人工知能(AI)は当初、遠い夢であり、将来のテクノロジーであると考えられていましたが、現在はそうではありません。
かつては研究テーマだったものが、今では現実の世界で爆発的に増えています。 AIは現在、職場、学校、銀行、病院、さらには携帯電話など、さまざまな場所で使用されています。
自動運転車の目、SiriとAlexaの声、天気予報の背後にある心、ロボット支援手術の背後にある手などです。
人工知能 (AI)は現代生活の当たり前の特徴になりつつあります。 過去数年間で、AIは幅広いITテクノロジーの主要なプレーヤーとして浮上してきました。
最後に、ニューラルネットワークはAIが新しいことを学ぶために使用します。
そこで今日は、ニューラルネットワーク、その仕組み、タイプ、アプリケーションなどについて学びます。
ニューラルネットワークとは何ですか?
In 機械学習、ニューラルネットワークは、ソフトウェアでプログラムされた人工ニューロンのネットワークです。 それは、私たちの脳のニューロンに似た「ニューロン」の層を多数持つことによって、人間の脳を模倣しようとします。
ニューロンの最初の層は、写真、ビデオ、音声、テキスト、およびその他の入力を受け入れます。 このデータはすべてのレベルを流れ、XNUMXつのレイヤーの出力が次のレイヤーに流れます。 これは、機械学習の自然言語処理など、最も難しいタスクにとって重要です。
ただし、それ以外の場合は、精度と効率を維持しながらモデルサイズを縮小するシステム圧縮を目指すことが望ましいです。 ニューラルネットワークの枝刈りは、学習したモデルから重みを削除することを含む圧縮方法です。 人と動物を区別するように訓練された人工知能ニューラルネットワークを考えてみましょう。
画像はニューロンの最初の層によって明るい部分と暗い部分に分割されます。 このデータは次のレイヤーに渡され、エッジがどこにあるかが決まります。
次のレイヤーは、エッジの組み合わせが生成したフォームを認識しようとします。 トレーニングされたデータによると、データは同様の方法で多数のレイヤーを通過し、提示した画像が人間のものか動物のものかを判断します。
データがニューラルネットワークに渡されると、データの処理が開始されます。 その後、データはそのレベルを介して処理され、目的の結果が得られます。 ニューラルネットワークは、構造化された入力から学習し、結果を表示するマシンです。 ニューラルネットワークで実行できる学習には、次のXNUMXつのタイプがあります。
- 教師あり学習–入力と出力は、ラベル付けされたデータを使用してアルゴリズムに与えられます。 データの分析方法を教えられた後、彼らは意図された結果を予測します。
- 教師なし学習–ANNは人間の助けなしに学習します。 ラベル付けされたデータはなく、出力は出力データにあるパターンによって決定されます。
- 強化学習 ネットワークが受け取ったフィードバックから学習するときです。
ニューラルネットワークはどのように機能しますか?
人工ニューロンは、高度なシステムであるニューラルネットワークで使用されます。 パーセプトロンとも呼ばれる人工ニューロンは、次のコンポーネントで構成されています。
- 入力
- 重量
- バイアス
- 活性化関数
- 出力
ニューラルネットワークを構成するニューロンの層。 ニューラルネットワークは次のXNUMXつの層で構成されています。
- 入力レイヤー
- 隠し層
- 出力層
数値形式のデータが入力レイヤーに送信されます。 ネットワークの隠れ層は、ほとんどの計算を行う層です。 最後になりましたが、出力レイヤーは結果を予測します。 ニューロンはニューラルネットワークで互いに支配します。 ニューロンは、各層を構築するために使用されます。 入力レイヤーがデータを取得した後、データは非表示レイヤーにルーティングされます。
重みは各入力に適用されます。 ニューラルネットワークの隠れ層内では、重みは受信データを変換する値です。 重みは、入力データに入力層の重み値を掛けることによって機能します。
次に、最初の非表示レイヤーの値を開始します。 入力データは変換され、非表示のレイヤーを介して他のレイヤーに渡されます。 出力層は、最終結果を生成する責任があります。 入力と重みが乗算され、結果が合計として隠れ層ニューロンに配信されます。 各ニューロンにはバイアスが与えられます。 合計を計算するために、各ニューロンは受け取った入力を追加します。
その後、値は活性化関数を介して渡されます。 活性化関数の結果は、ニューロンが活性化されるかどうかを決定します。 ニューロンがアクティブになると、他の層に情報が送信されます。 この方法を使用してニューロンが出力層に到達するまで、データはネットワーク内に作成されます。 順伝播はこれの別の用語です。
データを入力ノードにフィードし、出力ノードを介して出力を取得する手法は、フィードフォワード伝播として知られています。 入力データが隠れ層によって受け入れられると、フィードフォワード伝播が発生します。 活性化関数に従って処理され、出力に渡されます。
