremamente volatile. Prima di e rete neurali, i fasi bullish è bearish in constante evoluzione eranu imprevisible. Ma, chì hà cambiatu tuttu? Di sicuru, parlemu di rete neurali ... Un Multilayer Perceptron MLP (un tipu di sistema di intelligenza artificiale feedforward) hè utilizatu per creà una previsione di stock di successu in tempu reale.
- Social Media - Indipendentemente da quantu corny pò sona, i media suciali anu cambiatu a strada mundana di l'esistenza. U cumpurtamentu di l'utilizatori di e social media hè studiatu cù e Reti Neural Artificiali. Per l'analisi cumpetitiva, i dati furniti ogni ghjornu via interazzione virtuale sò ammucchiati è esaminati. L'azzioni di l'utilizatori di e social media sò riplicate da e rete neurali. I cumpurtamenti di l'individui ponu esse cunnessi à i mudelli di spesa di e persone una volta chì e dati sò analizati via e rete suciale. I dati da l'applicazioni di e social media sò minati cù Multilayer Perceptron ANN.
- Salute - L'individui in u mondu oghje facenu usu di i benefici di a tecnulugia in l'industria di a salute. In l'affari di a salute, i Reti Neurali Convoluzionali sò usati per a rilevazione di raghji X, scans CT è ultrasound. I dati di l'imaghjini medichi ricevuti da i testi citati sò valutati è valutati cù mudelli di rete neurale, cum'è CNN hè aduprata in u processatu di l'imaghjini. In u sviluppu di sistemi di ricunniscenza di voce, a rete neurale recurrente (RNN) hè ancu utilizata.
- Weather Report - Prima di l'implementazione di l'intelligenza artificiale, e proiezioni di u dipartimentu meteorologicu ùn eranu mai precise. A previsione meteorologica hè fatta largamente per predichendu e cundizioni climatichi chì saranu in u futuru. E previsioni climatichi sò aduprate per anticipà a probabilità di disastri naturali in u periodu mudernu. A previsione meteorologica hè fatta cù un perceptron multilayer (MLP), rete neurali cunvoluzionale (CNN) è rete neurali recurrenti (RNN).
- Difesa - A logistica, l'analisi di l'assaltu armatu, è u locu di l'articuli impieganu tutte e rete neurali. Sò ancu impiegati in pattuglie aeree è maritime, è ancu per gestisce droni autonomi. L'intelligenza artificiale dà à l'industria di difesa l'impulsu assai necessariu chì hà bisognu à scala a so tecnulugia. Per a rilevazione di l'esistenza di mine sottumarine, sò aduprate Rete Neural Convolutional (CNN).
vantaghji
- Ancu s'è uni pochi di neuroni in una rete neurale ùn sò micca funzionendu bè, e rete neurali genereranu sempre outputs.
- E rete neurali anu a capacità di amparà in tempu reale è adattà à i so paràmetri cambianti.
- E rete neurali ponu amparà à fà una varietà di attività. Per furnisce u risultatu currettu basatu annantu à i dati furniti.
- E rete neurali anu a forza è a capacità per trattà parechje attività à u stessu tempu.
Tu me
- I riti neurali sò usati per risolve i prublemi. Ùn divulga micca a spiegazione daretu à "perchè è cumu" hà fattu i ghjudizii chì hà fattu per via di l'intricatu di e rete. In u risultatu, a fiducia di a rete pò esse erodata.
- I cumpunenti di una rete neurale sò interdipendenti l'una di l'altru. Vale à dì, e rete neurali esigenu (o sò estremamente dipendenti) computer cù una putenza di calculu abbastanza.
- Un prucessu di rete neurale ùn hà micca una regula specifica (o regula empirica). In una tecnica di prova è d'errore, una struttura di rete curretta hè stabilita pruvendu a reta ottima. Hè una prucedura chì richiede assai fine-tuning.
cunchiusioni
U campu di Redes neuronali hè in rapida espansione. Hè criticu per amparà è capisce i cuncetti in questu settore per pudè trattà cun elli.
I parechji tipi di rete neurali sò stati cuparti in questu articulu. Pudete aduprà e rete neurali per affruntà i prublemi di dati in altri campi se amparate più nantu à sta disciplina.
Lascia un Audiolibro