Jadual Kandungan[Sembunyi][Tunjukkan]
Kecerdasan Buatan (AI) pada asalnya dianggap sebagai impian yang jauh, teknologi untuk masa depan, tetapi itu tidak lagi berlaku.
Apa yang pernah menjadi topik penyelidikan kini meletup di dunia nyata. AI kini ditemui di pelbagai tempat, termasuk tempat kerja, sekolah, perbankan, hospital dan juga telefon anda.
Mereka ialah mata kenderaan pandu sendiri, suara Siri dan Alexa, fikiran di sebalik ramalan cuaca, tangan di sebalik pembedahan bantuan robotik dan banyak lagi.
Kecerdasan buatan (AI) menjadi ciri biasa dalam kehidupan moden. Dalam beberapa tahun kebelakangan ini, AI telah muncul sebagai pemain utama dalam pelbagai teknologi IT.
Akhirnya, rangkaian saraf digunakan oleh AI untuk mempelajari perkara baharu.
Jadi hari ini kita akan belajar tentang Rangkaian Neural, cara ia berfungsi, jenisnya, aplikasinya dan banyak lagi.
Apakah itu Rangkaian Neural?
In pembelajaran mesin, rangkaian saraf ialah rangkaian neuron buatan yang diprogramkan perisian. Ia cuba meniru otak manusia dengan mempunyai banyak lapisan "neuron", yang serupa dengan neuron dalam otak kita.
Lapisan pertama neuron akan menerima foto, video, bunyi, teks dan input lain. Data ini mengalir melalui semua peringkat, dengan output satu lapisan mengalir ke peringkat seterusnya. Ini penting untuk tugas yang paling sukar, seperti pemprosesan bahasa semula jadi untuk pembelajaran mesin.
Walau bagaimanapun, dalam kes lain, menyasarkan pemampatan sistem untuk mengurangkan saiz model sambil mengekalkan ketepatan dan kecekapan adalah lebih baik. Pemangkasan rangkaian saraf ialah kaedah pemampatan yang termasuk mengeluarkan pemberat daripada model yang dipelajari. Pertimbangkan rangkaian neural kecerdasan buatan yang telah dilatih untuk membezakan manusia daripada haiwan.
Gambar akan dibahagikan kepada bahagian terang dan gelap oleh lapisan pertama neuron. Data ini akan dihantar ke lapisan berikut, yang akan menentukan di mana tepi berada.
Lapisan seterusnya akan cuba mengenali bentuk yang telah dihasilkan oleh gabungan tepi. Mengikut data yang telah dilatih, data akan melalui pelbagai lapisan dengan cara yang sama untuk menentukan sama ada imej yang anda tunjukkan adalah manusia atau haiwan.
Apabila data diberikan ke dalam rangkaian saraf, ia mula memprosesnya. Selepas itu, data diproses melalui tahapnya untuk mendapatkan hasil yang diingini. Rangkaian saraf ialah mesin yang belajar daripada input berstruktur dan memaparkan hasilnya. Terdapat tiga jenis pembelajaran yang boleh berlaku dalam rangkaian saraf:
- Pembelajaran Terselia - Input dan output diberikan kepada algoritma menggunakan data berlabel. Selepas diajar cara menganalisis data, mereka meramalkan hasil yang diharapkan.
- Pembelajaran Tanpa Selia – ANN belajar tanpa bantuan manusia. Tiada data berlabel, dan output ditentukan oleh corak yang terdapat dalam data output.
- Pembelajaran Pengukuhan ialah apabila rangkaian belajar daripada maklum balas yang diterima.
Bagaimanakah rangkaian Neural berfungsi?
Neuron tiruan digunakan dalam rangkaian saraf, yang merupakan sistem yang canggih. Neuron buatan, juga dikenali sebagai perceptron, terdiri daripada komponen berikut:
- Input
- Berat
- Bias
- Fungsi Pengaktifan
- Output
Lapisan neuron yang membentuk rangkaian saraf. Rangkaian saraf terdiri daripada tiga lapisan:
- Lapisan input
- Lapisan tersembunyi
- Lapisan keluaran
Data dalam bentuk nilai angka dihantar ke lapisan input. Lapisan tersembunyi rangkaian adalah yang paling banyak melakukan pengiraan. Lapisan keluaran, akhir sekali, meramalkan hasilnya. Neuron menguasai satu sama lain dalam rangkaian saraf. Neuron digunakan untuk membina setiap lapisan. Data dihalakan ke lapisan tersembunyi selepas lapisan input mendapatnya.
