Inleiding tot neurale netwerken

Oorspronkelijk werd gedacht dat kunstmatige intelligentie (AI) een verre droom was, een technologie voor de toekomst, maar dat is niet langer het geval.

Wat ooit een onderzoeksonderwerp was, explodeert nu in de echte wereld. AI is nu op verschillende plaatsen te vinden, waaronder uw werkplek, school, banken, ziekenhuizen en zelfs uw telefoon.

Het zijn de ogen van zelfrijdende voertuigen, de stemmen van Siri en Alexa, de geesten achter weersvoorspellingen, de handen achter robotondersteunde chirurgie en meer.

kunstmatige intelligentie (AI) wordt een alledaags kenmerk van het moderne leven. In de afgelopen jaren is AI uitgegroeid tot een belangrijke speler in een breed scala aan IT-technologieën.

Ten slotte wordt het neurale netwerk door AI gebruikt om nieuwe dingen te leren.

Dus vandaag zullen we leren over neurale netwerken, hoe het werkt, hun typen, toepassingen en nog veel meer.

Wat is een neuraal netwerk?

In machine learning, is een neuraal netwerk een door software geprogrammeerd netwerk van kunstmatige neuronen. Het probeert het menselijk brein te imiteren door talloze lagen "neuronen" te hebben, die vergelijkbaar zijn met de neuronen in onze hersenen.

De eerste laag neuronen accepteert foto's, video, geluid, tekst en andere invoer. Deze gegevens stromen door alle niveaus, waarbij de output van de ene laag overgaat in de volgende. Dit is cruciaal voor de moeilijkste taken, zoals natuurlijke taalverwerking voor machine learning.

In andere gevallen verdient het echter de voorkeur om te streven naar systeemcompressie om de modelgrootte te verkleinen met behoud van nauwkeurigheid en efficiëntie. Het snoeien van een neuraal netwerk is een compressiemethode waarbij gewichten uit een aangeleerd model worden verwijderd. Overweeg een neuraal netwerk van kunstmatige intelligentie dat is getraind om mensen van dieren te onderscheiden.

Het beeld wordt door de eerste laag neuronen verdeeld in lichte en donkere delen. Deze gegevens worden doorgegeven aan de volgende laag, die zal bepalen waar de randen zijn.

De volgende laag zal proberen de vormen te herkennen die de combinatie van de randen heeft gegenereerd. Volgens de gegevens waarop het is getraind, zullen de gegevens op een vergelijkbare manier door verschillende lagen gaan om te bepalen of het beeld dat u presenteerde van een mens of een dier is.

Wanneer gegevens in een neuraal netwerk worden ingevoerd, begint het deze te verwerken. Daarna worden de gegevens via de niveaus verwerkt om het gewenste resultaat te krijgen. Een neuraal netwerk is een machine die leert van gestructureerde invoer en de resultaten weergeeft. Er zijn drie soorten leren die kunnen plaatsvinden in neurale netwerken:

• Begeleid leren - Input en output worden aan de algoritmen gegeven met behulp van gelabelde gegevens. Nadat ze geleerd hebben hoe ze gegevens moeten analyseren, voorspellen ze het beoogde resultaat.
• Unsupervised Learning – Een ANN leert zonder de hulp van een mens. Er zijn geen gelabelde gegevens en de uitvoer wordt bepaald door patronen die in de uitvoergegevens worden gevonden.
• Versterking leren is wanneer een netwerk leert van de feedback die het ontvangt.

Hoe werken neurale netwerken?

Kunstmatige neuronen worden gebruikt in neurale netwerken, dit zijn geavanceerde systemen. De kunstmatige neuronen, ook wel perceptrons genoemd, bestaan ​​uit de volgende componenten:

• Invoer
• Gewicht
• Vooringenomenheid
• Activeringsfunctie
• uitgang

De lagen van neuronen waaruit neurale netwerken bestaan. Een neuraal netwerk bestaat uit drie lagen:

1. Invoer laag
2. Verborgen laag
3. Uitvoerlaag

Gegevens in de vorm van een numerieke waarde worden naar de invoerlaag gestuurd. De verborgen lagen van het netwerk zijn degenen die de meeste berekeningen uitvoeren. De uitvoerlaag, last but not least, voorspelt het resultaat. Neuronen domineren elkaar in een neuraal netwerk. Neuronen worden gebruikt om elke laag te construeren. Gegevens worden naar de verborgen laag gerouteerd nadat de invoerlaag deze heeft ontvangen.

