Содержание[Скрывать][Показывать]
Изначально искусственный интеллект (ИИ) считался далекой мечтой, технологией будущего, но это уже не так.
То, что когда-то было предметом исследования, теперь стремительно развивается в реальном мире. ИИ теперь можно найти в самых разных местах, включая ваше рабочее место, школу, банк, больницу и даже ваш телефон.
Это глаза беспилотных автомобилей, голоса Siri и Alexa, умы прогнозов погоды, руки роботизированной хирургии и многое другое.
искусственный интеллект (ИИ) становится обычным явлением в современной жизни. За последние несколько лет ИИ стал основным игроком в широком спектре ИТ-технологий.
Наконец, нейронная сеть используется ИИ для изучения новых вещей.
Итак, сегодня мы узнаем о нейронных сетях, о том, как они работают, их типах, приложениях и многом другом.
Что такое нейронная сеть?
In обучение с помощью машины, нейронная сеть представляет собой запрограммированную сеть искусственных нейронов. Он пытается имитировать человеческий мозг, имея многочисленные слои «нейронов», которые похожи на нейроны в нашем мозгу.
Первый слой нейронов будет принимать фотографии, видео, звук, текст и другие входные данные. Эти данные проходят через все уровни, при этом выходные данные одного уровня передаются другому. Это критично для самых сложных задач, таких как обработка естественного языка для машинного обучения.
Однако в других случаях предпочтительнее стремиться к сжатию системы для уменьшения размера модели при сохранении точности и эффективности. Обрезка нейронной сети — это метод сжатия, который включает удаление весов из обученной модели. Рассмотрим нейронную сеть искусственного интеллекта, обученную отличать людей от животных.
Картинка будет разделена на светлую и темную части первым слоем нейронов. Эти данные будут переданы в следующий слой, который определит, где находятся ребра.
Следующий слой попытается распознать формы, созданные комбинацией ребер. В соответствии с данными, на которых он был обучен, данные будут проходить через многочисленные слои аналогичным образом, чтобы определить, является ли представленное вами изображение человеком или животным.
Когда данные передаются в нейронную сеть, она начинает их обрабатывать. После этого данные обрабатываются по своим уровням для получения желаемого результата. Нейронная сеть — это машина, которая учится на структурированном вводе и отображает результаты. В нейронных сетях могут происходить три типа обучения:
- Контролируемое обучение — входные и выходные данные передаются алгоритмам с использованием помеченных данных. После того, как их научили анализировать данные, они прогнозируют предполагаемый результат.
- Неконтролируемое обучение — ИНС обучается без помощи человека. Размеченных данных нет, и выходные данные определяются шаблонами, найденными в выходных данных.
- Усиление обучения когда сеть учится на обратной связи, которую она получает.
Как работают нейронные сети?
Искусственные нейроны используются в нейронных сетях, которые представляют собой сложные системы. Искусственные нейроны, также известные как перцептроны, состоят из следующих компонентов:
- вход
- Вес
- Смещение
- Функция активации
- Результат
Слои нейронов, из которых состоят нейронные сети. Нейронная сеть состоит из трех слоев:
- Входной слой
- Скрытый слой
- Выходной слой
Данные в виде числового значения отправляются на входной слой. Скрытые слои сети — это те, которые выполняют больше всего вычислений. Выходной слой, последний, но не менее важный, прогнозирует результат. Нейроны доминируют друг над другом в нейронной сети. Нейроны используются для построения каждого слоя. Данные перенаправляются на скрытый слой после того, как их получит входной слой.
Веса применяются к каждому входу. В скрытых слоях нейронной сети вес — это значение, которое переводит входящие данные. Веса функционируют путем умножения входных данных на значение веса во входном слое.
Затем он запускает значение первого скрытого слоя. Входные данные преобразуются и передаются на другой уровень через скрытые слои. Выходной слой отвечает за генерацию конечного результата. Входные данные и веса перемножаются, и результат доставляется в нейроны скрытого слоя в виде суммы. Каждому нейрону дается смещение. Чтобы вычислить сумму, каждый нейрон суммирует полученные им входные данные.
После этого значение проходит через функцию активации. Результат функции активации определяет, активирован ли нейрон. Когда нейрон активен, он отправляет информацию другим слоям. С помощью этого метода данные создаются в сети до тех пор, пока нейрон не достигнет выходного слоя. Прямое распространение - еще один термин для этого.
Метод подачи данных во входной узел и получения выходных данных через выходной узел известен как распространение с прямой связью. Когда входные данные принимаются скрытым слоем, происходит прямое распространение. Он обрабатывается по функции активации и затем передается на выход.