Pemberat dikenakan pada setiap input. Dalam lapisan tersembunyi rangkaian saraf, berat ialah nilai yang menterjemah data masuk. Pemberat berfungsi dengan mendarab data input dengan nilai berat dalam lapisan input.
Ia kemudiannya memulakan nilai lapisan tersembunyi pertama. Data input diubah dan dihantar ke lapisan lain melalui lapisan tersembunyi. Lapisan keluaran bertanggungjawab untuk menjana hasil akhir. Input dan pemberat didarab, dan hasilnya dihantar ke neuron lapisan tersembunyi sebagai jumlah. Setiap neuron diberi bias. Untuk mengira jumlah, setiap neuron menambah input yang diterimanya.
Selepas itu, nilai melepasi fungsi pengaktifan. Hasil daripada fungsi pengaktifan menentukan sama ada neuron diaktifkan atau tidak. Apabila neuron aktif, ia menghantar maklumat ke lapisan lain. Data dicipta dalam rangkaian sehingga neuron mencapai lapisan keluaran menggunakan kaedah ini. Penyebaran ke hadapan adalah istilah lain untuk ini.
Teknik memasukkan data ke dalam nod input dan mendapatkan output melalui nod keluaran dikenali sebagai perambatan suapan ke hadapan. Apabila data input diterima oleh lapisan tersembunyi, penyebaran suapan ke hadapan berlaku. Ia diproses mengikut fungsi pengaktifan dan kemudian dihantar ke output.
Hasilnya diunjurkan oleh neuron dalam lapisan keluaran dengan kebarangkalian tertinggi. Rambatan balik berlaku apabila output tidak betul. Pemberatan dimulakan untuk setiap input semasa mencipta rangkaian saraf. Backpropagation ialah proses melaraskan semula berat setiap input untuk mengurangkan kesilapan dan memberikan output yang lebih tepat.
Jenis Rangkaian Neural
1. Perceptron
Model perceptron Minsky-Papert adalah salah satu model neuron yang paling mudah dan tertua. Ia adalah unit terkecil rangkaian saraf yang melakukan pengiraan tertentu untuk menemui ciri atau kecerdasan perniagaan dalam data masuk. Ia memerlukan input berwajaran dan menggunakan fungsi pengaktifan untuk mendapatkan hasil akhir. TLU (unit logik ambang) ialah nama lain untuk perceptron.
Perceptron ialah pengelas binari iaitu sistem pembelajaran yang diselia yang membahagikan data kepada dua kumpulan. Gerbang Logik seperti AND, OR, dan NAND boleh dilaksanakan dengan perceptrons.
2. Rangkaian Neural Feed-Forward
Versi rangkaian saraf yang paling asas, di mana data input mengalir secara eksklusif dalam satu arah, melalui nod saraf tiruan dan keluar melalui nod output. Lapisan input dan output terdapat di tempat di mana lapisan tersembunyi mungkin terdapat atau tidak. Mereka boleh dicirikan sama ada rangkaian neural suapan ke hadapan satu lapisan atau berbilang lapisan berdasarkan ini.
Bilangan lapisan yang digunakan ditentukan oleh kerumitan fungsi. Ia hanya merambat ke hadapan dalam satu arah dan tidak merambat ke belakang. Di sini, berat kekal malar. Input didarab dengan pemberat untuk menyuap fungsi pengaktifan. Fungsi pengaktifan klasifikasi atau fungsi pengaktifan langkah digunakan untuk melakukan ini.
3. Perceptron berbilang lapisan
Pengenalan kepada yang canggih jaring saraf, di mana data input dialihkan melalui banyak lapisan neuron buatan. Ia adalah rangkaian saraf yang dipaut sepenuhnya, kerana setiap nod disambungkan kepada semua neuron dalam lapisan berikut. Berbilang lapisan tersembunyi, iaitu, sekurang-kurangnya tiga atau lebih lapisan, terdapat dalam lapisan input dan output.
Ia mempunyai perambatan dua hala, yang bermaksud ia boleh merambat ke hadapan dan ke belakang. Input didarab dengan pemberat dan dihantar ke fungsi pengaktifan, di mana ia ditukar melalui perambatan belakang untuk meminimumkan kehilangan.