Op elke ingang worden gewichten toegepast. Binnen de verborgen lagen van een neuraal netwerk is het gewicht een waarde die binnenkomende gegevens vertaalt. Gewichten werken door invoergegevens te vermenigvuldigen met de gewichtswaarde in de invoerlaag.

Vervolgens wordt de waarde van de eerste verborgen laag gestart. De invoergegevens worden getransformeerd en via de verborgen lagen doorgegeven aan de andere laag. De uitvoerlaag is verantwoordelijk voor het genereren van het eindresultaat. De invoer en gewichten worden vermenigvuldigd en het resultaat wordt als een som aan de neuronen van de verborgen laag geleverd. Elk neuron krijgt een bias. Om het totaal te berekenen, telt elk neuron de inputs die het ontvangt op.

Daarna gaat de waarde via de activeringsfunctie. Het resultaat van de activeringsfunctie bepaalt of een neuron al dan niet wordt geactiveerd. Als een neuron actief is, stuurt het informatie naar de andere lagen. De gegevens worden in het netwerk gecreëerd totdat het neuron met deze methode de uitvoerlaag bereikt. Voorwaartse voortplanting is hiervoor een andere term.

De techniek van het invoeren van gegevens in een invoerknooppunt en het verkrijgen van de uitvoer via een uitvoerknooppunt staat bekend als feed-forward propagatie. Wanneer de invoergegevens worden geaccepteerd door de verborgen laag, vindt feed-forward-propagatie plaats. Het wordt verwerkt volgens de activeringsfunctie en vervolgens doorgegeven aan de uitvoer.

De uitkomst wordt met de hoogste waarschijnlijkheid geprojecteerd door het neuron in de uitvoerlaag. Backpropagation treedt op wanneer de uitvoer onjuist is. Gewichten worden geïnitialiseerd voor elke invoer terwijl een neuraal netwerk wordt gemaakt. Backpropagation is het proces waarbij de gewichten van elke invoer opnieuw worden aangepast om fouten te verminderen en een nauwkeurigere uitvoer te bieden.

Soorten neurale netwerken

1. perceptron

Het Minsky-Papert perceptronmodel is een van de eenvoudigste en oudste neuronmodellen. Het is de kleinste eenheid van een neuraal netwerk die bepaalde berekeningen uitvoert om kenmerken of business intelligence in binnenkomende gegevens te ontdekken. Er zijn gewogen invoer nodig en de activeringsfunctie wordt toegepast om het eindresultaat te krijgen. TLU (threshold logic unit) is een andere naam voor perceptron.

Perceptron is een binaire classificatie, een gesuperviseerd leersysteem dat gegevens in twee groepen verdeelt. Logische poorten zoals AND, OR en NAND kunnen worden geïmplementeerd met perceptrons.

2. Feed-forward neuraal netwerk

De meest basale versie van neurale netwerken, waarin invoergegevens uitsluitend in één richting stromen, gaat via kunstmatige neurale knooppunten en verlaat via uitvoerknooppunten. Input- en outputlagen zijn aanwezig op plaatsen waar al dan niet verborgen lagen aanwezig zijn. Op basis hiervan kunnen ze worden gekarakteriseerd als een enkellaags of meerlaags feed-forward neuraal netwerk.

Het aantal gebruikte lagen wordt bepaald door de complexiteit van de functie. Het plant zich slechts in één richting vooruit en niet achteruit. Hier blijven de gewichten constant. Invoer wordt vermenigvuldigd met gewichten om een ​​activeringsfunctie te voeden. Hiervoor wordt een classificatieactiveringsfunctie of een stapactiveringsfunctie gebruikt.

3. Meerlaags perceptron

Een inleiding tot geavanceerde neurale netwerken, waarbij invoergegevens worden gerouteerd via vele lagen kunstmatige neuronen. Het is een volledig gekoppeld neuraal netwerk, aangezien elke knoop is verbonden met alle neuronen in de volgende laag. Meerdere verborgen lagen, dwz ten minste drie of meer lagen, zijn aanwezig in de invoer- en uitvoerlagen.

Het bezit bidirectionele voortplanting, wat betekent dat het zowel voorwaarts als achterwaarts kan voortplanten. Invoer wordt vermenigvuldigd met gewichten en naar de activeringsfunctie gestuurd, waar ze via backpropagation worden gewijzigd om het verlies te minimaliseren.

