Innholdsfortegnelse[Gjemme seg][Forestilling]
Artificial Intelligence (AI) ble opprinnelig antatt å være en fjern drøm, en teknologi for fremtiden, men det er ikke lenger tilfelle.
Det som en gang var et forskningstema, eksploderer nå i den virkelige verden. AI finnes nå på en rekke steder, inkludert arbeidsplassen din, skole, bank, sykehus og til og med telefonen din.
De er øynene til selvkjørende kjøretøy, stemmene til Siri og Alexa, sinnene bak værvarsling, hendene bak robotassistert kirurgi og mer.
Kunstig intelligens (AI) er i ferd med å bli et vanlig trekk ved moderne liv. I løpet av de siste årene har AI dukket opp som en stor aktør innen et bredt spekter av IT-teknologier.
Til slutt brukes det nevrale nettverket av AI til å lære nye ting.
Så i dag vil vi lære om nevrale nettverk, hvordan det fungerer, deres typer, applikasjoner og mye mer.
Hva er nevralt nettverk?
In maskinlæring, et nevralt nettverk er et programvareprogrammert nettverk av kunstige nevroner. Den prøver å etterligne den menneskelige hjernen ved å ha mange lag med "nevroner", som ligner på nevronene i hjernen vår.
Det første laget av nevroner vil godta bilder, video, lyd, tekst og andre innganger. Disse dataene flyter gjennom alle nivåene, med utdata fra ett lag som strømmer inn i det neste. Dette er avgjørende for de vanskeligste oppgavene, som naturlig språkbehandling for maskinlæring.
I andre tilfeller er det imidlertid å foretrekke å sikte på systemkomprimering for å redusere modellstørrelsen og samtidig opprettholde nøyaktighet og effektivitet. Beskjæring av et nevralt nettverk er en komprimeringsmetode som inkluderer å fjerne vekter fra en lært modell. Tenk på et kunstig intelligens nevralt nettverk som har blitt opplært til å skille mennesker fra dyr.
Bildet vil bli delt inn i lyse og mørke deler av det første laget av nevroner. Disse dataene vil bli sendt inn i det følgende laget, som vil bestemme hvor kantene er.
Det neste laget vil prøve å gjenkjenne formene som kantenes kombinasjon har generert. I henhold til dataene den ble trent på, vil dataene passere gjennom mange lag på lignende måte for å avgjøre om bildet du presenterte er av et menneske eller et dyr.
Når data blir gitt inn i et nevralt nettverk, begynner det å behandle det. Deretter behandles dataene via nivåene for å få ønsket resultat. Et nevralt nettverk er en maskin som lærer av strukturert input og viser resultatene. Det er tre typer læring som kan finne sted i nevrale nettverk:
- Overvåket læring – Inndata og utdata gis til algoritmene ved å bruke merkede data. Etter å ha blitt lært hvordan de analyserer data, forutsier de det tiltenkte resultatet.
- Uovervåket læring - En ANN lærer uten hjelp fra et menneske. Det er ingen merket data, og utgangen bestemmes av mønstre som finnes i utdataene.
- Forsterkningslæring er når et nettverk lærer av tilbakemeldingene det får.
Hvordan fungerer nevrale nettverk?
Kunstige nevroner brukes i nevrale nettverk, som er sofistikerte systemer. De kunstige nevronene, også kjent som perceptrons, består av følgende komponenter:
- Input
- Vekt
- Bias
- Aktiveringsfunksjon
- Produksjon
Lagene av nevroner som utgjør nevrale nettverk. Et nevralt nettverk består av tre lag:
- Inndatasjikt
- Skjult lag
- Utgangslag
Data i form av en numerisk verdi sendes til inngangslaget. Nettverkets skjulte lag er de som gjør flest beregninger. Utgangslaget, sist men ikke minst, forutsier resultatet. Nevroner dominerer hverandre i et nevralt nettverk. Nevroner brukes til å konstruere hvert lag. Data blir rutet til det skjulte laget etter at inndatalaget får det.