Pemberat ialah nilai yang dipelajari mesin daripada Rangkaian Neural, secara ringkasnya. Bergantung pada perbezaan antara output yang dijangkakan dan input latihan, mereka menyesuaikan diri. Softmax digunakan sebagai fungsi pengaktifan lapisan keluaran selepas fungsi pengaktifan tak linear.
4. Rangkaian Neural Konvolusi
Berbeza dengan tatasusunan dua dimensi tradisional, rangkaian saraf konvolusi mempunyai konfigurasi tiga dimensi neuron. Lapisan pertama dikenali sebagai lapisan konvolusi. Setiap neuron dalam lapisan konvolusi hanya memproses maklumat daripada bahagian terhad medan visual. Seperti penapis, ciri input diambil dalam mod kelompok.
Rangkaian memahami gambar dalam bahagian dan boleh melakukan tindakan ini beberapa kali untuk menyelesaikan keseluruhan pemprosesan imej.
Gambar ditukar daripada RGB atau HSI kepada skala kelabu semasa pemprosesan. Variasi lanjut dalam nilai piksel akan membantu dalam mengesan tepi, dan gambar boleh diisih ke dalam beberapa kumpulan. Penyebaran satu arah berlaku apabila CNN mengandungi satu atau lebih lapisan konvolusi diikuti dengan pengumpulan, dan perambatan dua arah berlaku apabila output lapisan lilitan dihantar ke rangkaian neural yang disambungkan sepenuhnya untuk pengelasan imej.
Untuk mengekstrak elemen tertentu imej, penapis digunakan. Dalam MLP, input ditimbang dan dibekalkan ke dalam fungsi pengaktifan. RELU digunakan dalam lilitan, manakala MLP menggunakan fungsi pengaktifan tak linear diikuti oleh softmax. Dalam pengecaman gambar dan video, penghuraian semantik dan pengesanan parafrasa, rangkaian saraf konvolusi menghasilkan hasil yang sangat baik.
5. Rangkaian Radial Bias
Vektor input diikuti oleh lapisan neuron RBF dan lapisan keluaran dengan satu nod untuk setiap kategori dalam Rangkaian Fungsi Asas Radial. Input dikelaskan dengan membandingkannya dengan titik data dari set latihan, di mana setiap neuron mengekalkan prototaip. Ini adalah salah satu contoh set latihan.
Setiap neuron mengira jarak Euclidean antara input dan prototaipnya apabila vektor input baru [vektor n-dimensi yang anda cuba kategorikan] perlu dikelaskan. Jika kita mempunyai dua kelas, Kelas A dan Kelas B, input baharu yang akan dikategorikan lebih serupa dengan prototaip kelas A daripada prototaip kelas B.
Akibatnya, ia mungkin dilabelkan atau dikategorikan sebagai kelas A.
6. Rangkaian Neural Berulang
Rangkaian Neural Berulang direka bentuk untuk menyimpan output lapisan dan kemudian menyuapkannya semula ke input untuk membantu meramalkan hasil lapisan. Satu suapan ke hadapan rangkaian neural biasanya lapisan awal, diikuti oleh lapisan rangkaian saraf berulang, di mana fungsi memori mengingati sebahagian daripada maklumat yang ada pada langkah masa sebelumnya.
Senario ini menggunakan perambatan ke hadapan. Ia menjimatkan data yang akan diperlukan pada masa hadapan. Sekiranya ramalan itu salah, kadar pembelajaran digunakan untuk membuat pelarasan kecil. Akibatnya, apabila perambatan belakang berlangsung, ia akan menjadi semakin tepat.
Aplikasi
Rangkaian saraf digunakan untuk mengendalikan masalah data dalam pelbagai disiplin; beberapa contoh ditunjukkan di bawah.
- Pengecaman Muka – Penyelesaian Pengecaman Muka berfungsi sebagai sistem pengawasan yang berkesan. Sistem pengecaman mengaitkan foto digital dengan wajah manusia. Ia digunakan di pejabat untuk kemasukan terpilih. Oleh itu, sistem mengesahkan wajah manusia dan membandingkannya dengan senarai ID yang disimpan dalam pangkalan datanya.
- Ramalan Saham – Pelaburan terdedah kepada risiko pasaran. Agak sukar untuk meramalkan perkembangan masa depan dalam pasaran saham yang sangat tidak menentu. Sebelum rangkaian saraf, fasa kenaikan harga dan penurunan yang sentiasa berubah tidak dapat diramalkan. Tetapi, apa yang mengubah segala-galanya? Sudah tentu, kita bercakap tentang rangkaian saraf... Multilayer Perceptron MLP (sejenis sistem kecerdasan buatan suapan) digunakan untuk mencipta ramalan saham yang berjaya dalam masa nyata.
