Table of Contents[Ferstopje][Toanje]
Artificial Intelligence (AI) waard oarspronklik tocht as in fiere dream, in technology foar de takomst, mar dat is net mear it gefal.
Wat eartiids in ûndersyksûnderwerp wie, eksplodearret no yn 'e echte wrâld. AI is no te finen op in ferskaat oan plakken, ynklusyf jo wurkplak, skoalle, bankieren, sikehûzen, en sels jo tillefoan.
Se binne de eagen fan selsridende auto's, de stimmen fan Siri en Alexa, de geasten efter waarfoarsizzing, de hannen efter sjirurgy by robotika, en mear.
keunstmjittige yntelliginsje (AI) wurdt in gewoane skaaimerk fan it moderne libben. Yn 'e lêste ferskate jierren is AI ûntstien as in wichtige spiler yn in breed skala oan IT-technologyen.
Uteinlik wurdt it neurale netwurk brûkt troch AI om nije dingen te learen.
Dat hjoed sille wy leare oer neurale netwurken, hoe't it wurket, har soarten, applikaasjes, en in protte mear.
Wat is Neural Network?
In masine learen, in neural netwurk is in software-programmearre netwurk fan keunstmjittige neuroanen. It besiket it minsklik brein te imitearjen troch in protte lagen fan "neuronen" te hawwen, dy't fergelykber binne mei de neuroanen yn ús harsens.
De earste laach neuroanen sil foto's, fideo, lûd, tekst en oare ynputen akseptearje. Dizze gegevens streame troch alle nivo's, wêrby't de útfier fan ien laach nei de folgjende streamt. Dit is kritysk foar de dreechste taken, lykas natuerlike taalferwurking foar masine learen.
Yn oare gefallen is lykwols it rjochtsjen op systeemkompresje om modelgrutte te ferminderjen by it behâld fan krektens en effisjinsje de foarkar. It snoeien fan in neural netwurk is in kompresjemetoade dy't it fuortheljen fan gewichten fan in leard model omfettet. Beskôgje in keunstmjittige yntelliginsje neuraal netwurk dat is oplaat om minsken te ûnderskieden fan bisten.
De foto sil wurde ferdield yn ljochte en tsjustere dielen troch de earste laach fan neuroanen. Dizze gegevens wurde trochjûn yn 'e folgjende laach, dy't sil bepale wêr't de rânen binne.
De folgjende laach sil besykje de foarmen te werkennen dy't de kombinaasje fan 'e rânen hat generearre. Neffens de gegevens dêr't se op traind binne, sille de gegevens op in ferlykbere manier troch ferskate lagen passe om te bepalen as it byld dat jo presintearre is fan in minske of in bist.
As gegevens wurde jûn yn in neural netwurk, begjint it te ferwurkjen. Dêrnei wurde de gegevens ferwurke fia har nivo's om it winske resultaat te krijen. In neural netwurk is in masine dy't leart fan strukturearre ynput en de resultaten toant. D'r binne trije soarten learen dy't plakfine kinne yn neurale netwurken:
- Begeliede learen - Ynputen en útgongen wurde jûn oan 'e algoritmen mei markearre gegevens. Nei't se leard binne hoe't se gegevens analysearje kinne, foarsizze se it beëage resultaat.
- Learje sûnder tafersjoch - In ANN leart sûnder de help fan in minske. D'r binne gjin markearre gegevens, en de útfier wurdt besletten troch patroanen fûn yn 'e útfiergegevens.
- Learjen fan fersterking is as in netwurk leart fan 'e feedback dy't it ûntfangt.
Hoe wurkje neurale netwurken?
Keunstmjittige neuroanen wurde brûkt yn neurale netwurken, dat binne ferfine systemen. De keunstmjittige neuroanen, ek wol perceptrons neamd, binne opboud út de folgjende komponinten:
- Ynfier
- Gewicht
- Bias
- Aktivearring Funksje
- útfier
De lagen fan neuroanen dy't neuronale netwurken foarmje. In neural netwurk bestiet út trije lagen:
- Ynput laach
- Ferburgen laach
- Utfier laach
Gegevens yn 'e foarm fan in numerike wearde wurde stjoerd nei de ynfierlaach. De ferburgen lagen fan it netwurk binne dejingen dy't de measte berekkeningen dogge. De útfierlaach, last but not least, prognostearret it resultaat. Neuronen dominearje inoar yn in neural netwurk. Neurons wurde brûkt om elke laach te bouwen. Gegevens wurde trochstjoerd nei de ferburgen laach neidat de ynfierlaach it krijt.