結果は、最も高い確率で出力層のニューロンによって予測されます。 バックプロパゲーションは、出力が正しくない場合に発生します。 重みは、ニューラルネットワークの作成中に各入力に初期化されます。 バックプロパゲーションは、各入力の重みを再調整してミスを減らし、より正確な出力を提供するプロセスです。
ニューラルネットワークの種類
1.パーセプトロン
Minsky-Papertパーセプトロンモデルは、最も単純で最も古いニューロンモデルのXNUMXつです。 これは、受信データの特性やビジネスインテリジェンスを発見するために特定の計算を実行するニューラルネットワークの最小単位です。 重み付けされた入力を受け取り、アクティブ化関数を適用して最終結果を取得します。 TLU(しきい値論理ユニット)は、パーセプトロンの別名です。
パーセプトロンは、データをXNUMXつのグループに分割する教師あり学習システムである二項分類器です。 ロジックゲート AND、OR、NANDなどはパーセプトロンで実装できます。
2.フィードフォワードニューラルネットワーク
入力データが一方向にのみ流れる最も基本的なバージョンのニューラルネットワークは、人工ニューラルノードを通過し、出力ノードを通過します。 入力層と出力層は、隠れ層が存在する場合と存在しない場合がある場所に存在します。 これらは、これに基づいて、単層または多層のフィードフォワードニューラルネットワークとして特徴付けることができます。
使用されるレイヤーの数は、関数の複雑さによって決まります。 それは一方向に前方に伝播するだけで、後方には伝播しません。 ここでは、重みは一定のままです。 入力に重みを掛けて、活性化関数を供給します。 これを行うには、分類活性化関数またはステップ活性化関数が使用されます。
3.多層パーセプトロン
洗練された入門書 ニューラルネット、入力データは人工ニューロンの多くの層を介してルーティングされます。 すべてのノードが次の層のすべてのニューロンに接続されているため、これは完全にリンクされたニューラル ネットワークです。 入力層と出力層には、少なくとも3層以上の複数の隠れ層が存在する。
双方向の伝搬を備えているため、順方向と逆方向の両方に伝搬できます。 入力は重みで乗算され、活性化関数に送信されます。そこで、損失を最小限に抑えるためにバックプロパゲーションによって入力が変更されます。
重みは、簡単に言えば、ニューラルネットワークから機械学習された値です。 期待されるアウトプットとトレーニングインプットの間の不一致に応じて、それらは自己調整します。 Softmaxは、非線形活性化関数の後の出力層活性化関数として使用されます。
4.畳み込みニューラルネットワーク
従来のXNUMX次元配列とは対照的に、畳み込みニューラルネットワークはニューロンのXNUMX次元構成を持っています。 最初の層は畳み込み層として知られています。 畳み込み層の各ニューロンは、視野の限られた部分からの情報のみを処理します。 フィルタのように、入力機能はバッチモードで取得されます。
ネットワークはセクション内の画像を理解し、これらのアクションを何度も実行して画像処理全体を完了することができます。
画像は、処理中にRGBまたはHSIからグレースケールに変換されます。 ピクセル値をさらに変化させると、エッジの検出に役立ち、画像をいくつかのグループに分類できます。 単方向伝搬は、CNNにXNUMXつ以上の畳み込み層とそれに続くプーリングが含まれる場合に発生し、双方向伝搬は、畳み込み層の出力が画像分類のために完全に接続されたニューラルネットワークに送信される場合に発生します。
画像の特定の要素を抽出するために、フィルターが利用されます。 MLPでは、入力は重み付けされ、活性化関数に供給されます。 RELUは畳み込みで使用されますが、MLPは非線形活性化関数とそれに続くソフトマックスを使用します。 画像とビデオの認識、意味解析、言い換えの検出では、畳み込みニューラルネットワークが優れた結果を生み出します。
5.ラジアルバイアスネットワーク
入力ベクトルの後には、RBFニューロンの層と、放射基底関数ネットワークのカテゴリごとにXNUMXつのノードを持つ出力層が続きます。 入力は、各ニューロンがプロトタイプを維持するトレーニングセットからのデータポイントと比較することによって分類されます。 これは、トレーニングセットの例のXNUMXつです。
各ニューロンは、新しい入力ベクトル[分類しようとしているn次元ベクトル]を分類する必要がある場合に、入力とそのプロトタイプの間のユークリッド距離を計算します。 クラスAとクラスBのXNUMXつのクラスがある場合、分類される新しい入力は、クラスBのプロトタイプよりもクラスAのプロトタイプに似ています。
その結果、クラスAとしてラベル付けまたは分類される可能性があります。
6.リカレントニューラルネットワーク
リカレントニューラルネットワークは、レイヤーの出力を保存し、それを入力にフィードバックして、レイヤーの結果の予測を支援するように設計されています。 フィードフォワード ニューラルネットワーク 通常は初期層であり、その後にリカレントニューラルネットワーク層が続きます。ここで、メモリ関数は前のタイムステップで持っていた情報の一部を記憶します。