- di Media sosial – Tidak kira betapa selekehnya kedengarannya, media sosial telah mengubah laluan kewujudan duniawi. Tingkah laku pengguna media sosial dikaji menggunakan Rangkaian Neural Buatan. Untuk analisis kompetitif, data yang dibekalkan setiap hari melalui interaksi maya ditimbun dan diperiksa. Tindakan pengguna media sosial direplikasi oleh rangkaian saraf. Tingkah laku individu boleh disambungkan kepada corak perbelanjaan orang apabila data dianalisis melalui rangkaian media sosial. Data daripada aplikasi media sosial dilombong menggunakan Multilayer Perceptron ANN.
- Penjagaan Kesihatan – Individu di dunia hari ini menggunakan faedah teknologi dalam industri penjagaan kesihatan. Dalam perniagaan penjagaan kesihatan, Convolutional Neural Networks digunakan untuk pengesanan X-ray, imbasan CT dan ultrasound. Data pengimejan perubatan yang diterima daripada ujian yang disebutkan di atas dinilai dan dinilai menggunakan model rangkaian saraf, kerana CNN digunakan dalam pemprosesan imej. Dalam pembangunan sistem pengecaman suara, rangkaian neural berulang (RNN) juga digunakan.
- Laporan Cuaca – Sebelum pelaksanaan kecerdasan buatan, unjuran jabatan meteorologi tidak pernah tepat. Ramalan cuaca dilakukan sebahagian besarnya untuk meramalkan keadaan cuaca yang akan berlaku pada masa hadapan. Ramalan cuaca sedang digunakan untuk menjangka kemungkinan bencana alam dalam tempoh moden. Ramalan cuaca dilakukan menggunakan multilayer perceptron (MLP), rangkaian neural convolutional (CNN), dan rangkaian neural berulang (RNN).
- Pertahanan – Logistik, analisis serangan bersenjata dan lokasi item semuanya menggunakan rangkaian saraf. Mereka juga bekerja dalam rondaan udara dan laut, serta menguruskan dron autonomi. Kecerdasan buatan memberi industri pertahanan rangsangan yang sangat diperlukan untuk meningkatkan teknologinya. Untuk mengesan kewujudan lombong bawah air, Convolutional Neural Networks (CNN) digunakan.
kelebihan
- Walaupun beberapa neuron dalam rangkaian saraf tidak berfungsi dengan baik, rangkaian saraf masih akan menghasilkan output.
- Rangkaian saraf mempunyai keupayaan untuk belajar dalam masa nyata dan menyesuaikan diri dengan tetapan yang berubah-ubah.
- Rangkaian saraf boleh belajar melakukan pelbagai tugas. Untuk memberikan hasil yang betul berdasarkan data yang diberikan.
- Rangkaian saraf mempunyai kekuatan dan keupayaan untuk mengendalikan beberapa tugas pada masa yang sama.
Kekurangan
- Rangkaian saraf digunakan untuk menyelesaikan masalah. Ia tidak mendedahkan penjelasan di sebalik "mengapa dan bagaimana" ia membuat pertimbangan yang dibuatnya kerana kerumitan rangkaian. Akibatnya, kepercayaan rangkaian mungkin terhakis.
- Komponen rangkaian saraf saling bergantung antara satu sama lain. Maksudnya, rangkaian saraf menuntut (atau sangat bergantung pada) komputer dengan kuasa pengkomputeran yang mencukupi.
- Proses rangkaian saraf tidak mempunyai peraturan tertentu (atau peraturan praktikal). Dalam teknik percubaan-dan-ralat, struktur rangkaian yang betul diwujudkan dengan mencuba rangkaian yang optimum. Ia adalah satu prosedur yang memerlukan banyak penalaan halus.
Kesimpulan
Bidang rangkaian saraf sedang berkembang pesat. Adalah penting untuk mempelajari dan memahami konsep dalam sektor ini agar dapat menanganinya.
Pelbagai jenis rangkaian saraf telah dibincangkan dalam artikel ini. Anda boleh menggunakan rangkaian saraf untuk menangani masalah data dalam bidang lain jika anda mengetahui lebih lanjut tentang disiplin ini.
Sila tinggalkan balasan anda