Inhaltsverzeichnis[Ausblenden][Zeigen]
Künstliche Intelligenz (KI) galt ursprünglich als ferner Traum, als Technologie für die Zukunft, aber das ist nicht mehr der Fall.
Was einst ein Forschungsthema war, explodiert nun in der realen Welt. KI ist heute an einer Vielzahl von Orten zu finden, darunter an Ihrem Arbeitsplatz, in der Schule, im Bankwesen, in Krankenhäusern und sogar auf Ihrem Telefon.
Sie sind die Augen selbstfahrender Fahrzeuge, die Stimmen von Siri und Alexa, die Köpfe hinter der Wettervorhersage, die Hände hinter der robotergestützten Chirurgie und mehr.
Künstliche Intelligenz (AI) wird zu einem alltäglichen Merkmal des modernen Lebens. In den letzten Jahren hat sich KI zu einem wichtigen Akteur in einer Vielzahl von IT-Technologien entwickelt.
Schließlich wird das neuronale Netz von der KI verwendet, um neue Dinge zu lernen.
Heute werden wir etwas über neuronale Netze lernen, wie sie funktionieren, ihre Typen, Anwendungen und vieles mehr.
Was ist ein neuronales Netzwerk?
In Maschinelles Lernenist ein neuronales Netz ein softwareprogrammiertes Netz aus künstlichen Neuronen. Es versucht, das menschliche Gehirn zu imitieren, indem es zahlreiche Schichten von „Neuronen“ hat, die den Neuronen in unserem Gehirn ähneln.
Die erste Schicht von Neuronen akzeptiert Fotos, Videos, Ton, Text und andere Eingaben. Diese Daten fließen durch alle Ebenen, wobei die Ausgabe einer Ebene in die nächste fließt. Dies ist entscheidend für die schwierigsten Aufgaben, wie z. B. die Verarbeitung natürlicher Sprache für maschinelles Lernen.
In anderen Fällen ist es jedoch vorzuziehen, eine Systemkomprimierung anzustreben, um die Modellgröße zu reduzieren und gleichzeitig Genauigkeit und Effizienz beizubehalten. Das Beschneiden eines neuronalen Netzwerks ist eine Komprimierungsmethode, die das Entfernen von Gewichtungen aus einem erlernten Modell umfasst. Stellen Sie sich ein neuronales Netz mit künstlicher Intelligenz vor, das darauf trainiert wurde, Menschen von Tieren zu unterscheiden.
Das Bild wird durch die erste Neuronenschicht in helle und dunkle Teile geteilt. Diese Daten werden an die folgende Schicht weitergegeben, die bestimmt, wo sich die Kanten befinden.
Die nächste Schicht versucht, die Formen zu erkennen, die die Kantenkombination erzeugt hat. Entsprechend den Daten, mit denen es trainiert wurde, durchlaufen die Daten auf ähnliche Weise zahlreiche Schichten, um festzustellen, ob das von Ihnen präsentierte Bild von einem Menschen oder einem Tier stammt.
Wenn Daten in ein neuronales Netzwerk eingegeben werden, beginnt es mit der Verarbeitung. Danach werden die Daten über ihre Ebenen verarbeitet, um das gewünschte Ergebnis zu erhalten. Ein neuronales Netzwerk ist eine Maschine, die aus strukturierten Eingaben lernt und die Ergebnisse anzeigt. Es gibt drei Arten des Lernens, die in neuronalen Netzen stattfinden können:
- Überwachtes Lernen – Eingaben und Ausgaben werden den Algorithmen unter Verwendung gekennzeichneter Daten gegeben. Nachdem ihnen beigebracht wurde, wie man Daten analysiert, prognostizieren sie das beabsichtigte Ergebnis.
- Unüberwachtes Lernen – Ein KNN lernt ohne die Hilfe eines Menschen. Es gibt keine gekennzeichneten Daten, und die Ausgabe wird durch Muster bestimmt, die in den Ausgabedaten gefunden werden.
