Edukien aurkibidea[Ezkutatu][Erakutsi]
Hasiera batean Adimen Artifiziala (AI) urruneko amets bat zela uste zen, etorkizuneko teknologia bat, baina jada ez da horrela.
Garai batean ikerketa gaia zena mundu errealean lehertzen ari da. Gaur egun, IA hainbat tokitan aurkitzen da, zure lantokian, eskolan, bankuetan, ospitaleetan eta baita zure telefonoan ere.
Norbere gidatzen diren ibilgailuen begiak dira, Siriren eta Alexaren ahotsak, eguraldiaren iragarpenaren atzean dauden adimenak, robotekin lagundutako kirurgiaren atzean dauden eskuak eta abar.
adimen artifiziala (AI) bizitza modernoaren ohiko ezaugarri bat bihurtzen ari da. Azken urteotan, AI eragile nagusi gisa agertu da IT teknologia ugaritan.
Azkenik, sare neuronalak AI-k erabiltzen du gauza berriak ikasteko.
Beraz, gaur Sare Neuronalak, nola funtzionatzen duten, haien motak, aplikazioak eta askoz gehiago ezagutuko ditugu.
Zer da Sare Neuronala?
In makina ikaskuntza, neurona-sare bat softwarez programatutako neurona artifizialen sare bat da. Giza garuna imitatzen saiatzen da "neurona" geruza ugari edukiz, gure garuneko neuronen antzekoak direnak.
Neuronen lehen geruzak argazkiak, bideoak, soinuak, testuak eta bestelako sarrerak onartuko ditu. Datu hauek maila guztietan zehar igarotzen dira, geruza baten irteera hurrengora isurtzen delarik. Hau funtsezkoa da zeregin zailenetarako, esate baterako, hizkuntza naturalaren prozesamendu automatikoa ikasteko.
Hala ere, beste kasu batzuetan, hobe da sistemaren konpresioaren helburua ereduaren tamaina murrizteko, zehaztasuna eta eraginkortasuna mantenduz. Neurona-sare bat inaustea konpresio-metodo bat da, ikasitako ereduari pisuak kentzea barne hartzen duena. Demagun adimen artifizialeko neurona-sare bat, pertsonak animalietatik bereizteko trebatu dena.
Irudia zati distiratsu eta ilunetan banatuko du neuronen lehen geruzak. Datu hauek hurrengo geruzara pasatuko dira, eta ertzak non dauden zehaztuko du.
Hurrengo geruza ertzen konbinazioak sortu dituen formak ezagutzen saiatuko da. Entrenatu zen datuen arabera, datuak geruza ugari zeharkatuko dira era berean, aurkeztu duzun irudia gizaki edo animalia den zehazteko.
Datuak sare neuronal batean ematen direnean, prozesatzen hasten da. Ondoren, datuak bere mailen bidez prozesatzen dira nahi den emaitza lortzeko. Sare neuronal bat sarrera egituratuetatik ikasten duen eta emaitzak bistaratzen dituen makina bat da. Neurona-sareetan egin daitezkeen hiru ikaskuntza mota daude:
- Ikaskuntza gainbegiratua - Sarrerak eta irteerak algoritmoei ematen zaizkie etiketatutako datuak erabiliz. Datuak aztertzen irakatsi ondoren, aurreikusitako emaitza aurreikusten dute.
- Gainbegiratu gabeko ikaskuntza - ANN batek gizakiaren laguntzarik gabe ikasten du. Ez dago etiketatutako daturik, eta irteerako datuetan aurkitutako ereduen arabera erabakitzen da.
- Sendotze-ikaskuntza sare batek jasotzen dituen iritzietatik ikasten duenean da.
Nola funtzionatzen dute sare neuronalak?
Neurona artifizialak sare neuronaletan erabiltzen dira, sistema sofistikatuak direnak. Neurona artifizialak, pertzeptroi izenez ere ezagunak, osagai hauek dituzte:
- Sarrerako
- Pisua
- Bias
- Aktibazio Funtzioa
- Output
Neurona-sareak osatzen dituzten neuronen geruzak. Neurona-sare batek hiru geruza ditu:
- Sarrerako geruza
- Ezkutuko geruza
- Irteerako geruza
Zenbakizko balio moduan datuak sarrerako geruzara bidaltzen dira. Sarearen ezkutuko geruzak dira kalkulu gehien egiten dutenak. Irteerako geruzak, azkenik, emaitza aurreikusten du. Neuronak elkar menderatzen dute sare neuronal batean. Geruza bakoitza eraikitzeko neuronak erabiltzen dira. Datuak ezkutuko geruzara bideratzen dira sarrerako geruzak lortu ondoren.