Gewichten zijn machinaal geleerde waarden van Neural Networks, om het simpel te zeggen. Afhankelijk van de ongelijkheid tussen verwachte output en trainingsinput, passen ze zichzelf aan. Softmax wordt gebruikt als activeringsfunctie voor de uitvoerlaag na niet-lineaire activeringsfuncties.

4. Convolutioneel neuraal netwerk

In tegenstelling tot de traditionele tweedimensionale array heeft een convolutie neuraal netwerk een driedimensionale configuratie van neuronen. De eerste laag staat bekend als een convolutionele laag. Elk neuron in de convolutionele laag verwerkt alleen informatie uit een beperkt deel van het gezichtsveld. Net als een filter worden invoerfuncties in batchmodus genomen.

Het netwerk begrijpt afbeeldingen in secties en kan deze acties meerdere keren uitvoeren om de volledige beeldverwerking te voltooien.

Tijdens de verwerking wordt het beeld omgezet van RGB of HSI naar grijstinten. Verdere variaties in pixelwaarde helpen bij het detecteren van randen en afbeeldingen kunnen in verschillende groepen worden gesorteerd. Unidirectionele voortplanting vindt plaats wanneer een CNN een of meer convolutionele lagen bevat, gevolgd door pooling, en bidirectionele voortplanting vindt plaats wanneer de uitvoer van de convolutielaag naar een volledig verbonden neuraal netwerk wordt gestuurd voor beeldclassificatie.

Om bepaalde elementen uit een afbeelding te extraheren, worden filters gebruikt. In MLP worden de ingangen gewogen en geleverd aan de activeringsfunctie. RELU wordt gebruikt in convolutie, terwijl MLP een niet-lineaire activeringsfunctie gebruikt, gevolgd door softmax. Bij beeld- en videoherkenning, semantische parsering en parafrasedetectie leveren convolutionele neurale netwerken uitstekende resultaten op.

5. Radiaal Bias-netwerk

Een invoervector wordt gevolgd door een laag RBF-neuronen en een uitvoerlaag met één knooppunt voor elke categorie in een Radial Basis Function Network. De invoer wordt geclassificeerd door deze te vergelijken met gegevenspunten uit de trainingsset, waar elk neuron een prototype onderhoudt. Dit is een van de voorbeelden van de trainingsset.

Elk neuron berekent de Euclidische afstand tussen de invoer en zijn prototype wanneer een nieuwe invoervector [de n-dimensionale vector die u probeert te categoriseren] moet worden geclassificeerd. Als we twee klassen hebben, Klasse A en Klasse B, lijkt de nieuwe invoer die moet worden gecategoriseerd meer op klasse A-prototypes dan op klasse B-prototypes.

Als gevolg hiervan kan het worden gelabeld of gecategoriseerd als klasse A.

6. Terugkerend neuraal netwerk

Terugkerende neurale netwerken zijn ontworpen om de uitvoer van een laag op te slaan en deze vervolgens terug te voeren naar de invoer om te helpen bij het voorspellen van de uitkomst van de laag. Een feedforward neuraal netwerk is meestal de eerste laag, gevolgd door een terugkerende neurale netwerklaag, waar een geheugenfunctie een deel van de informatie onthoudt die het in de vorige tijdstap had.

Dit scenario maakt gebruik van voorwaartse verspreiding. Het slaat gegevens op die in de toekomst nodig zullen zijn. In het geval dat de voorspelling onjuist is, wordt het leertempo gebruikt om kleine aanpassingen te maken. Als gevolg hiervan zal de backpropagatie, naarmate deze vordert, steeds nauwkeuriger worden.

Toepassingen

Neurale netwerken worden gebruikt om gegevensproblemen in verschillende disciplines aan te pakken; enkele voorbeelden worden hieronder getoond.