Gewichten wurde tapast op elke ynfier. Binnen de ferburgen lagen fan in neural netwurk is it gewicht in wearde dy't ynkommende gegevens oerset. Gewichten funksjonearje troch ynputgegevens te fermannichfâldigjen mei de gewichtwearde yn 'e ynfierlaach.
It begjint dan de wearde fan 'e earste ferburgen laach. De ynfiergegevens wurde omfoarme en trochjûn nei de oare laach fia de ferburgen lagen. De útfierlaach is ferantwurdlik foar it generearjen fan it definitive resultaat. De yngongen en gewichten wurde fermannichfâldige, en it resultaat wurdt levere oan 'e ferburgen laach neuroanen as in som. Elke neuron wurdt in bias jûn. Om it totaal te berekkenjen, foeget elke neuron de ynputen ta dy't it ûntfangt.
Dêrnei giet de wearde troch de aktivearringsfunksje. It resultaat fan 'e aktivearringsfunksje bepaalt oft in neuron aktivearre is of net. As in neuron aktyf is, stjoert it ynformaasje nei de oare lagen. De gegevens wurde makke yn it netwurk oant it neuron de útfierlaach berikt mei dizze metoade. Foarút propagaasje is in oare term foar dit.
De technyk fan it fieden fan gegevens yn in ynfierknooppunt en it krijen fan de útfier fia in útfierknooppunt is bekend as feed-forward propagation. Wannear't de ynfier gegevens wurdt akseptearre troch de ferburgen laach, feed-forward propagation optreedt. It wurdt ferwurke neffens de aktivearring funksje en dan trochjûn oan de útfier.
It resultaat wurdt projizearre troch it neuron yn 'e útfierlaach mei de heechste kâns. Backpropagation fynt plak as de útfier is ferkeard. Gewichten wurde inisjalisearre foar elke ynfier by it meitsjen fan in neural netwurk. Backpropagation is it proses fan it oanpassen fan de gewichten fan elke ynfier om flaters te ferminderjen en in krekter útfier te leverjen.
Soarten neural netwurk
1. Perceptron
It Minsky-Papert perceptronmodel is ien fan 'e ienfâldichste en âldste neuronmodellen. It is de lytste ienheid fan in neural netwurk dy't bepaalde berekkeningen útfiert om skaaimerken of saaklike yntelliginsje te ûntdekken yn ynkommende gegevens. It nimt gewogen yngongen en past de aktivearringsfunksje ta om it definitive resultaat te krijen. TLU (threshold logic unit) is in oare namme foar perceptron.
Perceptron is in binêre klassifikaasje dy't in begeliedend learsysteem is dat gegevens dielt yn twa groepen. Logyske poarten lykas AND, OR, en NAND kinne wurde ymplementearre mei perceptrons.
2. Feed-Forward Neural Network
De meast basale ferzje fan neuronale netwurken, wêryn ynfiergegevens allinich yn ien rjochting streamt, giet fia keunstmjittige neurale knooppunten en giet út troch útfierknooppunten. Ynput- en útfierlagen binne oanwêzich op plakken wêr't ferburgen lagen al of net oanwêzich binne. Se kinne wurde karakterisearre as of in single-layered of multi-layered feed-forward neural netwurk basearre op dit.
It oantal brûkte lagen wurdt bepaald troch de kompleksiteit fan 'e funksje. It propagearret allinich foarút yn ien rjochting en propagearret net efterút. Hjir bliuwe de gewichten konstant. Ynputen wurde fermannichfâldige mei gewichten foar in feed in aktivearring funksje. In funksje foar aktivearring fan klassifikaasje as in funksje foar stap-aktivearring wurdt brûkt om dit te dwaan.
3. Multi-laach perceptron
In ynlieding ta ferfine neurale netten, wêryn ynfiergegevens troch in protte lagen fan keunstmjittige neuroanen trochstjoerd wurde. It is in folslein keppele neural netwurk, om't elke knoop is ferbûn mei alle neuroanen yn 'e folgjende laach. Meardere ferburgen lagen, dus op syn minst trije of mear lagen, binne oanwêzich yn 'e ynfier- en útfierlagen.
It hat bidirectionele propagaasje, wat betsjut dat it sawol foarút as efterút kin fersprieden. Ynputen wurde fermannichfâldige mei gewichten en stjoerd nei de aktivearring funksje, dêr't se wurde feroare fia backpropagation te minimalisearje it ferlies.
