Obsah[Skrýt][Ukázat]
Umělá inteligence (AI) byla původně považována za vzdálený sen, technologii budoucnosti, ale to již neplatí.
To, co bylo kdysi výzkumným tématem, nyní exploduje v reálném světě. AI se nyní nachází na různých místech, včetně vašeho pracoviště, školy, bankovnictví, nemocnic a dokonce i vašeho telefonu.
Jsou to oči samořídících vozidel, hlasy Siri a Alexy, mysli stojící za předpovědí počasí, ruce stojící za roboticky asistovanou chirurgií a další.
Umělá inteligence (AI) se stává běžnou součástí moderního života. V posledních několika letech se AI stala významným hráčem v široké škále IT technologií.
A konečně, neuronová síť je využívána umělou inteligencí k učení se novým věcem.
Dnes se tedy dozvíme o neuronových sítích, jejich fungování, jejich typech, aplikacích a mnoho dalšího.
Co je to neuronová síť?
In strojové učení, neuronová síť je softwarově naprogramovaná síť umělých neuronů. Snaží se napodobit lidský mozek tím, že má četné vrstvy „neuronů“, které jsou podobné neuronům v našem mozku.
První vrstva neuronů bude přijímat fotografie, video, zvuk, text a další vstupy. Tato data procházejí všemi úrovněmi, přičemž výstup jedné vrstvy proudí do další. To je rozhodující pro nejobtížnější úkoly, jako je zpracování přirozeného jazyka pro strojové učení.
V jiných případech je však vhodnější zaměřit se na kompresi systému, aby se zmenšila velikost modelu při zachování přesnosti a účinnosti. Prořezávání neuronové sítě je kompresní metoda, která zahrnuje odstranění závaží z naučeného modelu. Vezměme si neuronovou síť s umělou inteligencí, která byla vycvičena k rozlišení lidí od zvířat.
Obrázek bude rozdělen na světlé a tmavé části první vrstvou neuronů. Tato data budou předána do následující vrstvy, která určí, kde jsou hrany.
Další vrstva se pokusí rozpoznat formy, které kombinace hran vygenerovala. Podle dat, na kterých byla trénována, projdou data podobným způsobem mnoha vrstvami, aby se určilo, zda vámi prezentovaný obrázek je člověka nebo zvířete.
Když jsou data předána do neuronové sítě, začne je zpracovávat. Poté jsou data zpracována prostřednictvím svých úrovní, aby bylo dosaženo požadovaného výsledku. Neuronová síť je stroj, který se učí ze strukturovaného vstupu a zobrazuje výsledky. V neuronových sítích mohou probíhat tři typy učení:
- Supervised Learning – Vstupy a výstupy jsou předávány algoritmům pomocí označených dat. Poté, co se naučili analyzovat data, předpovídají zamýšlený výsledek.
- Učení bez dozoru – ANN se učí bez pomoci člověka. Neexistují žádná označená data a o výstupu rozhodují vzory nalezené ve výstupních datech.
- Posílení učení je, když se síť učí ze zpětné vazby, kterou dostává.
Jak fungují neuronové sítě?
Umělé neurony se používají v neuronových sítích, což jsou sofistikované systémy. Umělé neurony, také známé jako perceptrony, se skládají z následujících složek:
- Vstup
- Hmotnost
- Předsudek
- Aktivační funkce
- Výstup
Vrstvy neuronů, které tvoří neuronové sítě. Neuronová síť se skládá ze tří vrstev:
- Vstupní vrstva
- Skrytá vrstva
- Výstupní vrstva
Do vstupní vrstvy jsou odesílána data ve formě číselné hodnoty. Skryté vrstvy sítě provádějí nejvíce výpočtů. Výstupní vrstva v neposlední řadě předpovídá výsledek. Neurony dominují jeden druhému v neuronové síti. Ke konstrukci každé vrstvy se používají neurony. Data jsou směrována do skryté vrstvy poté, co je získá vstupní vrstva.
