Pregled sadržaja[Sakriti][Pokazati]
Umjetna inteligencija (AI) izvorno se mislila da je daleki san, tehnologija za budućnost, ali to više nije tako.
Ono što je nekoć bila tema istraživanja sada eksplodira u stvarnom svijetu. AI se sada nalazi na raznim mjestima, uključujući vaše radno mjesto, školu, bankarstvo, bolnice, pa čak i vaš telefon.
To su oči samovozećih vozila, Sirini i Alexini glasovi, umovi koji stoje iza vremenske prognoze, ruke iza operacija uz pomoć robota i još mnogo toga.
umjetna inteligencija (AI) postaje uobičajena karakteristika modernog života. U posljednjih nekoliko godina, AI se pojavio kao glavni igrač u širokom rasponu IT tehnologija.
Konačno, AI koristi neuronsku mrežu za učenje novih stvari.
Dakle, danas ćemo naučiti o neuronskim mrežama, kako funkcioniraju, njihovim vrstama, primjenama i još puno toga.
Što je neuronska mreža?
In stroj za učenje, neuronska mreža je softverski programirana mreža umjetnih neurona. Pokušava oponašati ljudski mozak tako što ima brojne slojeve "neurona", koji su slični neuronima u našem mozgu.
Prvi sloj neurona će prihvatiti fotografije, video, zvuk, tekst i druge ulaze. Ovi podaci teku kroz sve razine, a izlaz jednog sloja teče u sljedeći. To je ključno za najteže zadatke, kao što je obrada prirodnog jezika za strojno učenje.
Međutim, u drugim slučajevima, poželjno je težiti kompresiji sustava kako bi se smanjila veličina modela uz zadržavanje točnosti i učinkovitosti. Obrezivanje neuronske mreže metoda je kompresije koja uključuje uklanjanje utega iz naučenog modela. Razmislite o neuronskoj mreži umjetne inteligencije koja je obučena da razlikuje ljude od životinja.
Sliku će prvi sloj neurona podijeliti na svijetle i tamne dijelove. Ovi će podaci biti proslijeđeni u sljedeći sloj, koji će odrediti gdje su rubovi.
Sljedeći sloj će pokušati prepoznati oblike koje je generirala kombinacija rubova. Prema podacima na kojima su obučeni, podaci će proći kroz brojne slojeve na sličan način kako bi se utvrdilo je li slika koju ste prikazali čovjeka ili životinje.
Kada se podaci daju u neuronsku mrežu, ona ih počinje obrađivati. Nakon toga, podaci se obrađuju preko svojih razina kako bi se dobio željeni rezultat. Neuronska mreža je stroj koji uči iz strukturiranog unosa i prikazuje rezultate. Postoje tri vrste učenja koje se mogu odvijati u neuronskim mrežama:
- Nadzirano učenje – Ulazi i izlazi se daju algoritmima pomoću označenih podataka. Nakon što su poučeni kako analizirati podatke, predviđaju namjeravani ishod.
- Učenje bez nadzora – ANN uči bez pomoći čovjeka. Nema označenih podataka, a izlaz se određuje prema uzorcima koji se nalaze u izlaznim podacima.
- Učenje ojačanja kada mreža uči iz povratnih informacija koje prima.
Kako funkcioniraju neuronske mreže?
Umjetni neuroni se koriste u neuronskim mrežama, koje su sofisticirani sustavi. Umjetni neuroni, također poznati kao perceptroni, sastoje se od sljedećih komponenti:
- Ulazni
- Težina
- Prednapon
- Funkcija aktivacije
- Izlaz
Slojevi neurona koji čine neuronske mreže. Neuronska mreža se sastoji od tri sloja:
- Ulazni sloj
- Skriveni sloj
- Izlazni sloj
Podaci u obliku brojčane vrijednosti šalju se na ulazni sloj. Skriveni slojevi mreže su oni koji najviše izračunavaju. Izlazni sloj, posljednje, ali ne manje važno, predviđa rezultat. Neuroni dominiraju jedan nad drugim u neuronskoj mreži. Neuroni se koriste za izgradnju svakog sloja. Podaci se usmjeravaju u skriveni sloj nakon što ih dobije ulazni sloj.