- Verstärkung lernen ist, wenn ein Netzwerk aus dem Feedback lernt, das es erhält.
Wie funktionieren neuronale Netze?
Künstliche Neuronen werden in neuronalen Netzen verwendet, die anspruchsvolle Systeme sind. Die künstlichen Neuronen, auch Perzeptrone genannt, bestehen aus folgenden Komponenten:
- zufuhr
- Gewicht
- Befangenheit
- Aktivierungsfunktion
- Output
Die Schichten von Neuronen, aus denen neuronale Netze bestehen. Ein neuronales Netz besteht aus drei Schichten:
- Eingabeebene
- Versteckte Ebene
- Ausgabeschicht
Daten in Form eines numerischen Werts werden an die Eingabeschicht gesendet. Die verborgenen Schichten des Netzwerks sind diejenigen, die die meisten Berechnungen durchführen. Die Ausgabeschicht prognostiziert nicht zuletzt das Ergebnis. Neuronen dominieren sich gegenseitig in einem neuronalen Netz. Neuronen werden verwendet, um jede Schicht aufzubauen. Daten werden an die verborgene Schicht geleitet, nachdem die Eingabeschicht sie erhalten hat.
Gewichtungen werden auf jeden Eingang angewendet. Innerhalb der verborgenen Schichten eines neuronalen Netzwerks ist das Gewicht ein Wert, der eingehende Daten übersetzt. Gewichte funktionieren durch Multiplizieren von Eingabedaten mit dem Gewichtungswert in der Eingabeschicht.
Es beginnt dann mit dem Wert der ersten verborgenen Schicht. Die Eingabedaten werden transformiert und über die verborgenen Schichten an die andere Schicht weitergegeben. Die Ausgabeschicht ist für die Generierung des Endergebnisses verantwortlich. Die Eingaben und Gewichte werden multipliziert und das Ergebnis als Summe an die Hidden-Layer-Neuronen geliefert. Jedem Neuron wird eine Vorspannung gegeben. Um die Summe zu berechnen, addiert jedes Neuron die Eingänge, die es erhält.
Danach geht der Wert über die Aktivierungsfunktion. Das Ergebnis der Aktivierungsfunktion bestimmt, ob ein Neuron aktiviert ist oder nicht. Wenn ein Neuron aktiv ist, sendet es Informationen an die anderen Schichten. Mit dieser Methode werden die Daten im Netzwerk erstellt, bis das Neuron die Ausgabeschicht erreicht. Forward Propagation ist ein anderer Begriff dafür.
Die Technik, Daten in einen Eingangsknoten einzuspeisen und die Ausgabe über einen Ausgangsknoten zu erhalten, ist als Vorwärtsausbreitung bekannt. Wenn die Eingabedaten von der verborgenen Schicht akzeptiert werden, findet eine Vorwärtsausbreitung statt. Es wird entsprechend der Aktivierungsfunktion verarbeitet und dann an den Ausgang weitergegeben.
Das Ergebnis wird von dem Neuron in der Ausgabeschicht mit der höchsten Wahrscheinlichkeit projiziert. Backpropagation tritt auf, wenn die Ausgabe falsch ist. Gewichtungen werden für jede Eingabe initialisiert, während ein neuronales Netzwerk erstellt wird. Backpropagation ist der Prozess, bei dem die Gewichtungen jeder Eingabe neu angepasst werden, um Fehler zu reduzieren und eine genauere Ausgabe bereitzustellen.
Arten von neuronalen Netzwerken
1. Perzeptron
Das Minsky-Papert-Perzeptronmodell ist eines der einfachsten und ältesten Neuronenmodelle. Es ist die kleinste Einheit eines neuronalen Netzes, die bestimmte Berechnungen durchführt, um Merkmale oder Business Intelligence in eingehenden Daten zu entdecken. Es nimmt gewichtete Eingaben und wendet die Aktivierungsfunktion an, um das Endergebnis zu erhalten. TLU (threshold logic unit) ist ein anderer Name für Perzeptron.
