Tartalomjegyzék[Elrejt][Előadás]
A mesterséges intelligenciát (AI) eredetileg egy távoli álomnak, a jövő technológiájának tartották, de ez már nem így van.
Az egykor kutatási téma most robbanásszerűen terjed a való világban. A mesterséges intelligencia ma már számos helyen megtalálható, beleértve a munkahelyet, az iskolát, a bankokat, a kórházakat és még a telefont is.
Ezek az önvezető járművek szemei, Siri és Alexa hangjai, az időjárás-előrejelzés mögött álló elmék, a robotizált műtétek mögött álló kezek és még sok más.
Mesterséges intelligencia (AI) a modern élet általános jellemzőjévé válik. Az elmúlt néhány évben a mesterséges intelligencia az IT-technológiák széles körében jelentős szereplővé vált.
Végül a neurális hálózatot az AI használja új dolgok megtanulására.
Tehát ma megismerjük a neurális hálózatokat, működésüket, típusaikat, alkalmazásaikat és még sok mást.
Mi az a neurális hálózat?
In gépi tanulás, a neurális hálózat mesterséges neuronok szoftveresen programozott hálózata. Megpróbálja utánozni az emberi agyat azáltal, hogy számos „neuron” réteggel rendelkezik, amelyek hasonlóak az agyunk neuronjaihoz.
A neuronok első rétege fényképeket, videót, hangot, szöveget és egyéb bemeneteket fogad. Ezek az adatok az összes szinten áthaladnak, és az egyik réteg kimenete a következőre áramlik. Ez kritikus fontosságú a legnehezebb feladatoknál, például a természetes nyelvi feldolgozásnál a gépi tanuláshoz.
Más esetekben azonban célszerűbb a rendszertömörítés célja a modell méretének csökkentése a pontosság és a hatékonyság megőrzése mellett. A neurális hálózatok metszése egy tömörítési módszer, amely magában foglalja a súlyok eltávolítását egy tanult modellből. Vegyünk egy mesterséges intelligencia neurális hálózatot, amelyet arra képeztek ki, hogy megkülönböztesse az embereket az állatoktól.
A képet az első neuronréteg világos és sötét részekre osztja. Ezek az adatok a következő rétegbe kerülnek, amely meghatározza, hogy hol vannak az élek.
A következő réteg megpróbálja felismerni az élek kombinációja által generált formákat. A betanított adatok szerint az adatok hasonló módon számos rétegen haladnak át annak megállapításához, hogy az Ön által bemutatott kép emberről vagy állatról van-e ábrázolva.
Amikor adatot adnak egy neurális hálózatba, elkezdi feldolgozni azokat. Ezt követően az adatokat a szintjein keresztül dolgozzák fel a kívánt eredmény elérése érdekében. A neurális hálózat egy olyan gép, amely a strukturált bemenetből tanul, és megjeleníti az eredményeket. A neurális hálózatokban a tanulásnak három típusa van:
- Felügyelt tanulás – A bemeneteket és a kimeneteket az algoritmusok címkézett adatok felhasználásával kapják meg. Miután megtanították nekik az adatok elemzését, előrejelzik a tervezett eredményt.
- Felügyelet nélküli tanulás – Az ANN ember segítsége nélkül tanul. Nincsenek címkézett adatok, és a kimenetet a kimeneti adatokban található minták határozzák meg.
- Erősítő tanulás amikor a hálózat tanul a kapott visszajelzésekből.
Hogyan működnek a neurális hálózatok?
A mesterséges neuronokat neurális hálózatokban használják, amelyek kifinomult rendszerek. A mesterséges neuronok, más néven perceptronok, a következő összetevőkből állnak:
- Bemenet
- Súly
- Előítélet
- Aktiválási funkció
- teljesítmény
A neuronok rétegei, amelyek neurális hálózatokat alkotnak. A neurális hálózat három rétegből áll:
- Bemeneti réteg
- Rejtett réteg
- Kimeneti réteg
Az adatok numerikus érték formájában kerülnek elküldésre a beviteli rétegnek. A legtöbb számítást a hálózat rejtett rétegei végzik. A kimeneti réteg nem utolsósorban előrejelzi az eredményt. A neuronok uralják egymást egy neurális hálózatban. Az egyes rétegek felépítéséhez neuronokat használnak. Az adatok a rejtett rétegbe kerülnek, miután a bemeneti réteg megkapta azokat.