Sarrera bakoitzari pisuak aplikatzen zaizkio. Sare neuronal baten ezkutuko geruzen barruan, pisua sarrerako datuak itzultzen dituen balio bat da. Pisuek sarrerako datuak sarrerako geruzan pisuaren balioarekin biderkatuz funtzionatzen dute.
Ondoren, ezkutuko lehen geruzaren balioa hasten da. Sarrerako datuak eraldatu eta beste geruza batera pasatzen dira ezkutuko geruzen bidez. Irteerako geruza da azken emaitza sortzeaz arduratzen dena. Sarrerak eta pisuak biderkatu egiten dira, eta emaitza ezkutuko geruzako neuronei ematen zaie batura gisa. Neurona bakoitzari segida bat ematen zaio. Guztira kalkulatzeko, neurona bakoitzak jasotzen dituen sarrerak gehitzen ditu.
Horren ostean, balioa aktibazio funtzioaren bidez pasatzen da. Aktibazio funtzioaren emaitzak zehazten du neurona bat aktibatuta dagoen ala ez. Neurona bat aktibo dagoenean, informazioa bidaltzen du beste geruzetara. Datuak sarean sortzen dira, metodo hau erabiliz neurona irteerako geruzara iristen den arte. Aurrera hedapena da horretarako beste termino bat.
Datuak sarrera-nodo batera elikatzeko eta irteera-nodo baten bidez irteera lortzeko teknikari feed-forward hedapena deritzo. Ezkutuko geruzak sarrerako datuak onartzen dituenean, feed-forward hedapena gertatzen da. Aktibazio funtzioaren arabera prozesatzen da eta gero irteerara pasatzen da.
Emaitza probabilitate handiena duen irteera-geruzan dagoen neuronak proiektatzen du. Atzerapropagazioa irteera okerra denean gertatzen da. Sarrera bakoitzean pisuak hasieratzen dira sare neuronal bat sortzen den bitartean. Atzeko hedapena sarrera bakoitzaren pisuak berregokitzeko prozesua da, akatsak murrizteko eta irteera zehatzagoa emateko.
Sare neuronal motak
1. Pertzeptrona
Minsky-Papert perceptron eredua neurona eredu sinple eta zaharrenetako bat da. Sarrerako datuetan ezaugarriak edo negozio adimena ezagutzeko kalkulu batzuk egiten dituen neurona-sare bateko unitaterik txikiena da. Sarrera haztatuak hartzen ditu eta aktibazio funtzioa aplikatzen du azken emaitza lortzeko. TLU (atalasearen unitate logikoa) pertzeptronaren beste izen bat da.
Perceptron sailkatzaile bitar bat da, eta datuak bi taldetan banatzen dituen gainbegiraturiko ikasketa sistema bat da. Ate Logikoak hala nola, AND, OR eta NAND pertzeptroiekin inplementa daitezke.
2. Feed-Forward Sare Neuronala
Sare neuronalen bertsiorik oinarrizkoena, zeinetan sarrerako datuak norabide bakarrean isurtzen diren, nodo neuronal artifizialetatik igarotzen da eta irteerako nodoetatik irteten da. Sarrera eta irteerako geruzak ezkutuko geruzak egon daitezkeen edo ez dauden lekuetan daude. Horretan oinarritutako geruza bakarreko edo geruza anitzeko feed-forward sare neuronal gisa ezaugarritu daitezke.
Erabilitako geruza kopurua funtzioaren konplexutasunaren arabera zehazten da. Aurrera norabide bakarrean hedatzen da eta ez da atzera hedatzen. Hemen, pisuak konstante mantentzen dira. Sarrerak pisuekin biderkatzen dira aktibazio funtzio bat elikatzeko. Horretarako sailkapena aktibatzeko funtzioa edo urratsa aktibatzeko funtzioa erabiltzen da.
3. Geruza anitzeko pertzeptroa
Sofistikatuen sarrera sare neuronalak, zeinetan sarrerako datuak neurona artifizialen geruza askoren bidez bideratzen diren. Erabat lotuta dagoen neurona-sare bat da, nodo bakoitza ondoko geruzako neurona guztiekin konektatuta baitago. Ezkutuko geruza anitz, hau da, gutxienez hiru geruza edo gehiago, sarrerako eta irteerako geruzetan daude.
Bi norabideko hedapena du, hau da, aurrera zein atzera heda daiteke. Sarrerak pisuez biderkatu eta aktibazio funtziora bidaltzen dira, non atzera-propagazioaren bidez aldatzen dira galera minimizatzeko.