Perceptron ist ein binärer Klassifikator, bei dem es sich um ein überwachtes Lernsystem handelt, das Daten in zwei Gruppen unterteilt. Logikgatter wie AND, OR und NAND können mit Perceptrons implementiert werden.
2. Neuronales Feed-Forward-Netzwerk
Die einfachste Version von neuronalen Netzen, bei denen Eingangsdaten ausschließlich in eine Richtung fließen, geht über künstliche neuronale Knoten und verlässt sie durch Ausgangsknoten. Eingangs- und Ausgangsschichten sind an Stellen vorhanden, an denen verborgene Schichten vorhanden sein können oder nicht. Darauf basierend können sie entweder als einschichtiges oder mehrschichtiges vorwärtsgerichtetes neuronales Netzwerk charakterisiert werden.
Die Anzahl der verwendeten Schichten wird durch die Komplexität der Funktion bestimmt. Es breitet sich nur in eine Richtung vorwärts aus und nicht rückwärts. Dabei bleiben die Gewichte konstant. Eingaben werden mit Gewichten multipliziert, um eine Aktivierungsfunktion zu speisen. Dazu wird eine Klassifikationsaktivierungsfunktion oder eine Stufenaktivierungsfunktion verwendet.
3. Mehrschichtiges Perzeptron
Eine Einführung in anspruchsvoll neuronale Netze, bei dem Eingabedaten über viele Schichten künstlicher Neuronen geleitet werden. Es ist ein vollständig verknüpftes neuronales Netzwerk, da jeder Knoten mit allen Neuronen in der folgenden Schicht verbunden ist. In den Eingabe- und Ausgabeschichten sind mehrere verborgene Schichten vorhanden, dh mindestens drei oder mehr Schichten.
Es besitzt eine bidirektionale Ausbreitung, was bedeutet, dass es sich sowohl vorwärts als auch rückwärts ausbreiten kann. Eingaben werden mit Gewichten multipliziert und an die Aktivierungsfunktion gesendet, wo sie über Backpropagation geändert werden, um den Verlust zu minimieren.
Gewichte sind, vereinfacht gesagt, maschinell gelernte Werte aus neuronalen Netzen. Abhängig von der Diskrepanz zwischen erwarteten Ergebnissen und Trainingseingaben passen sie sich selbst an. Softmax wird als Ausgangsschicht-Aktivierungsfunktion nach nichtlinearen Aktivierungsfunktionen verwendet.
4. Faltungsneuronales Netzwerk
Im Gegensatz zum traditionellen zweidimensionalen Array hat ein neuronales Faltungsnetzwerk eine dreidimensionale Konfiguration von Neuronen. Die erste Schicht ist als Faltungsschicht bekannt. Jedes Neuron in der Faltungsschicht verarbeitet nur Informationen aus einem begrenzten Teil des Gesichtsfelds. Wie bei einem Filter werden Eingabemerkmale im Stapelmodus erfasst.
Das Netzwerk versteht Bilder in Abschnitten und kann diese Aktionen mehrmals ausführen, um die gesamte Bildverarbeitung abzuschließen.
Das Bild wird während der Verarbeitung von RGB oder HSI in Graustufen umgewandelt. Weitere Variationen im Pixelwert helfen beim Erkennen von Kanten, und Bilder können in mehrere Gruppen sortiert werden. Eine unidirektionale Ausbreitung tritt auf, wenn ein CNN eine oder mehrere Faltungsschichten enthält, gefolgt von einem Pooling, und eine bidirektionale Ausbreitung tritt auf, wenn die Ausgabe der Faltungsschicht zur Bildklassifizierung an ein vollständig verbundenes neuronales Netzwerk gesendet wird.