Ponderi se primjenjuju na svaki ulaz. Unutar skrivenih slojeva neuronske mreže, težina je vrijednost koja prevodi dolazne podatke. Ponderi funkcioniraju množenjem ulaznih podataka s vrijednošću težine u ulaznom sloju.
Zatim pokreće vrijednost prvog skrivenog sloja. Ulazni podaci se transformiraju i prosljeđuju drugom sloju preko skrivenih slojeva. Izlazni sloj je odgovoran za generiranje konačnog rezultata. Unosi i težine se množe, a rezultat se kao zbroj isporučuje neuronima skrivenog sloja. Svaki neuron ima pristranost. Za izračunavanje ukupnog, svaki neuron zbraja ulaze koje prima.
Nakon toga vrijednost prolazi kroz aktivacijsku funkciju. Rezultat aktivacijske funkcije određuje hoće li se neuron aktivirati ili ne. Kada je neuron aktivan, on šalje informacije drugim slojevima. Podaci se stvaraju u mreži sve dok neuron ne dosegne izlazni sloj pomoću ove metode. Proširivanje naprijed je drugi izraz za ovo.
Tehnika unosa podataka u ulazni čvor i dobivanja izlaza kroz izlazni čvor poznata je kao propagacija naprijed. Kada skriveni sloj prihvati ulazne podatke, dolazi do propagacije naprijed. Obrađuje se prema funkciji aktivacije, a zatim se prosljeđuje na izlaz.
Ishod projicira neuron u izlaznom sloju s najvećom vjerojatnošću. Propagiranje unatrag događa se kada je izlaz netočan. Ponderi se inicijaliziraju za svaki ulaz tijekom stvaranja neuronske mreže. Povratno širenje je proces ponovnog prilagođavanja težine svakog ulaza kako bi se smanjile pogreške i osigurao točniji izlaz.
Vrste neuronskih mreža
1. Perceptron
Minsky-Papertov model perceptrona jedan je od najjednostavnijih i najstarijih modela neurona. To je najmanja jedinica neuronske mreže koja izvodi određene izračune kako bi otkrila karakteristike ili poslovnu inteligenciju u dolaznim podacima. Potrebni su ponderirani inputi i primjenjuje se funkcija aktivacije kako bi se dobio konačni rezultat. TLU (threshold logic unit) je drugo ime za perceptron.
Perceptron je binarni klasifikator koji je sustav za učenje pod nadzorom koji dijeli podatke u dvije skupine. Logička vrata kao što su AND, OR i NAND mogu se implementirati s perceptronima.
2. Feed-Forward neuronska mreža
Najosnovnija verzija neuronskih mreža, u kojoj ulazni podaci teku isključivo u jednom smjeru, prolazi kroz umjetne neuronske čvorove i izlazi kroz izlazne čvorove. Ulazni i izlazni slojevi prisutni su na mjestima gdje skriveni slojevi mogu, ali i ne moraju biti prisutni. Na temelju toga mogu se okarakterizirati kao jednoslojne ili višeslojne neuronske mreže s prijenosom prema naprijed.
Broj korištenih slojeva određen je složenošću funkcije. Proširuje se samo naprijed u jednom smjeru i ne širi se unatrag. Ovdje težine ostaju konstantne. Unosi se množe s težinama kako bi se nahranila funkcija aktivacije. Za to se koristi klasifikacijska aktivacijska funkcija ili funkcija koraka aktivacije.
3. Višeslojni perceptron
Uvod u sofisticirano neuralne mreže, u kojem se ulazni podaci usmjeravaju preko mnogo slojeva umjetnih neurona. To je potpuno povezana neuronska mreža, budući da je svaki čvor povezan sa svim neuronima u sljedećem sloju. Višestruki skriveni slojevi, tj. najmanje tri ili više slojeva prisutni su u ulaznom i izlaznom sloju.
Posjeduje dvosmjerno širenje, što znači da se može širiti i naprijed i natrag. Unosi se množe s težinama i šalju u funkciju aktivacije, gdje se mijenjaju putem povratnog širenja kako bi se smanjio gubitak.