Vekter brukes på hver inngang. Innenfor de skjulte lagene i et nevralt nettverk er vekten en verdi som oversetter innkommende data. Vekter fungerer ved å multiplisere inndata med vektverdien i inputlaget.
Deretter starter det første skjulte lagets verdi. Inndataene transformeres og sendes til det andre laget via de skjulte lagene. Utdatalaget er ansvarlig for å generere det endelige resultatet. Inndataene og vektene multipliseres, og resultatet leveres til de skjulte lagneuronene som en sum. Hvert nevron er gitt en skjevhet. For å beregne totalen legger hver nevron til inngangene den mottar.
Deretter går verdien via aktiveringsfunksjonen. Resultatet av aktiveringsfunksjonen avgjør om et nevron er aktivert eller ikke. Når et nevron er aktivt, sender det informasjon til de andre lagene. Dataene lages i nettverket til nevronet når utgangslaget ved hjelp av denne metoden. Foroverforplantning er en annen betegnelse for dette.
Teknikken med å mate data inn i en inngangsnode og skaffe utdata gjennom en utgangsnode er kjent som feed-forward-utbredelse. Når inndataene blir akseptert av det skjulte laget, skjer spredning forover. Den behandles i henhold til aktiveringsfunksjonen og sendes deretter til utgangen.
Utfallet projiseres av nevronet i utgangslaget med høyest sannsynlighet. Tilbakepropagering skjer når utgangen er feil. Vekter initialiseres til hver inngang mens det opprettes et nevralt nettverk. Backpropagation er prosessen med å justere vektene til hver inngang for å redusere feil og gi en mer nøyaktig utgang.
Typer nevrale nettverk
1. Perceptron
Minsky-Papert perceptronmodellen er en av de enkleste og eldste nevronmodellene. Det er den minste enheten i et nevralt nettverk som utfører visse beregninger for å oppdage egenskaper eller forretningsintelligens i innkommende data. Den krever vektede inndata og bruker aktiveringsfunksjonen for å få det endelige resultatet. TLU (terskel logisk enhet) er et annet navn for perceptron.
Perceptron er en binær klassifikator som er et overvåket læringssystem som deler data inn i to grupper. Logiske porter slik som AND, OR og NAND kan implementeres med perceptrons.
2. Feed-Forward Neural Network
Den mest grunnleggende versjonen av nevrale nettverk, der inngangsdata flyter utelukkende i én retning, passerer via kunstige nevrale noder og går ut gjennom utgangsnoder. Inn- og utgangslag finnes på steder der skjulte lag kan være tilstede eller ikke. De kan karakteriseres som enten et enkeltlags eller flerlags feed-forward nevrale nettverk basert på dette.
Antall lag som brukes bestemmes av funksjonens kompleksitet. Den forplanter seg bare fremover i én retning og forplanter seg ikke bakover. Her forblir vektene konstante. Inndata multipliseres med vekter for å mate en aktiveringsfunksjon. En klassifiseringsaktiveringsfunksjon eller en trinnaktiveringsfunksjon brukes for å gjøre dette.
3. Flerlags perceptron
En introduksjon til sofistikert nevrale nett, der inndata blir rutet via mange lag med kunstige nevroner. Det er et fullstendig koblet nevralt nettverk, siden hver node er koblet til alle nevroner i det følgende laget. Flere skjulte lag, dvs. minst tre eller flere lag, er tilstede i input- og output-lagene.
Den har toveis forplantning, noe som betyr at den kan forplante seg både fremover og bakover. Inndata multipliseres med vekter og sendes til aktiveringsfunksjonen, hvor de endres via backpropagation for å minimere tapet.
Vekter er maskinlærte verdier fra Neural Networks, for å si det enkelt. Avhengig av ulikheten mellom forventede resultater og treningsinnganger, justerer de seg selv. Softmax brukes som en utgangslagsaktiveringsfunksjon etter ikke-lineære aktiveringsfunksjoner.