Na každý vstup jsou aplikovány váhy. V rámci skrytých vrstev neuronové sítě je váha hodnotou, která převádí příchozí data. Váhy fungují tak, že se vstupní data vynásobí hodnotou váhy ve vstupní vrstvě.
Poté spustí hodnotu první skryté vrstvy. Vstupní data jsou transformována a předávána další vrstvě prostřednictvím skrytých vrstev. Výstupní vrstva je zodpovědná za generování konečného výsledku. Vstupy a váhy se vynásobí a výsledek je doručen neuronům skryté vrstvy jako součet. Každému neuronu je přiděleno zkreslení. Pro výpočet součtu každý neuron sečte vstupy, které obdrží.
Poté hodnota přejde přes aktivační funkci. Výsledek aktivační funkce určuje, zda je neuron aktivován nebo ne. Když je neuron aktivní, posílá informace do ostatních vrstev. Data jsou vytvářena v síti, dokud neuron touto metodou nedosáhne výstupní vrstvy. Dopředná propagace je pro to jiný termín.
Technika dodávání dat do vstupního uzlu a získávání výstupu přes výstupní uzel je známá jako dopředné šíření. Když skrytá vrstva přijme vstupní data, dojde k dopřednému šíření. Ten je zpracován podle aktivační funkce a následně předán na výstup.
Výsledek je promítán neuronem ve výstupní vrstvě s největší pravděpodobností. Zpětné šíření nastává, když je výstup nesprávný. Váhy jsou inicializovány pro každý vstup při vytváření neuronové sítě. Zpětné šíření je proces přenastavení vah každého vstupu za účelem snížení chyb a poskytnutí přesnějšího výstupu.
Typy neuronových sítí
1. Perceptron
Model perceptronu Minsky-Papert je jedním z nejjednodušších a nejstarších modelů neuronů. Je to nejmenší jednotka neuronové sítě, která provádí určité výpočty, aby zjistila charakteristiky nebo business intelligence v příchozích datech. Pro získání konečného výsledku použije vážené vstupy a použije aktivační funkci. TLU (threshold logic unit) je jiný název pro perceptron.
Perceptron je binární klasifikátor, což je systém učení pod dohledem, který rozděluje data do dvou skupin. Logické brány jako AND, OR a NAND lze implementovat pomocí perceptronů.
2. Feed-Forward neuronová síť
Nejzákladnější verze neuronových sítí, ve které vstupní data proudí výhradně jedním směrem, prochází umělými neuronovými uzly a vystupují výstupními uzly. Vstupní a výstupní vrstvy jsou přítomny v místech, kde mohou nebo nemusí být přítomny skryté vrstvy. Mohou být charakterizovány buď jako jednovrstvá nebo vícevrstvá dopředná neuronová síť založená na tomto.
Počet použitých vrstev je určen složitostí funkce. Šíří se pouze dopředu v jednom směru a nešíří se zpět. Zde zůstávají váhy konstantní. Vstupy se násobí hmotnostmi, aby se naplnila aktivační funkce. K tomu se využívá funkce aktivace klasifikace nebo funkce krokové aktivace.
3. Vícevrstvý perceptron
Úvod do sofistikovaných neuronové sítě, ve kterém jsou vstupní data směrována přes mnoho vrstev umělých neuronů. Je to zcela propojená neuronová síť, protože každý uzel je spojen se všemi neurony v následující vrstvě. Ve vstupní a výstupní vrstvě je přítomno více skrytých vrstev, tj. alespoň tři nebo více vrstev.
Má obousměrné šíření, což znamená, že se může šířit dopředu i dozadu. Vstupy jsou vynásobeny váhami a odeslány do aktivační funkce, kde jsou změněny pomocí zpětného šíření, aby se minimalizovala ztráta.