Pisuak Sare Neuronaletatik makinaz ikasitako balioak dira, besterik gabe. Espero diren irteeren eta prestakuntza-sarreraren arteko desberdintasunaren arabera, auto-egokitzen dira. Softmax irteera-geruzaren aktibazio funtzio gisa erabiltzen da aktibazio ez-linealaren funtzioen ondoren.
4. Sare neuronal konboluzionala
Bi dimentsioko array tradizionalaren aldean, konboluzio sare neuronal batek neuronen konfigurazio hiru dimentsio du. Lehenengo geruza geruza konboluzionala bezala ezagutzen da. Geruza konboluzionaleko neurona bakoitzak ikus-eremuaren zati mugatu bateko informazioa soilik prozesatzen du. Iragazkia bezala, sarrerako ezaugarriak batch moduan hartzen dira.
Sareak irudiak ataletan ulertzen ditu eta ekintza hauek hainbat aldiz egin ditzake irudiaren prozesamendu osoa amaitzeko.
Irudia RGB edo HSItik gris-eskala bihurtzen da prozesatzen zehar. Pixelaren balioaren aldakuntza gehiago ertzak detektatzen lagunduko du, eta irudiak hainbat taldetan ordenatu daitezke. Norabide bakarreko hedapena CNN batek konboluzio-geruza bat edo gehiago dituenean gertatzen da, eta jarraian bilketaz, eta bi norabideko hedapena gertatzen da konboluzio-geruzaren irteera guztiz konektatutako sare neuronal batera bidaltzen denean irudiak sailkatzeko.
Irudi baten elementu batzuk ateratzeko, iragazkiak erabiltzen dira. MLPn, sarrerak haztatu eta aktibazio-funtzioan hornitzen dira. RELU konboluzioan erabiltzen da, eta MLP-k, berriz, aktibazio-funtzio ez-lineala erabiltzen du eta ondoren softmax. Irudi eta bideoen aitorpenean, analisi semantikoan eta parafrasien detekzioan, neurona-sare konboluzionalak emaitza bikainak lortzen dituzte.
5. Alborapen erradiala sarea
Sarrerako bektore baten atzetik RBF neuronen geruza eta irteerako geruza bat dago kategoria bakoitzeko nodo bat duen Erradial Basis Function Network batean. Sarrera entrenamendu-multzoko datu-puntuekin alderatuz sailkatzen da, non neurona bakoitzak prototipo bat mantentzen duen. Hau da prestakuntza multzoaren adibideetako bat.
Neurona bakoitzak sarreraren eta bere prototipoaren arteko distantzia euklidearra kalkulatzen du sarrerako bektore berri bat [kategorizatu nahi duzun n dimentsioko bektorea] sailkatu behar denean. Bi klase baditugu, A klasea eta B klasea, sailkatu beharreko sarrera berria A klaseko prototipoen antzekoagoa da B klaseko prototipoekin baino.
Ondorioz, A klase gisa etiketatu edo sailkatu daiteke.
6. Sare neuronal errepikakorra
Sare neuronal errekurrenteak geruza baten irteera gordetzeko diseinatuta daude eta, ondoren, sarrerara elikatzeko geruzaren emaitza aurreikusten laguntzeko. Aurrerapen bat sare neural hasierako geruza izan ohi da, eta, ondoren, sare neuronaleko geruza errepikakorra da, non memoria-funtzio batek aurreko denbora-pausoan zuen informazioaren zati bat gogoratzen duen.
Eszenatoki honek aurrerako hedapena erabiltzen du. Etorkizunean beharrezkoak izango diren datuak gordetzen ditu. Iragarpena okerra bada, ikasketa-tasa doikuntza txikiak egiteko erabiltzen da. Ondorioz, atzera-hedapena aurrera doan heinean, gero eta zehatzagoa izango da.
aplikazioak
Sare neuronalak hainbat diziplinatako datu-arazoak kudeatzeko erabiltzen dira; behean adibide batzuk erakusten dira.
- Aurpegi-aitorpena - Aurpegi-ezagutzarako irtenbideek zaintza-sistema eraginkor gisa balio dute. Errekonozimendu sistemek argazki digitalak giza aurpegiekin erlazionatzen dituzte. Sarrera selektiborako bulegoetan erabiltzen dira. Horrela, sistemek giza aurpegi bat egiaztatzen dute eta bere datu-basean gordetako ID-zerrenda batekin konparatzen dute.