Ponderi su strojno naučene vrijednosti iz neuronskih mreža, pojednostavljeno rečeno. Ovisno o nesrazmjeru između očekivanih rezultata i inputa obuke, oni se sami prilagođavaju. Softmax se koristi kao funkcija aktivacije izlaznog sloja nakon nelinearnih aktivacijskih funkcija.
4. Konvolucijska neuronska mreža
Za razliku od tradicionalnog dvodimenzionalnog niza, konvolucijska neuronska mreža ima trodimenzionalnu konfiguraciju neurona. Prvi sloj je poznat kao konvolucijski sloj. Svaki neuron u konvolucijskom sloju obrađuje samo informacije iz ograničenog dijela vidnog polja. Poput filtra, ulazne značajke preuzimaju se u batch načinu rada.
Mreža razumije slike u dijelovima i može izvršiti ove radnje više puta kako bi završila cjelokupnu obradu slike.
Slika se tijekom obrade pretvara iz RGB ili HSI u sive. Daljnje varijacije u vrijednosti piksela pomoći će u otkrivanju rubova, a slike se mogu razvrstati u nekoliko grupa. Jednosmjerno širenje događa se kada CNN sadrži jedan ili više konvolucijskih slojeva nakon čega slijedi združivanje, a dvosmjerno propagiranje događa se kada se izlaz sloja konvolucije šalje potpuno povezanoj neuronskoj mreži radi klasifikacije slike.
Za izdvajanje određenih elemenata slike koriste se filtri. U MLP-u, ulazi se ponderiraju i unose u funkciju aktivacije. RELU se koristi u konvoluciji, dok MLP koristi funkciju nelinearne aktivacije koju slijedi softmax. U prepoznavanju slike i videa, semantičkom raščlanjivanju i detekciji parafraze, konvolucijske neuronske mreže daju izvrsne rezultate.
5. Mreža radijalne pristranosti
Nakon ulaznog vektora slijedi sloj RBF neurona i izlazni sloj s jednim čvorom za svaku kategoriju u mreži radijalne bazične funkcije. Ulaz se klasificira uspoređivanjem s podacima iz skupa za obuku, gdje svaki neuron održava prototip. Ovo je jedan od primjera seta za obuku.
Svaki neuron izračunava euklidsku udaljenost između ulaza i njegovog prototipa kada se mora klasificirati svježi ulazni vektor [n-dimenzionalni vektor koji pokušavate kategorizirati]. Ako imamo dvije klase, klasu A i klasu B, novi ulaz koji treba kategorizirati sličniji je prototipovima klase A nego prototipovima klase B.
Kao rezultat toga, može biti označena ili kategorizirana kao klasa A.
6. Rekurentna neuronska mreža
Rekurentne neuronske mreže dizajnirane su za spremanje izlaza sloja i zatim ga vraćaju u ulaz kako bi pomogle u predviđanju ishoda sloja. Feed-forward neuronska mreža je obično početni sloj, nakon kojeg slijedi rekurentni sloj neuronske mreže, gdje memorijska funkcija pamti dio informacija koje je imala u prethodnom vremenskom koraku.
Ovaj scenarij koristi širenje prema naprijed. Sprema podatke koji će biti potrebni u budućnosti. U slučaju da je predviđanje netočno, stopa učenja se koristi za manje prilagodbe. Kao rezultat toga, kako propagacija unatrag napreduje, ona će postati sve točnija.
Aplikacije
Neuronske mreže se koriste za rješavanje problema s podacima u raznim disciplinama; neki primjeri su prikazani u nastavku.
- Prepoznavanje lica – rješenja za prepoznavanje lica služe kao učinkoviti nadzorni sustavi. Sustavi za prepoznavanje povezuju digitalne fotografije s ljudskim licima. Koriste se u uredima za selektivni ulazak. Dakle, sustavi provjeravaju ljudsko lice i uspoređuju ga s popisom ID-ova pohranjenih u njegovoj bazi podataka.