Результат прогнозируется нейроном в выходном слое с наибольшей вероятностью. Обратное распространение происходит, когда вывод неверен. Веса инициализируются для каждого входа при создании нейронной сети. Обратное распространение — это процесс корректировки весов каждого входа, чтобы уменьшить количество ошибок и обеспечить более точный результат.
Типы нейронной сети
1. Персептрон
Модель персептрона Мински-Пейперта — одна из самых простых и старых моделей нейронов. Это наименьшая единица нейронной сети, которая выполняет определенные вычисления для обнаружения характеристик или бизнес-аналитики во входящих данных. Он принимает взвешенные входные данные и применяет функцию активации для получения окончательного результата. TLU (пороговая логическая единица) — другое название персептрона.
Perceptron — это бинарный классификатор, представляющий собой обучаемую систему с учителем, которая делит данные на две группы. Логические ворота такие как AND, OR и NAND, могут быть реализованы с помощью персептронов.
2. Нейронная сеть с прямой связью
Самая базовая версия нейронных сетей, в которой входные данные поступают исключительно в одном направлении, проходят через искусственные нейронные узлы и выходят через выходные узлы. Входные и выходные слои присутствуют в местах, где могут присутствовать или не присутствовать скрытые слои. На основании этого их можно охарактеризовать как однослойную или многослойную нейронную сеть с прямой связью.
Количество используемых слоев определяется сложностью функции. Он распространяется только вперед в одном направлении и не распространяется назад. Здесь веса остаются постоянными. Входные данные умножаются на веса для подачи функции активации. Для этого используется функция активации классификации или функция активации шага.
3. Многослойный персептрон
Введение в сложные нейронные сети, в котором входные данные направляются через множество слоев искусственных нейронов. Это полностью связанная нейронная сеть, поскольку каждый узел связан со всеми нейронами следующего слоя. Во входном и выходном слоях присутствует несколько скрытых слоев, т.е. по меньшей мере три или более слоев.
Он обладает двунаправленным распространением, что означает, что он может распространяться как вперед, так и назад. Входные данные умножаются на веса и отправляются в функцию активации, где они изменяются с помощью обратного распространения, чтобы минимизировать потери.
Проще говоря, веса — это машинные значения из нейронных сетей. В зависимости от несоответствия между ожидаемыми результатами и входными данными обучения они саморегулируются. Softmax используется в качестве функции активации выходного слоя после нелинейных функций активации.
4. Сверточная нейронная сеть
В отличие от традиционного двумерного массива, сверточная нейронная сеть имеет трехмерную конфигурацию нейронов. Первый слой известен как сверточный слой. Каждый нейрон в сверточном слое обрабатывает информацию только из ограниченной части поля зрения. Подобно фильтру, входные объекты берутся в пакетном режиме.
Сеть понимает изображения по частям и может выполнять эти действия множество раз, чтобы закончить всю обработку изображения.
Во время обработки изображение преобразуется из RGB или HSI в оттенки серого. Дальнейшие изменения значения пикселя помогут в обнаружении краев, а изображения можно сортировать по нескольким группам. Однонаправленное распространение происходит, когда CNN содержит один или несколько сверточных слоев, за которыми следует объединение, а двунаправленное распространение происходит, когда выходные данные слоя свертки отправляются в полностью подключенную нейронную сеть для классификации изображений.
Для извлечения определенных элементов изображения используются фильтры. В MLP входы взвешиваются и передаются в функцию активации. RELU используется в свертке, в то время как MLP использует нелинейную функцию активации, за которой следует softmax. В распознавании изображений и видео, семантическом анализе и обнаружении парафраз сверточные нейронные сети дают отличные результаты.
5. Сеть радиального смещения
За входным вектором следует слой нейронов RBF и выходной слой с одним узлом для каждой категории в сети радиальных базовых функций. Вход классифицируется путем сравнения его с точками данных из обучающего набора, где каждый нейрон поддерживает прототип. Это один из примеров обучающего набора.
Каждый нейрон вычисляет евклидово расстояние между входом и его прототипом, когда необходимо классифицировать новый входной вектор [n-мерный вектор, который вы пытаетесь классифицировать]. Если у нас есть два класса, класс A и класс B, новые входные данные, подлежащие категоризации, больше похожи на прототипы класса A, чем на прототипы класса B.
В результате он может быть помечен или отнесен к классу А.
6. Рекуррентная нейронная сеть
Рекуррентные нейронные сети предназначены для сохранения выходных данных слоя, а затем передачи их обратно во входные данные, чтобы помочь спрогнозировать результат слоя. прямая связь нейронной сети обычно это начальный слой, за которым следует слой рекуррентной нейронной сети, где функция памяти запоминает часть информации, которая была у нее на предыдущем временном шаге.