1. Gezichtsherkenning - Gezichtsherkenningsoplossingen dienen als effectieve bewakingssystemen. Herkenningssystemen brengen digitale foto's in verband met menselijke gezichten. Ze worden gebruikt in kantoren voor selectieve binnenkomst. De systemen verifiëren dus een menselijk gezicht en vergelijken het met een lijst met ID's die in de database zijn opgeslagen.
2. Voorspelling van aandelen – Beleggingen zijn blootgesteld aan marktrisico's. Het is praktisch moeilijk om toekomstige ontwikkelingen in de extreem volatiele aandelenmarkt te voorzien. Vóór neurale netwerken waren de constant veranderende bullish en bearish fasen onvoorspelbaar. Maar wat veranderde alles? We hebben het natuurlijk over neurale netwerken… Een Multilayer Perceptron MLP (een soort feedforward artificieel intelligentiesysteem) wordt gebruikt om in real-time een succesvolle voorraadprognose te maken.
3. Social Media – Hoe banaal het ook mag klinken, sociale media hebben het alledaagse pad van het bestaan ​​veranderd. Het gedrag van gebruikers van sociale media wordt bestudeerd met behulp van kunstmatige neurale netwerken. Voor concurrentieanalyse worden dagelijks via virtuele interacties aangeleverde gegevens opgestapeld en onderzocht. De acties van gebruikers van sociale media worden gerepliceerd door neurale netwerken. Het gedrag van individuen kan in verband worden gebracht met het bestedingspatroon van mensen zodra gegevens zijn geanalyseerd via sociale medianetwerken. Gegevens van sociale media-applicaties worden verzameld met behulp van Multilayer Perceptron ANN.
4. Gezondheidszorg – Individuen in de wereld van vandaag maken gebruik van de voordelen van technologie in de gezondheidszorg. In de gezondheidszorg worden Convolutional Neural Networks gebruikt voor röntgendetectie, CT-scans en echografie. De medische beeldvormingsgegevens die uit de bovengenoemde tests worden ontvangen, worden geëvalueerd en beoordeeld met behulp van neurale netwerkmodellen, aangezien CNN wordt gebruikt bij beeldverwerking. Bij de ontwikkeling van spraakherkenningssystemen wordt ook gebruik gemaakt van het terugkerende neurale netwerk (RNN).
5. Weerrapport - Voorafgaand aan de implementatie van kunstmatige intelligentie waren de projecties van de meteorologische afdeling nooit nauwkeurig. Weersvoorspellingen worden grotendeels gedaan om de weersomstandigheden te voorspellen die zich in de toekomst zullen voordoen. Weersvoorspellingen worden gebruikt om te anticiperen op de waarschijnlijkheid van natuurrampen in de moderne tijd. Weersvoorspellingen worden gedaan met behulp van multilayer perceptron (MLP), convolutionele neurale netwerken (CNN) en terugkerende neurale netwerken (RNN).
6. Defensie - Logistiek, analyse van gewapende aanvallen en itemlocatie maken allemaal gebruik van neurale netwerken. Ze worden ook ingezet bij lucht- en zeepatrouilles en bij het besturen van autonome drones. Kunstmatige intelligentie geeft de defensie-industrie de broodnodige boost die ze nodig heeft om haar technologie op te schalen. Voor het detecteren van het bestaan ​​van onderwatermijnen worden Convolutional Neural Networks (CNN) gebruikt.

voordelen 

• Zelfs als een paar neuronen in een neuraal netwerk niet goed functioneren, zullen de neurale netwerken toch output genereren.
• Neurale netwerken hebben het vermogen om in realtime te leren en zich aan te passen aan hun veranderende instellingen.
• Neurale netwerken kunnen verschillende taken leren uitvoeren. Om de juiste uitkomst te bieden op basis van de verstrekte gegevens.
• Neurale netwerken hebben de kracht en het vermogen om meerdere taken tegelijkertijd uit te voeren.

Nadelen 

• Neurale netwerken worden gebruikt om problemen op te lossen. Het onthult niet de verklaring achter "waarom en hoe" het de oordelen maakte die het deed vanwege de complexiteit van de netwerken. Als gevolg hiervan kan het netwerkvertrouwen worden aangetast. 
• De componenten van een neuraal netwerk zijn onderling afhankelijk van elkaar. Dat wil zeggen, neurale netwerken vragen (of zijn extreem afhankelijk van) computers met voldoende rekenkracht.
• Een neuraal netwerkproces heeft geen specifieke regel (of vuistregel). Bij een trial-and-error-techniek wordt een juiste netwerkstructuur tot stand gebracht door het optimale netwerk te proberen. Het is een procedure die veel afstemming vereist.

Conclusie

Het vakgebied van neurale netwerken breidt zich snel uit. Het is van cruciaal belang om de concepten in deze sector te leren en te begrijpen om ermee om te kunnen gaan.

De vele soorten neurale netwerken zijn in dit artikel behandeld. U kunt neurale netwerken gebruiken om gegevensproblemen op andere gebieden aan te pakken als u meer over deze discipline leert.