- Predviđanje dionica – Ulaganja su izložena tržišnim rizicima. Praktički je teško predvidjeti buduća kretanja na iznimno nestabilnom tržištu dionica. Prije neuronskih mreža, konstantno mijenjanje bikovske i medvjeđe faze bile su nepredvidive. Ali, što je sve promijenilo? Naravno, govorimo o neuronskim mrežama... Višeslojni Perceptron MLP (vrsta sustava umjetne inteligencije naprijed) koristi se za stvaranje uspješne prognoze zaliha u stvarnom vremenu.
- Društveni mediji – Koliko god otrcano zvučalo, društvene mreže promijenile su svakodnevni put postojanja. Ponašanje korisnika društvenih mreža proučava se pomoću umjetnih neuronskih mreža. Za analizu konkurentnosti, podaci koji se svakodnevno dostavljaju putem virtualnih interakcija gomilaju se i ispituju. Radnje korisnika društvenih medija repliciraju neuronske mreže. Ponašanje pojedinaca može se povezati s obrascima potrošnje ljudi nakon što se podaci analiziraju putem društvenih mreža. Podaci iz aplikacija društvenih medija rudare se pomoću Multilayer Perceptron ANN.
- Zdravstvo – Pojedinci u današnjem svijetu koriste prednosti tehnologije u zdravstvenoj industriji. U zdravstvenoj djelatnosti, konvolucijske neuronske mreže koriste se za detekciju rendgenskih zraka, CT skeniranje i ultrazvuk. Medicinski slikovni podaci dobiveni iz gore navedenih testova procjenjuju se i procjenjuju pomoću modela neuronske mreže, budući da se CNN koristi u obradi slike. U razvoju sustava za prepoznavanje glasa koristi se i rekurentna neuronska mreža (RNN).
- Izvješće o vremenu – Prije implementacije umjetne inteligencije, projekcije meteorološkog odjela nikada nisu bile precizne. Vremenska prognoza se uglavnom radi kako bi se predvidjeli vremenski uvjeti koji će se dogoditi u budućnosti. Vremenska predviđanja koriste se za predviđanje vjerojatnosti prirodnih katastrofa u modernom razdoblju. Prognoza vremena radi se pomoću višeslojnog perceptrona (MLP), konvolucijskih neuronskih mreža (CNN) i rekurentnih neuronskih mreža (RNN).
- Obrana – Logistika, analiza oružanog napada i lokacija predmeta koriste neuronske mreže. Također su zaposleni u zračnim i pomorskim patrolama, kao i za upravljanje autonomnim dronovima. Umjetna inteligencija daje obrambenoj industriji prijeko potreban poticaj koji joj je potreban za povećanje svoje tehnologije. Za otkrivanje postojanja podvodnih mina koriste se konvolucijske neuronske mreže (CNN).
Prednosti
- Čak i ako nekoliko neurona u neuronskoj mreži ne funkcionira ispravno, neuronske mreže će i dalje generirati izlaze.
- Neuronske mreže imaju sposobnost učenja u stvarnom vremenu i prilagođavanja promjenjivim postavkama.
- Neuronske mreže mogu naučiti obavljati razne zadatke. Za pružanje točnog ishoda na temelju dostavljenih podataka.
- Neuronske mreže imaju snagu i sposobnost za rješavanje nekoliko zadataka u isto vrijeme.
Nedostaci
- Neuronske mreže se koriste za rješavanje problema. Ne otkriva objašnjenje iza "zašto i kako" je donio presude koje je napravio zbog zamršenosti mreža. Kao rezultat toga, povjerenje u mrežu može biti narušeno.
- Komponente neuronske mreže međusobno su ovisne jedna o drugoj. Odnosno, neuronske mreže zahtijevaju (ili se iznimno oslanjaju na) računala s dovoljno računalne snage.
- Proces neuronske mreže nema specifično pravilo (ili pravilo). U tehnici pokušaja i pogreške, ispravna mrežna struktura uspostavlja se pokušajem optimalne mreže. To je postupak koji zahtijeva puno finog podešavanja.
Zaključak
Polje neuronske mreže brzo se širi. Ključno je naučiti i razumjeti koncepte u ovom sektoru kako biste se mogli nositi s njima.
U ovom članku obrađene su mnoge vrste neuronskih mreža. Možete koristiti neuronske mreže za rješavanje problema s podacima u drugim područjima ako naučite više o ovoj disciplini.
Ostavi odgovor