4. Konvolusjonelt nevralt nettverk
I motsetning til den tradisjonelle todimensjonale matrisen, har et konvolusjonsnevralt nettverk en tredimensjonal konfigurasjon av nevroner. Det første laget er kjent som et konvolusjonslag. Hvert nevron i konvolusjonslaget behandler kun informasjon fra en begrenset del av synsfeltet. Som et filter tas inndatafunksjoner i batch-modus.
Nettverket forstår bilder i seksjoner og kan utføre disse handlingene flere ganger for å fullføre hele bildebehandlingen.
Bildet konverteres fra RGB eller HSI til gråtoner under behandlingen. Ytterligere variasjoner i pikselverdi vil hjelpe til med å oppdage kanter, og bilder kan sorteres i flere grupper. Enveis forplantning skjer når en CNN inneholder ett eller flere konvolusjonslag etterfulgt av pooling, og toveis forplantning skjer når utgangen fra konvolusjonslaget sendes til et fullt tilkoblet nevralt nettverk for bildeklassifisering.
For å trekke ut visse elementer i et bilde, brukes filtre. I MLP blir inngangene vektet og levert inn i aktiveringsfunksjonen. RELU brukes i konvolusjon, mens MLP bruker en ikke-lineær aktiveringsfunksjon etterfulgt av softmax. Innen bilde- og videogjenkjenning, semantisk parsing og parafrasedeteksjon gir konvolusjonelle nevrale nettverk utmerkede resultater.
5. Radial Bias Network
En inngangsvektor følges av et lag med RBF-neuroner og et utgangslag med en node for hver kategori i et Radial Basis Function Network. Inndata klassifiseres ved å sammenligne det med datapunkter fra treningssettet, der hver nevron vedlikeholder en prototype. Dette er et av treningssettets eksempler.
Hvert nevron beregner den euklidiske avstanden mellom inngangen og prototypen når en ny inngangsvektor [den n-dimensjonale vektoren du prøver å kategorisere] må klassifiseres. Hvis vi har to klasser, klasse A og klasse B, er den nye inngangen som skal kategoriseres mer lik klasse A-prototyper enn klasse B-prototyper.
Som et resultat kan det bli merket eller kategorisert som klasse A.
6. Tilbakevendende nevrale nettverk
Tilbakevendende nevrale nettverk er designet for å lagre et lags utdata og deretter mate det tilbake til inngangen for å hjelpe til med å forutsi lagets utfall. En feed-forward nevrale nettverket er vanligvis det første laget, etterfulgt av et tilbakevendende nevralt nettverkslag, der en minnefunksjon husker en del av informasjonen den hadde i forrige tidstrinn.
Dette scenariet bruker forplantning fremover. Den lagrer data som vil være nødvendig i fremtiden. I tilfelle prediksjonen er feil, brukes læringsraten til å gjøre mindre justeringer. Som et resultat, etter hvert som tilbakepropageringen skrider frem, vil den bli stadig mer nøyaktig.
applikasjoner
Nevrale nettverk brukes til å håndtere dataproblemer i en rekke disipliner; noen eksempler er vist nedenfor.
- Ansiktsgjenkjenning – Ansiktsgjenkjenningsløsninger fungerer som effektive overvåkingssystemer. Gjenkjenningssystemer knytter digitale bilder til menneskelige ansikter. De brukes på kontorer for selektiv inngang. Dermed verifiserer systemene et menneskelig ansikt og sammenligner det med en liste over IDer som er lagret i databasen.
- Aksjeprediksjon – Investeringer er utsatt for markedsrisiko. Det er praktisk talt vanskelig å forutse fremtidig utvikling i det ekstremt volatile aksjemarkedet. Før nevrale nettverk var de stadig skiftende bullish og bearish-fasene uforutsigbare. Men hva forandret alt? Selvfølgelig snakker vi om nevrale nettverk... En Multilayer Perceptron MLP (en type feedforward kunstig intelligens-system) brukes til å lage en vellykket aksjeprognose i sanntid.