A rendszer minden bemenetre súlyokat alkalmaz. A neurális hálózat rejtett rétegein belül a súly olyan érték, amely lefordítja a bejövő adatokat. A súlyok úgy működnek, hogy a bemeneti adatokat megszorozzák a bemeneti réteg súlyértékével.
Ezután elindítja az első rejtett réteg értékét. A bemeneti adatok átalakításra kerülnek, és a rejtett rétegeken keresztül a másik rétegbe kerülnek. A kimeneti réteg felelős a végeredmény létrehozásáért. A bemenetek és a súlyok megszorozódnak, és az eredményt összegként továbbítják a rejtett réteg neuronjaihoz. Minden idegsejt kap egy torzítást. A teljes összeg kiszámításához minden neuron összeadja a kapott bemeneteket.
Ezt követően az érték az aktiváló funkción keresztül halad át. Az aktiválási funkció eredménye határozza meg, hogy egy neuron aktiválva van-e vagy sem. Amikor egy neuron aktív, információt küld a többi rétegnek. Az adatok addig jönnek létre a hálózatban, amíg a neuron el nem éri a kimeneti réteget ezzel a módszerrel. Az előreterjesztés egy másik kifejezés erre.
Az adatok bemeneti csomópontba történő betáplálásának és a kimenetnek egy kimeneti csomóponton keresztüli megszerzésének technikáját előrecsatolt terjedésnek nevezik. Amikor a bemeneti adatokat a rejtett réteg elfogadja, előrecsatolt terjedés történik. Az aktiválási funkciónak megfelelően dolgozza fel, majd továbbítja a kimenetre.
Az eredményt a kimeneti réteg neuronja vetíti ki a legnagyobb valószínűséggel. Visszaterjesztés történik, ha a kimenet helytelen. A neurális hálózat létrehozása során minden bemenet súlyozása inicializálódik. A visszaterjesztés az egyes bemenetek súlyának újraszabályozása a hibák csökkentése és a pontosabb kimenet biztosítása érdekében.
A neurális hálózat típusai
1. Perceptron
A Minsky-Papert perceptron modell az egyik legegyszerűbb és legrégebbi neuronmodell. Ez a neurális hálózat legkisebb egysége, amely bizonyos számításokat végez a bejövő adatok jellemzőinek vagy üzleti intelligenciájának felfedezése érdekében. Súlyozott bemeneteket igényel, és az aktiválási funkciót alkalmazza a végeredmény eléréséhez. A TLU (threshold logic unit) a perceptron másik neve.
A Perceptron egy bináris osztályozó, amely egy felügyelt tanulási rendszer, amely az adatokat két csoportra osztja. Logikai kapuk mint például az ÉS, VAGY és NAND perceptronokkal valósítható meg.
2. Feed-Forward Neurális Hálózat
A neurális hálózatok legalapvetőbb változata, amelyben a bemeneti adatok kizárólag egy irányban áramlanak, mesterséges neurális csomópontokon haladnak át, és kimeneti csomópontokon keresztül kilépnek. A bemeneti és kimeneti rétegek olyan helyeken vannak jelen, ahol rejtett rétegek lehetnek, vagy nincsenek. Ez alapján akár egyrétegű, akár többrétegű előrecsatolt neurális hálózatként jellemezhetők.
A felhasznált rétegek számát a függvény összetettsége határozza meg. Csak egy irányba terjed előre, visszafelé nem terjed. Itt a súlyok állandóak maradnak. A bemeneteket a rendszer megszorozza súlyokkal az aktiválási funkció betáplálásához. Ehhez egy besorolási aktiválási funkciót vagy egy lépcsős aktiválási funkciót használnak.
3. Többrétegű perceptron
Bevezetés a kifinomult ideghálók, amelyben a bemeneti adatokat mesterséges neuronok sok rétegén keresztül irányítják. Ez egy teljesen összekapcsolt neurális hálózat, mivel minden csomópont kapcsolódik az összes neuronhoz a következő rétegben. Több rejtett réteg, azaz legalább három vagy több réteg van jelen a bemeneti és kimeneti rétegekben.
Kétirányú terjedéssel rendelkezik, ami azt jelenti, hogy előre és hátra is terjedhet. A bemeneteket a rendszer megszorozza súlyokkal, és elküldi az aktiváló funkcióhoz, ahol visszaszaporítással változtatják meg őket a veszteség minimalizálása érdekében.