Gewichten binne masine-learde wearden fan Neural Networks, om it gewoan te sizzen. Ofhinklik fan it ferskil tusken ferwachte útgongen en trainingynputen, passe se sels oan. Softmax wurdt brûkt as in útfierlaach aktivearring funksje nei net-lineêre aktivearring funksjes.
4. Convolutional Neural Network
Yn tsjinstelling ta de tradisjonele twadiminsjonale array hat in konvolúsje-neuraal netwurk in trijediminsjonale konfiguraasje fan neuroanen. De earste laach is bekend as in convolutional laach. Elke neuron yn 'e konvolúsjonele laach ferwurket allinich ynformaasje fan in beheind diel fan it fisuele fjild. Lykas in filter wurde ynfierfunksjes nommen yn batchmodus.
It netwurk begrypt foto's yn seksjes en kin dizze aksjes ferskate kearen útfiere om de heule ôfbyldingsferwurking te foltôgjen.
De ôfbylding wurdt konvertearre fan RGB as HSI nei griisskalen by ferwurking. Fierdere fariaasjes yn pikselwearde sille helpe by it opspoaren fan rânen, en foto's kinne wurde sorteare yn ferskate groepen. Unidirectional propagaasje bart as in CNN befettet ien of mear convolutional lagen folge troch pooling, en bidirectional propagaasje bart as de útfier fan de convolution laach wurdt stjoerd nei in folslein ferbûn neural netwurk foar ôfbylding klassifikaasje.
Om bepaalde eleminten fan in ôfbylding te ekstrahearjen, wurde filters brûkt. Yn MLP wurde de ynputen gewogen en levere yn 'e aktivearringsfunksje. RELU wurdt brûkt yn konvolúsje, wylst MLP in net-lineêre aktivearringsfunksje brûkt folge troch softmax. Yn byld- en fideo-erkenning, semantyske parsing, en parafrasedeteksje produsearje konvolúsjonele neurale netwurken poerbêste resultaten.
5. Radial Bias Network
In ynfiervektor wurdt folge troch in laach fan RBF-neuroanen en in útfierlaach mei ien knooppunt foar elke kategory yn in Radial Basis Function Network. De ynfier wurdt klassifisearre troch it te fergelykjen mei gegevenspunten fan 'e trainingsset, wêr't elke neuron in prototype ûnderhâldt. Dit is ien fan 'e foarbylden fan 'e trainingsset.
Elke neuron berekkent de Euklidyske ôfstân tusken de ynfier en syn prototype as in frisse ynfiervektor [de n-diminsjonale fektor dy't jo besykje te kategorisearjen] moat wurde klassifisearre. As wy twa klassen hawwe, Klasse A en Klasse B, is de nije ynfier dy't moat wurde kategorisearre mear ferlykber mei klasse A prototypen as klasse B prototypen.
As gefolch kin it wurde markearre of kategorisearre as klasse A.
6. Weromkommend neuronale netwurk
Weromkommende neuronale netwurken binne ûntworpen om de útfier fan in laach op te slaan en it dan werom te fieren yn 'e ynfier om te helpen foarsizze de útkomst fan 'e laach. In feed-forward neuronale netwurk is meastentiids de earste laach, folge troch in weromkommende neural netwurk laach, dêr't in ûnthâld funksje ûnthâldt in part fan de ynformaasje dy't hie yn 'e foarige tiid stap.
Dit senario brûkt foarút propagaasje. It bewarret gegevens dy't yn 'e takomst nedich binne. Yn it gefal dat de foarsizzing ferkeard is, wurdt de learsnelheid brûkt om lytse oanpassingen te meitsjen. As gefolch, as de efterpropagaasje foarútgiet, sil it hieltyd krekter wurde.
Oanfraach
Neurale netwurken wurde brûkt om gegevensproblemen yn in ferskaat oan dissiplines te behanneljen; guon foarbylden wurde werjûn hjirûnder.
- Gesichtsherkenning - Gesichtsherkenningsoplossingen tsjinje as effektive tafersjochsystemen. Erkenningssystemen relatearje digitale foto's oan minsklike gesichten. Se wurde brûkt yn kantoaren foar selektive yngong. Sa ferifiearje de systemen in minsklik gesicht en fergelykje it mei in list mei ID's opslein yn har database.
- Stock Prediction - Ynvestearingen binne bleatsteld oan merkrisiko's. It is praktysk lestich om takomstige ûntjouwings te foarsizzen yn 'e ekstreem volatile oandielmerk. Foar neurale netwurken wiene de konstant ferskowende bullish en bearish fazen ûnfoarspelber. Mar, wat feroare alles? Fansels hawwe wy it oer neurale netwurken ... In Multilayer Perceptron MLP (in soarte fan feedforward keunstmjittige yntelliginsjesysteem) wurdt brûkt om in suksesfolle stockprognose yn realtime te meitsjen.