- Stocken iragarpena - Inbertsioak merkatu-arriskuen mende daude. Ia zaila da etorkizuneko garapenak aurreikustea oso lurrunkorra den burtsan. Neurona-sareen aurretik, etengabe aldatzen ari ziren fase bullish eta bearishak ezustekoak ziren. Baina, zerk aldatu zuen dena? Jakina, sare neuronalei buruz ari gara... Geruza anitzeko Perceptron MLP (adimen artifizialaren feedforward sistema mota bat) stocken iragarpen arrakastatsua sortzeko erabiltzen da denbora errealean.
- Social Media – Nolako zentzua izan daitekeen arren, sare sozialek existentziaren eguneroko bidea aldatu dute. Sare sozialen erabiltzaileen portaera aztertzen da Sare Neuronal Artifizialak erabiliz. Lehiakortasuna aztertzeko, elkarrekintza birtualen bidez egunero hornitzen diren datuak pilatu eta aztertzen dira. Sare sozialen erabiltzaileen ekintzak sare neuronalek errepikatzen dituzte. Pertsonen jokabideak pertsonen gastu-ereduekin lotu daitezke datuak sare sozialen bidez aztertu ondoren. Sare sozialetako aplikazioetako datuak Multilayer Perceptron ANN erabiliz ateratzen dira.
- Osasuna - Gaur egungo munduan dauden pertsonak teknologiaren onurak erabiltzen ari dira osasun-industrian. Osasungintzan, Sare Neuronal Konvoluzionalak X izpien detektatzeko, CT eskaneatzeko eta ultrasoinuetarako erabiltzen dira. Aipatutako probetatik jasotako irudi medikoen datuak sare neuronalen ereduak erabiliz ebaluatu eta baloratzen dira, CNN irudiak prozesatzeko erabiltzen baita. Ahotsa ezagutzeko sistemen garapenean, sare neuronal errecurrentea (RNN) ere erabiltzen da.
- Eguraldiaren txostena - Adimen artifiziala ezarri aurretik, meteorologia sailaren proiekzioak ez ziren inoiz zehatzak izan. Eguraldiaren iragarpena, neurri handi batean, etorkizunean gertatuko diren eguraldi baldintzak iragartzeko egiten da. Eguraldiaren iragarpenak erabiltzen ari dira garai modernoan hondamendi naturalak izateko probabilitatea aurreikusteko. Eguraldiaren iragarpena geruza anitzeko perceptron (MLP), neurona-sare konboluzionalak (CNN) eta neurona-sare errekurrenteak (RNN) erabiliz egiten dira.
- Defentsa - Logistika, eraso armatuen azterketa eta elementuen kokapena sare neuronalak erabiltzen dituzte. Aireko eta itsasoko patruiletan ere lan egiten dute, baita drone autonomoak kudeatzen ere. Adimen artifiziala defentsa industriari bere teknologia eskalatzeko behar duen bultzada ematen ari da. Urpeko meategien existentzia detektatzeko, Sare Neuronal Konboluzionalak (CNN) erabiltzen dira.
Abantailak
- Neurona-sare bateko neurona batzuk behar bezala funtzionatzen ez badute ere, neurona-sareek irteerak sortuko dituzte.
- Sare neuronalek denbora errealean ikasteko eta beren ezarpen aldakorretara egokitzeko gaitasuna dute.
- Sare neuronalek hainbat zeregin egiten ikas dezakete. Emandako datuetan oinarrituta emaitza zuzena emateko.
- Sare neuronalek hainbat zeregin aldi berean kudeatzeko indarra eta gaitasuna dute.
Desabantailak
- Sare neuronalak arazoak ebazteko erabiltzen dira. Ez du azaltzen sareen korapilatsuaren ondorioz egin zituen epaiak “zergatik eta nola” atzean dagoen azalpenik. Ondorioz, sarearen konfiantza hondatu egin daiteke.
- Neurona-sare baten osagaiak elkarren menpekoak dira. Hau da, neurona-sareek konputazio-potentzia nahikoa duten ordenagailuak eskatzen dituzte (edo haiengan oso menpekoak dira).
- Sare neuronalaren prozesu batek ez du arau zehatzik (edo arau orokorrik). Saiakuntza-akatsen teknikan, sare-egitura zuzena ezartzen da sare optimoa saiatuz. Ezaugarri asko eskatzen dituen prozedura da.
Ondorioa
Eremuaren eremua neural sareak azkar hedatzen ari da. Sektore honetako kontzeptuak ikastea eta ulertzea funtsezkoa da horiei aurre egin ahal izateko.
Artikulu honetan sare neuronal mota asko landu dira. Sare neuronalak erabil ditzakezu beste arlo batzuetako datu-arazoei aurre egiteko, diziplina honi buruz gehiago ikasten baduzu.
Utzi erantzun bat