A súlyok leegyszerűsítve, gépileg tanult értékek a neurális hálózatoktól. Az elvárt kimenetek és a képzési bemenetek közötti eltéréstől függően önbeállítódik. A Softmax kimeneti réteg aktiválási funkcióként használatos a nemlineáris aktiválási függvények után.
4. Konvolúciós neurális hálózat
A hagyományos kétdimenziós tömbökkel ellentétben a konvolúciós neurális hálózat háromdimenziós neuronkonfigurációval rendelkezik. Az első réteg konvolúciós rétegként ismert. A konvolúciós rétegben minden neuron csak a látómező egy korlátozott részéből származó információt dolgoz fel. A szűrőhöz hasonlóan a beviteli funkciókat kötegelt módban veszik fel.
A hálózat szakaszokban értelmezi a képeket, és ezeket a műveleteket többször is végrehajthatja a teljes képfeldolgozás befejezéséhez.
A feldolgozás során a kép RGB-ből vagy HSI-ből szürkeárnyalatossá alakul. A pixelérték további változásai elősegítik az élek felismerését, és a képek több csoportba rendezhetők. Egyirányú terjedés akkor következik be, ha egy CNN egy vagy több konvolúciós réteget tartalmaz, majd pooling, és kétirányú terjedés akkor következik be, amikor a konvolúciós réteg kimenetét egy teljesen összekapcsolt neurális hálózatba küldik képosztályozás céljából.
A kép bizonyos elemeinek kivonásához szűrőket használnak. Az MLP-ben a bemenetek súlyozásra kerülnek, és az aktiválási funkcióba kerülnek. A RELU a konvolúcióban használatos, míg az MLP nemlineáris aktiválási függvényt, majd a softmax-ot alkalmazza. A kép- és videófelismerésben, a szemantikai elemzésben és a parafrázis-észlelésben a konvolúciós neurális hálózatok kiváló eredményeket produkálnak.
5. Radial Bias Network
Egy bemeneti vektort egy RBF neuronréteg és egy kimeneti réteg követ minden kategóriához egy csomóponttal egy radiális alapú függvényhálózatban. A bemenetet úgy osztályozzák, hogy összehasonlítják a betanító halmaz adatpontjaival, ahol minden neuron egy prototípust tart fenn. Ez a képzési készlet egyik példája.
Minden neuron kiszámítja az euklideszi távolságot a bemenet és a prototípusa között, amikor egy új bemeneti vektort [az n-dimenziós vektort, amelyet kategorizálni próbál] osztályozni kell. Ha két osztályunk van, az A és a B osztály, akkor a kategorizálandó új bemenet jobban hasonlít az A osztályú prototípusokhoz, mint a B osztályú prototípusokhoz.
Ennek eredményeként előfordulhat, hogy az A osztályú címkével vagy kategóriába sorolják.
6. Ismétlődő neurális hálózat
Az ismétlődő neurális hálózatokat úgy tervezték, hogy elmentsék egy réteg kimenetét, majd visszatáplálják azt a bemenetbe, hogy segítsék a réteg kimenetelének előrejelzését. Előrecsavarás neurális hálózat általában a kezdeti réteg, amelyet egy ismétlődő neurális hálózati réteg követ, ahol egy memóriafüggvény megjegyzi az előző időlépésben birtokolt információ egy részét.
Ez a forgatókönyv előre terjesztést használ. Olyan adatokat ment el, amelyekre a jövőben szükség lesz. Abban az esetben, ha az előrejelzés hibás, a tanulási sebességet a rendszer a kisebb módosításokhoz használja. Ennek eredményeként a visszaszaporítás előrehaladtával egyre pontosabb lesz.
Alkalmazási területek
A neurális hálózatokat számos tudományágban használják adatproblémák kezelésére; néhány példa az alábbiakban látható.
- Arcfelismerés – Az arcfelismerő megoldások hatékony megfigyelőrendszerként szolgálnak. A felismerő rendszerek a digitális fényképeket emberi arcokhoz kapcsolják. Irodákban használják szelektív belépésre. Így a rendszerek ellenőriznek egy emberi arcot, és összehasonlítják az adatbázisában tárolt azonosítók listájával.