- Sosjale media - Nettsjinsteande hoe corny it kin klinke, sosjale media hawwe feroare it mundane paad fan it bestean. It gedrach fan brûkers fan sosjale media wurdt bestudearre mei Artificial Neural Networks. Foar kompetitive analyse wurde gegevens alle dagen levere fia firtuele ynteraksjes opsteapele en ûndersocht. De aksjes fan brûkers fan sosjale media wurde replikearre troch neurale netwurken. It gedrach fan yndividuen kin ferbûn wurde mei de bestegingspatroanen fan minsken as ienris gegevens wurde analysearre fia sosjale medianetwurken. Gegevens fan sosjale media-applikaasjes wurde mineare mei Multilayer Perceptron ANN.
- Sûnenssoarch - Partikulieren yn 'e hjoeddeistige wrâld meitsje gebrûk fan' e foardielen fan technology yn 'e sûnenssektor. Yn it sûnenssoarchbedriuw wurde Convolutional Neural Networks brûkt foar röntgendeteksje, CT-scans en echografie. De medyske ôfbyldingsgegevens ûntfongen fan 'e boppeneamde tests wurde evaluearre en beoardiele mei neuronale netwurkmodellen, lykas CNN wurdt brûkt yn byldferwurking. Yn 'e ûntwikkeling fan systemen foar stimherkenning wurdt ek it weromkommende neurale netwurk (RNN) brûkt.
- Wetterrapport - Foarôfgeand oan de ymplemintaasje fan keunstmjittige yntelliginsje wiene de projeksjes fan 'e meteorologyske ôfdieling nea presys. Wetterfoarsizzing wurdt foar in grut part dien om de waarsomstannichheden te foarsizzen dy't yn 'e takomst foarkomme. Wetterfoarsizzingen wurde brûkt om de kâns op natuerrampen yn 'e moderne perioade te antisipearjen. Wetterfoarsizzing wurdt dien mei multilayer perceptron (MLP), konvolúsjonele neurale netwurken (CNN), en weromkommende neurale netwurken (RNN).
- Definsje - Logistyk, analyse fan bewapene oanfal, en lokaasje fan items brûke allegear neurale netwurken. Se wurde ek wurksum yn loft- en seepatrols, en ek om autonome drones te behearjen. Keunstmjittige yntelliginsje jout de definsje-yndustry de heul needsaaklike ympuls dy't it nedich is om har technology op te skaaljen. Foar it opspoaren fan it bestean fan ûnderwetterminen wurde Convolutional Neural Networks (CNN) brûkt.
foardielen
- Sels as in pear neuroanen yn in neuronale netwurk net goed funksjonearje, sille de neurale netwurken noch útgongen generearje.
- Neurale netwurken hawwe de mooglikheid om yn realtime te learen en oanpasse oan har feroarjende ynstellingen.
- Neurale netwurken kinne leare om in ferskaat oan taken te dwaan. Om it juste resultaat te leverjen basearre op de levere gegevens.
- Neurale netwurken hawwe de krêft en de mooglikheid om ferskate taken tagelyk te behanneljen.
neidielen
- Neurale netwurken wurde brûkt om problemen op te lossen. It ûntbleatet de ferklearring net efter "wêrom en hoe" it makke de oardielen dy't it dien fanwegen de yngewikkeldheid fan 'e netwurken. As gefolch kin netwurkfertrouwen wurde erodearre.
- De komponinten fan in neural netwurk binne inoar ôfhinklik fan elkoar. Dat wol sizze, neurale netwurken freegje (of binne ekstreem ôfhinklik fan) kompjûters mei genôch rekkenkrêft.
- In neural netwurkproses hat gjin spesifike regel (of thumbregel). Yn in proef-en-flater-technyk wurdt in juste netwurkstruktuer fêststeld troch it optimale netwurk te besykjen. It is in proseduere dy't in protte fine-tuning fereasket.
Konklúzje
It fjild fan neurale netwurken wurdt hurd útwreidzjen. It is kritysk om de begripen yn dizze sektor te learen en te begripen om dermei om te kinnen.
De protte soarten neuronale netwurken binne behannele yn dit artikel. Jo kinne neurale netwurken brûke om gegevensproblemen op oare fjilden oan te pakken as jo mear leare oer dizze dissipline.
Leave a Reply