Váhy jsou, zjednodušeně řečeno, strojově naučené hodnoty z Neural Networks. V závislosti na nepoměru mezi očekávanými výstupy a tréninkovými vstupy se samy upravují. Softmax se používá jako funkce aktivace výstupní vrstvy po nelineárních aktivačních funkcích.
4. Konvoluční neuronová síť
Na rozdíl od tradičního dvourozměrného pole má konvoluční neuronová síť trojrozměrnou konfiguraci neuronů. První vrstva je známá jako konvoluční vrstva. Každý neuron v konvoluční vrstvě zpracovává informace pouze z omezené části zorného pole. Stejně jako filtr jsou vstupní funkce přijímány v dávkovém režimu.
Síť rozumí obrázkům po částech a může tyto akce provádět mnohokrát, aby dokončila celé zpracování obrazu.
Obraz je během zpracování převeden z RGB nebo HSI do odstínů šedi. Další změny v hodnotě pixelů pomohou při detekci hran a obrázky lze třídit do několika skupin. K jednosměrnému šíření dochází, když CNN obsahuje jednu nebo více konvolučních vrstev následovaných sdružováním, a k obousměrnému šíření dochází, když je výstup konvoluční vrstvy odeslán do plně připojené neuronové sítě pro klasifikaci obrazu.
K extrakci určitých prvků obrázku se používají filtry. V MLP jsou vstupy váženy a dodávány do aktivační funkce. RELU se používá v konvoluci, zatímco MLP využívá nelineární aktivační funkci následovanou softmax. Při rozpoznávání obrazu a videa, sémantické analýze a detekci parafrází poskytují konvoluční neuronové sítě vynikající výsledky.
5. Radiální předpojatost sítě
Vstupní vektor je následován vrstvou neuronů RBF a výstupní vrstvou s jedním uzlem pro každou kategorii v síti radiálních základních funkcí. Vstup je klasifikován porovnáním s datovými body z trénovací sady, kde každý neuron udržuje prototyp. Toto je jeden z příkladů tréninkové sady.
Každý neuron vypočítá euklidovskou vzdálenost mezi vstupem a jeho prototypem, když musí být klasifikován nový vstupní vektor [n-rozměrný vektor, který se pokoušíte kategorizovat]. Pokud máme dvě třídy, třídu A a třídu B, nový vstup, který má být kategorizován, je podobný prototypům třídy A než prototypům třídy B.
V důsledku toho může být označen nebo kategorizován jako třída A.
6. Rekurentní neuronová síť
Rekurentní neuronové sítě jsou navrženy tak, aby ukládaly výstup vrstvy a poté jej přiváděly zpět do vstupu, aby pomohly předpovědět výsledek vrstvy. Dopředný zdroj nervová síť je obvykle počáteční vrstva, po níž následuje vrstva rekurentní neuronové sítě, kde si paměťová funkce pamatuje část informací, které měla v předchozím časovém kroku.
Tento scénář používá dopředné šíření. Ušetří data, která budou v budoucnu potřeba. V případě, že je předpověď nesprávná, použije se pro drobné úpravy rychlost učení. V důsledku toho, jak postupuje zpětné šíření, bude stále přesnější.
Aplikace
Neuronové sítě se používají k řešení problémů s daty v různých oborech; některé příklady jsou uvedeny níže.
- Facial Recognition – Facial Recognition Solutions slouží jako účinné systémy sledování. Systémy rozpoznávání spojují digitální fotografie s lidskými tvářemi. Používají se v kancelářích pro selektivní vstup. Systémy tedy ověřují lidskou tvář a porovnávají ji se seznamem ID uloženým v její databázi.
- Predikce akcií – Investice jsou vystaveny tržním rizikům. Na extrémně volatilním akciovém trhu je prakticky těžké předvídat budoucí vývoj. Před neuronovými sítěmi byly neustále se měnící býčí a medvědí fáze nepředvídatelné. Ale co všechno změnilo? Samozřejmě, mluvíme o neuronových sítích… Multilayer Perceptron MLP (typ dopředného systému umělé inteligence) se používá k vytvoření úspěšné prognózy akcií v reálném čase.