このシナリオでは、順伝播を使用します。 将来必要になるデータを保存します。 予測が正しくない場合は、学習率を使用して微調整を行います。 その結果、バックプロパゲーションが進行するにつれて、それはますます正確になります。
アプリケーション
ニューラルネットワークは、さまざまな分野のデータ問題を処理するために使用されます。 いくつかの例を以下に示します。
- 顔認識–顔認識ソリューションは効果的な監視システムとして機能します。 認識システムは、デジタル写真を人間の顔に関連付けます。 それらは、選択的なエントリのためにオフィスで使用されます。 したがって、システムは人間の顔を検証し、データベースに保存されているIDのリストと比較します。
- 株式予測–投資は市場リスクにさらされています。 非常に不安定な株式市場の将来の発展を予測することは事実上困難です。 ニューラルネットワークの前は、絶えず変化する強気と弱気のフェーズは予測できませんでした。 しかし、何がすべてを変えましたか? もちろん、ニューラルネットワークについて話しています…多層パーセプトロンMLP(フィードフォワード人工知能システムの一種)を使用して、リアルタイムで成功する在庫予測を作成します。
- ソーシャルメディア –それがいかに陳腐に聞こえるかに関係なく、ソーシャルメディアはありふれた存在の道を変えました。 ソーシャルメディアユーザーの行動は、人工ニューラルネットワークを使用して研究されています。 競争力のある分析のために、仮想インタラクションを介して毎日提供されるデータが積み上げられ、調査されます。 ソーシャルメディアユーザーの行動はニューラルネットワークによって複製されます。 ソーシャルメディアネットワークを介してデータを分析すると、個人の行動を人々の支出パターンに関連付けることができます。 ソーシャルメディアアプリケーションからのデータは、多層パーセプトロンANNを使用してマイニングされます。
- ヘルスケア–今日の世界の個人は、ヘルスケア業界でテクノロジーのメリットを活用しています。 ヘルスケアビジネスでは、畳み込みニューラルネットワークがX線検出、CTスキャン、および超音波に使用されます。 CNNは画像処理に使用されるため、前述のテストから受け取った医用画像データは、ニューラルネットワークモデルを使用して評価および評価されます。 音声認識システムの開発では、リカレントニューラルネットワーク(RNN)も使用されます。
- 天気予報–人工知能が実装される前は、気象局の予測は決して正確ではありませんでした。 天気予報は、主に将来発生する気象条件を予測するために行われます。 天気予報は、現代の自然災害の可能性を予測するために利用されています。 天気予報は、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、およびリカレントニューラルネットワーク(RNN)を使用して行われます。
- 防衛–ロジスティクス、武力攻撃分析、およびアイテムの場所はすべてニューラルネットワークを採用しています。 また、空中および海上パトロールや、自律型ドローンの管理にも使用されています。 人工知能は、防衛産業に技術をスケールアップするために必要な後押しを与えています。 水中地雷の存在を検出するために、畳み込みニューラルネットワーク(CNN)が使用されます。
Advantages
- ニューラルネットワーク内のいくつかのニューロンが適切に機能していない場合でも、ニューラルネットワークは出力を生成します。
- ニューラルネットワークには、リアルタイムで学習し、変化する設定に適応する機能があります。
- ニューラルネットワークは、さまざまなタスクを実行することを学ぶことができます。 提供されたデータに基づいて正しい結果を提供するため。
- ニューラルネットワークには、複数のタスクを同時に処理できる強度と機能があります。
デメリット
- ニューラルネットワークは問題を解決するために使用されます。 ネットワークの複雑さから、「なぜ、どのように」判断したのかについての説明は開示していない。 その結果、ネットワークの信頼が損なわれる可能性があります。
- ニューラルネットワークのコンポーネントは相互に依存しています。 つまり、ニューラルネットワークは、十分な計算能力を備えたコンピューターを必要とします(または非常に依存しています)。
- ニューラルネットワークプロセスには、特定のルール(または経験則)はありません。 試行錯誤の手法では、最適なネットワークを試行することにより、正しいネットワーク構造が確立されます。 これは、多くの微調整を必要とする手順です。
まとめ
の分野 ニューラルネットワーク 急速に拡大しています。 それらに対処できるようにするためには、この分野の概念を学び、理解することが重要です。
この記事では、多くの種類のニューラルネットワークについて説明しました。 この分野について詳しく学べば、ニューラルネットワークを使用して他の分野のデータ問題に取り組むことができます。
コメントを残す