Um bestimmte Elemente eines Bildes zu extrahieren, werden Filter verwendet. Bei MLP werden die Eingaben gewichtet und in die Aktivierungsfunktion eingespeist. RELU wird bei der Faltung verwendet, während MLP eine nichtlineare Aktivierungsfunktion gefolgt von Softmax verwendet. Bei der Bild- und Videoerkennung, dem semantischen Parsing und der Paraphrasenerkennung erzielen Convolutional Neural Networks hervorragende Ergebnisse.
5. Radiales Bias-Netzwerk
Auf einen Eingabevektor folgt eine Schicht von RBF-Neuronen und eine Ausgabeschicht mit einem Knoten für jede Kategorie in einem radialen Basisfunktionsnetz. Die Eingabe wird klassifiziert, indem sie mit Datenpunkten aus dem Trainingssatz verglichen wird, in dem jedes Neuron einen Prototyp unterhält. Dies ist eines der Beispiele des Trainingssatzes.
Jedes Neuron berechnet den euklidischen Abstand zwischen der Eingabe und seinem Prototyp, wenn ein neuer Eingabevektor [der n-dimensionale Vektor, den Sie zu kategorisieren versuchen] klassifiziert werden muss. Wenn wir zwei Klassen haben, Klasse A und Klasse B, ist die neu zu kategorisierende Eingabe den Prototypen der Klasse A ähnlicher als den Prototypen der Klasse B.
Infolgedessen könnte es als Klasse A gekennzeichnet oder kategorisiert werden.
6. Wiederkehrendes neuronales Netzwerk
Wiederkehrende neuronale Netze sind so konzipiert, dass sie die Ausgabe einer Ebene speichern und sie dann wieder in die Eingabe einspeisen, um die Vorhersage des Ergebnisses der Ebene zu unterstützen. Ein Feedforward neuronale Netzwerk ist normalerweise die Anfangsschicht, gefolgt von einer wiederkehrenden neuronalen Netzwerkschicht, in der sich eine Speicherfunktion an einen Teil der Informationen erinnert, die sie im vorherigen Zeitschritt hatte.
Dieses Szenario verwendet die Vorwärtsausbreitung. Es speichert Daten, die in Zukunft benötigt werden. Für den Fall, dass die Vorhersage falsch ist, wird die Lernrate verwendet, um geringfügige Anpassungen vorzunehmen. Im Ergebnis wird die Backpropagation mit fortschreitendem Fortschreiten immer genauer.
Anwendungen
Neuronale Netze werden verwendet, um Datenprobleme in einer Vielzahl von Disziplinen zu behandeln; einige Beispiele sind unten gezeigt.
- Gesichtserkennung – Gesichtserkennungslösungen dienen als effektive Überwachungssysteme. Erkennungssysteme verknüpfen digitale Fotos mit menschlichen Gesichtern. Sie werden in Büros zur selektiven Eingabe verwendet. Daher verifizieren die Systeme ein menschliches Gesicht und vergleichen es mit einer Liste von IDs, die in seiner Datenbank gespeichert sind.
- Aktienprognose – Anlagen sind Marktrisiken ausgesetzt. Zukünftige Entwicklungen am äußerst volatilen Aktienmarkt sind kaum vorhersehbar. Vor neuronalen Netzen waren die sich ständig verschiebenden Aufwärts- und Abwärtsphasen unvorhersehbar. Aber was hat alles verändert? Die Rede ist natürlich von neuronalen Netzen… Ein Multilayer Perceptron MLP (eine Art Feedforward-System der künstlichen Intelligenz) wird verwendet, um eine erfolgreiche Aktienprognose in Echtzeit zu erstellen.
- Social Media – Egal wie kitschig es klingen mag, Social Media hat den alltäglichen Weg des Daseins verändert. Das Verhalten von Social-Media-Nutzern wird mit künstlichen neuronalen Netzen untersucht. Für die Wettbewerbsanalyse werden täglich über virtuelle Interaktionen angelieferte Daten aufgetürmt und untersucht. Die Aktionen von Social-Media-Nutzern werden durch neuronale Netze repliziert. Das Verhalten von Einzelpersonen kann mit den Ausgabenmustern der Menschen in Verbindung gebracht werden, sobald die Daten über soziale Netzwerke analysiert wurden. Daten aus Social-Media-Anwendungen werden mit Multilayer Perceptron ANN abgebaut.