- Sociální média – Bez ohledu na to, jak banálně to může znít, sociální média změnila světskou cestu existence. Chování uživatelů sociálních sítí je studováno pomocí umělých neuronových sítí. Pro konkurenční analýzu se data dodávaná denně prostřednictvím virtuálních interakcí shromažďují a zkoumají. Akce uživatelů sociálních sítí jsou replikovány neuronovými sítěmi. Chování jednotlivců lze propojit se vzorci utrácení lidí, jakmile jsou data analyzována prostřednictvím sítí sociálních médií. Data z aplikací sociálních médií jsou těžena pomocí Multilayer Perceptron ANN.
- Zdravotní péče – Jednotlivci v dnešním světě využívají výhod technologií ve zdravotnickém průmyslu. Ve zdravotnictví se konvoluční neuronové sítě používají pro detekci rentgenového záření, CT skenování a ultrazvuk. Lékařská zobrazovací data získaná z výše uvedených testů jsou vyhodnocována a vyhodnocována pomocí modelů neuronových sítí, protože CNN se používá při zpracování obrazu. Při vývoji systémů rozpoznávání hlasu se využívá i rekurentní neuronová síť (RNN).
- Weather Report – Před implementací umělé inteligence nebyly projekce meteorologického oddělení nikdy přesné. Předpověď počasí se provádí z velké části za účelem předpovídání povětrnostních podmínek, které nastanou v budoucnu. Předpovědi počasí se využívají k předvídání pravděpodobnosti přírodních katastrof v moderní době. Předpověď počasí se provádí pomocí vícevrstvého perceptronu (MLP), konvolučních neuronových sítí (CNN) a rekurentních neuronových sítí (RNN).
- Obrana – Logistika, analýza ozbrojených útoků a umístění předmětů, to vše využívá neuronové sítě. Jsou také zaměstnáni ve vzdušných a námořních hlídkách a také pro správu autonomních dronů. Umělá inteligence dává obrannému průmyslu tolik potřebnou podporu, kterou potřebuje k rozšíření svých technologií. Pro zjišťování existence podvodních min se používají konvoluční neuronové sítě (CNN).
Výhody
- I když několik neuronů v neuronové síti nefunguje správně, neuronové sítě budou stále generovat výstupy.
- Neuronové sítě mají schopnost učit se v reálném čase a přizpůsobovat se měnícímu se nastavení.
- Neuronové sítě se mohou naučit dělat různé úkoly. Poskytnout správný výsledek na základě poskytnutých údajů.
- Neuronové sítě mají sílu a schopnost zvládnout několik úkolů současně.
Nevýhody
- K řešení problémů se používají neuronové sítě. Nezveřejňuje vysvětlení „proč a jak“ učinilo rozhodnutí, které učinilo kvůli složitosti sítí. V důsledku toho může být narušena důvěra v síť.
- Komponenty neuronové sítě jsou na sobě závislé. To znamená, že neuronové sítě vyžadují (nebo jsou extrémně závislé na) počítače s dostatečným výpočetním výkonem.
- Proces neuronové sítě nemá žádné specifické pravidlo (nebo pravidlo). V technice pokus-omyl je správná struktura sítě vytvořena pokusem o optimální síť. Je to postup, který vyžaduje hodně dolaďování.
Proč investovat do čističky vzduchu?
Pole neuronové sítě se rychle rozšiřuje. Je důležité naučit se a porozumět konceptům v tomto sektoru, abyste se s nimi mohli vypořádat.
V tomto článku je popsáno mnoho typů neuronových sítí. Neuronové sítě můžete použít k řešení problémů s daty v jiných oblastech, pokud se o této disciplíně dozvíte více.
Napsat komentář