В этом сценарии используется прямое распространение. Он сохраняет данные, которые понадобятся в будущем. В случае, если прогноз неверен, скорость обучения используется для внесения незначительных корректировок. В результате, по мере развития обратного распространения, оно будет становиться все более точным.
Приложения
Нейронные сети используются для решения проблем с данными в различных дисциплинах; некоторые примеры показаны ниже.
- Распознавание лиц. Решения по распознаванию лиц служат эффективными системами наблюдения. Системы распознавания связывают цифровые фотографии с человеческими лицами. Они используются в офисах для выборочного входа. Таким образом, системы верифицируют человеческое лицо и сравнивают его со списком идентификаторов, хранящихся в его базе данных.
- Прогноз акций. Инвестиции подвержены рыночным рискам. Практически трудно предвидеть будущее развитие крайне нестабильного фондового рынка. До появления нейронных сетей постоянно меняющиеся бычья и медвежья фазы были непредсказуемы. Но что все изменило? Конечно, мы говорим о нейронных сетях… Многослойный персептрон MLP (разновидность системы искусственного интеллекта с прямой связью) используется для создания успешного прогноза запасов в режиме реального времени.
- Соцсети – Как бы банально это ни звучало, социальные сети изменили приземленный путь существования. Поведение пользователей социальных сетей изучается с помощью искусственных нейронных сетей. Для конкурентного анализа данные, ежедневно поступающие через виртуальные взаимодействия, собираются и анализируются. Действия пользователей социальных сетей копируются нейронными сетями. Поведение людей может быть связано с моделями расходов людей после анализа данных через социальные сети. Данные из приложений социальных сетей добываются с помощью многослойного персептрона ANN.
- Здравоохранение. В современном мире люди используют преимущества технологий в сфере здравоохранения. В сфере здравоохранения сверточные нейронные сети используются для обнаружения рентгеновских лучей, компьютерной томографии и ультразвука. Данные медицинских изображений, полученные в результате вышеупомянутых тестов, оцениваются и оцениваются с использованием моделей нейронных сетей, поскольку CNN используется при обработке изображений. При разработке систем распознавания голоса также используется рекуррентная нейронная сеть (РНС).
- Отчет о погоде. До внедрения искусственного интеллекта прогнозы метеорологического отдела никогда не были точными. Прогнозирование погоды делается в основном для того, чтобы предсказать погодные условия, которые произойдут в будущем. Прогнозы погоды используются для прогнозирования вероятности стихийных бедствий в современный период. Прогнозирование погоды выполняется с использованием многослойного персептрона (MLP), сверточных нейронных сетей (CNN) и рекуррентных нейронных сетей (RNN).
- Защита. В логистике, анализе вооруженных нападений и определении местонахождения предметов используются нейронные сети. Они также используются для воздушного и морского патрулирования, а также для управления автономными дронами. Искусственный интеллект дает оборонной промышленности столь необходимый импульс для масштабирования своих технологий. Для обнаружения наличия подводных мин используются сверточные нейронные сети (CNN).
Преимущества
- Даже если несколько нейронов в нейронной сети не работают должным образом, нейронные сети все равно будут генерировать выходные данные.
- Нейронные сети способны обучаться в режиме реального времени и адаптироваться к изменяющимся настройкам.
- Нейронные сети могут научиться выполнять множество задач. Обеспечить правильный результат на основе предоставленных данных.
- Нейронные сети обладают силой и способностью обрабатывать несколько задач одновременно.
Недостатки бонуса без депозита
- Нейронные сети используются для решения задач. Он не раскрывает объяснение того, «почему и как» он вынес свои суждения из-за сложности сетей. В результате доверие к сети может быть подорвано.
- Компоненты нейронной сети взаимозависимы друг от друга. Другими словами, нейронные сети требуют (или очень зависят от них) компьютеров с достаточной вычислительной мощностью.
- Процесс нейронной сети не имеет определенного правила (или эмпирического правила). В методе проб и ошибок правильная структура сети устанавливается путем поиска оптимальной сети. Это процедура, требующая тонкой настройки.
Заключение
Поле нейронные сети быстро расширяется. Крайне важно изучить и понять концепции в этом секторе, чтобы иметь возможность иметь дело с ними.
В этой статье были рассмотрены многие типы нейронных сетей. Вы можете использовать нейронные сети для решения проблем с данными в других областях, если вы узнаете больше об этой дисциплине.
Оставьте комментарий