- Sosiale medier – Uansett hvor banal det høres ut, har sosiale medier endret den verdslige veien til tilværelsen. Oppførselen til brukere av sosiale medier studeres ved hjelp av kunstige nevrale nettverk. For konkurranseanalyse blir data som leveres daglig via virtuelle interaksjoner stablet opp og undersøkt. Handlingene til brukere av sosiale medier er replikert av nevrale nettverk. Enkeltpersoners atferd kan kobles til folks forbruksmønster når data først er analysert via sosiale medier. Data fra sosiale medier-applikasjoner utvinnes ved å bruke Multilayer Perceptron ANN.
- Helsevesen – Individer i dagens verden benytter seg av teknologiens fordeler i helsesektoren. I helsevesenet brukes Convolutional Neural Networks for røntgendeteksjon, CT-skanninger og ultralyd. De medisinske bildedataene mottatt fra de nevnte testene blir evaluert og vurdert ved hjelp av nevrale nettverksmodeller, ettersom CNN brukes i bildebehandling. I utviklingen av stemmegjenkjenningssystemer brukes også det tilbakevendende nevrale nettverket (RNN).
- Værmelding – Før implementeringen av kunstig intelligens var meteorologisk avdelings anslag aldri presise. Værvarsling gjøres i stor grad for å forutsi værforholdene som vil oppstå i fremtiden. Værspådommer blir brukt for å forutse sannsynligheten for naturkatastrofer i den moderne perioden. Værvarsling gjøres ved hjelp av multilayer perceptron (MLP), konvolusjonelle nevrale nettverk (CNN) og tilbakevendende nevrale nettverk (RNN).
- Forsvar – Logistikk, analyse av væpnede angrep og vareplassering bruker alle nevrale nettverk. De er også ansatt i luft- og sjøpatruljer, i tillegg til å administrere autonome droner. Kunstig intelligens gir forsvarsindustrien det sårt tiltrengte løftet den trenger for å skalere opp teknologien. For å oppdage eksistensen av undervannsminer, brukes Convolutional Neural Networks (CNN).
Fordeler
- Selv om noen få nevroner i et nevralt nettverk ikke fungerer som det skal, vil nevrale nettverk fortsatt generere utganger.
- Nevrale nettverk har evnen til å lære i sanntid og tilpasse seg skiftende innstillinger.
- Nevrale nettverk kan lære å gjøre en rekke oppgaver. For å gi riktig utfall basert på dataene som er oppgitt.
- Nevrale nettverk har styrken og evnen til å håndtere flere oppgaver samtidig.
Ulemper
- Nevrale nettverk brukes til å løse problemer. Den avslører ikke forklaringen bak "hvorfor og hvordan" den gjorde dommene den gjorde på grunn av nettverkenes intrikate. Som et resultat kan nettverkstilliten bli erodert.
- Komponentene til et nevralt nettverk er gjensidig avhengige av hverandre. Det vil si at nevrale nettverk krever (eller er ekstremt avhengige av) datamaskiner med tilstrekkelig datakraft.
- En nevrale nettverksprosess har ingen spesifikk regel (eller tommelfingerregel). I en prøv-og-feil-teknikk etableres en korrekt nettverksstruktur ved å prøve det optimale nettverket. Det er en prosedyre som krever mye finjustering.
konklusjonen
Feltet av nevrale nettverk ekspanderer raskt. Det er avgjørende å lære og forstå konseptene i denne sektoren for å kunne håndtere dem.
De mange typene nevrale nettverk har blitt dekket i denne artikkelen. Du kan bruke nevrale nettverk for å takle dataproblemer på andre felt hvis du lærer mer om denne disiplinen.
Legg igjen en kommentar