- Részvény-előrejelzés – A befektetések piaci kockázatoknak vannak kitéve. A rendkívül volatilis tőzsdén gyakorlatilag nehéz előre látni a jövőbeli fejleményeket. A neurális hálózatok előtt a folyamatosan változó bullish és bearish fázisok kiszámíthatatlanok voltak. De mi változtatott meg mindent? Természetesen neurális hálózatokról beszélünk… A többrétegű Perceptron MLP-t (egyfajta előrecsatolt mesterséges intelligencia-rendszer) használják a sikeres, valós idejű részvény-előrejelzés létrehozására.
- Social Media – Bármilyen elcsépelten is hangzik, a közösségi média megváltoztatta a létezés hétköznapi útját. A közösségi média felhasználóinak viselkedését mesterséges neurális hálózatok segítségével tanulmányozzák. A kompetitív elemzéshez a virtuális interakciókon keresztül naponta szolgáltatott adatokat halmozzák és vizsgálják. A közösségi média felhasználóinak cselekedeteit a neurális hálózatok replikálják. Az egyének viselkedése összekapcsolható az emberek költési szokásaival, miután az adatokat a közösségi média hálózatokon keresztül elemzik. A közösségi média alkalmazások adatait a Multilayer Perceptron ANN segítségével bányászják.
- Egészségügy – Az egyének a mai világban kihasználják a technológia előnyeit az egészségügyi ágazatban. Az egészségügyi üzletágban a konvolúciós neurális hálózatokat röntgenfelismerésre, CT-vizsgálatokra és ultrahangra használják. A fent említett vizsgálatok során kapott orvosi képalkotó adatokat neurális hálózati modellek segítségével értékelik és értékelik, mivel a képfeldolgozásban a CNN-t használják. A hangfelismerő rendszerek fejlesztése során a recurrent neural network (RNN) is használatos.
- Időjárás – A mesterséges intelligencia bevezetése előtt a meteorológiai osztály előrejelzései soha nem voltak pontosak. Az időjárás-előrejelzés nagyrészt a jövőben bekövetkező időjárási körülmények előrejelzésére szolgál. Az időjárás-előrejelzéseket arra használják, hogy előre jelezzék a természeti katasztrófák valószínűségét a modern időszakban. Az időjárás-előrejelzés többrétegű perceptron (MLP), konvolúciós neurális hálózatok (CNN) és ismétlődő neurális hálózatok (RNN) segítségével történik.
- Védelem – A logisztika, a fegyveres támadáselemzés és az árucikk elhelyezkedése mind neurális hálózatokat alkalmaz. Légi és tengeri járőrözésben, valamint autonóm drónok kezelésében is alkalmazzák őket. A mesterséges intelligencia megadja a védelmi iparnak azt a nagyon szükséges lökést, amelyre szüksége van technológiájának bővítéséhez. A víz alatti aknák létezésének kimutatására konvolúciós neurális hálózatokat (CNN) használnak.
Előnyök
- Még ha egy neurális hálózat néhány neuronja nem is működik megfelelően, a neurális hálózatok továbbra is generálnak kimeneteket.
- A neurális hálózatok képesek valós időben tanulni és alkalmazkodni a változó beállításaikhoz.
- A neurális hálózatok különféle feladatok elvégzésére képesek megtanulni. A megadott adatok alapján a helyes eredmény biztosítása.
- A neurális hálózatok rendelkeznek azzal az erővel és képességgel, hogy több feladatot egyszerre kezeljenek.
Hátrányok
- A neurális hálózatokat problémák megoldására használják. Nem fedi fel a „miért és hogyan” mögött meghúzódó magyarázatot, a hálózatok bonyolultsága miatt hozott ítéleteket. Ennek eredményeként a hálózati bizalom erodálhat.
- A neurális hálózat összetevői kölcsönösen függenek egymástól. Ez azt jelenti, hogy a neurális hálózatok megfelelő számítási teljesítménnyel rendelkező számítógépeket igényelnek (vagy nagyon függenek azoktól).
- Egy neurális hálózati folyamatnak nincs konkrét szabálya (vagy hüvelykujjszabálya). A próba és hiba technikában a megfelelő hálózati struktúra az optimális hálózat megkísérlésével jön létre. Ez egy nagyon sok finomhangolást igénylő eljárás.
Következtetés
A területe neurális hálózatok rohamosan bővül. Nagyon fontos megtanulni és megérteni a fogalmakat ebben a szektorban, hogy kezelni tudjuk őket.
Ez a cikk a neurális hálózatok sokféle típusával foglalkozik. A neurális hálózatok segítségével más területeken is kezelheti az adatproblémákat, ha többet tud meg erről a tudományágról.
Hagy egy Válaszol