- Gesundheitswesen – Menschen in der heutigen Welt nutzen die Vorteile der Technologie in der Gesundheitsbranche. Im Gesundheitswesen werden Convolutional Neural Networks für die Röntgenerkennung, CT-Scans und Ultraschall verwendet. Die aus den oben genannten Tests gewonnenen medizinischen Bilddaten werden mit neuronalen Netzwerkmodellen ausgewertet und bewertet, da CNN in der Bildverarbeitung verwendet wird. Bei der Entwicklung von Spracherkennungssystemen kommt auch das rekurrente neuronale Netz (RNN) zum Einsatz.
- Wetterbericht – Vor der Einführung künstlicher Intelligenz waren die Vorhersagen der meteorologischen Abteilung nie präzise. Wettervorhersagen werden hauptsächlich durchgeführt, um die Wetterbedingungen vorherzusagen, die in der Zukunft auftreten werden. Wettervorhersagen werden verwendet, um die Wahrscheinlichkeit von Naturkatastrophen in der Neuzeit vorherzusagen. Die Wettervorhersage erfolgt mit Multilayer Perceptron (MLP), Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN).
- Verteidigung – Logistik, bewaffnete Angriffsanalyse und Objektortung verwenden alle neuronale Netze. Sie werden auch bei Luft- und Seepatrouillen sowie zur Verwaltung autonomer Drohnen eingesetzt. Künstliche Intelligenz gibt der Verteidigungsindustrie den dringend benötigten Schub, den sie braucht, um ihre Technologie zu erweitern. Zur Erkennung von Unterwasserminen werden Convolutional Neural Networks (CNN) verwendet.
Vorteile
- Selbst wenn einige Neuronen in einem neuronalen Netzwerk nicht richtig funktionieren, erzeugen die neuronalen Netzwerke dennoch Ausgaben.
- Neuronale Netze haben die Fähigkeit, in Echtzeit zu lernen und sich an ihre sich ändernden Einstellungen anzupassen.
- Neuronale Netze können lernen, eine Vielzahl von Aufgaben zu erledigen. Um das richtige Ergebnis basierend auf den bereitgestellten Daten bereitzustellen.
- Neuronale Netze haben die Stärke und Fähigkeit, mehrere Aufgaben gleichzeitig zu erledigen.
Nachteile
- Neuronale Netze werden verwendet, um Probleme zu lösen. Aufgrund der Komplexität der Netzwerke wird die Erklärung für das „Warum und Wie“ der Urteile nicht offengelegt. Als Ergebnis kann das Netzwerkvertrauen erodiert werden.
- Die Komponenten eines neuronalen Netzes sind voneinander abhängig. Das heißt, neuronale Netze erfordern (oder sind extrem abhängig von) Computern mit ausreichender Rechenleistung.
- Ein neuronaler Netzwerkprozess hat keine spezifische Regel (oder Faustregel). In einer Trial-and-Error-Technik wird eine korrekte Netzwerkstruktur aufgebaut, indem versucht wird, das optimale Netzwerk zu finden. Es ist ein Verfahren, das viel Feinabstimmung erfordert.
Zusammenfassung
Das Feld von Neuronale Netze expandiert schnell. Es ist wichtig, die Konzepte in diesem Bereich zu lernen und zu verstehen, um damit umgehen zu können.
Die vielen Arten von neuronalen Netzen wurden in diesem Artikel behandelt. Sie können neuronale Netze verwenden, um Datenprobleme in anderen Bereichen anzugehen, wenn Sie mehr über diese Disziplin erfahren.
Hinterlassen Sie uns einen Kommentar