Kazalo[Skrij][Pokaži]
Umetna inteligenca (AI) je bila prvotno mišljena kot daljne sanje, tehnologija za prihodnost, vendar ni več tako.
Kar je bilo nekoč raziskovalna tema, zdaj v resničnem svetu eksplodira. AI zdaj najdemo na različnih mestih, vključno z vašim delovnim mestom, šolo, bančništvom, bolnišnicami in celo telefonom.
To so oči samovozečih vozil, glasovi Siri in Alexa, umi, ki stojijo za vremenskimi napovedmi, roke za operacijo s pomočjo robota in še več.
umetna inteligenca (AI) postaja običajna značilnost sodobnega življenja. V zadnjih nekaj letih se je umetna inteligenca pojavila kot glavni igralec v široki paleti IT tehnologij.
Končno, nevronsko mrežo uporablja AI za učenje novih stvari.
Danes bomo spoznali nevronske mreže, kako delujejo, njihove vrste, aplikacije in še veliko več.
Kaj je nevronska mreža?
In strojno učenje, nevronska mreža je programsko programirana mreža umetnih nevronov. Poskuša posnemati človeške možgane tako, da ima številne plasti "nevronov", ki so podobni nevronom v naših možganih.
Prva plast nevronov bo sprejela fotografije, video, zvok, besedilo in druge vnose. Ti podatki tečejo skozi vse ravni, pri čemer se izhod ene plasti pretaka v drugo. To je ključnega pomena za najtežje naloge, kot je obdelava naravnega jezika za strojno učenje.
Vendar pa je v drugih primerih zaželeno, da si prizadevamo za stiskanje sistema za zmanjšanje velikosti modela ob ohranjanju natančnosti in učinkovitosti. Obrezovanje nevronske mreže je metoda stiskanja, ki vključuje odstranjevanje uteži iz naučenega modela. Razmislite o nevronski mreži z umetno inteligenco, ki je bila usposobljena za razlikovanje ljudi od živali.
Sliko bo prva plast nevronov razdelila na svetle in temne dele. Ti podatki bodo posredovani v naslednjo plast, ki bo določila, kje so robovi.
Naslednji sloj bo poskušal prepoznati oblike, ki jih je ustvarila kombinacija robov. Glede na podatke, na podlagi katerih so bili usposobljeni, bodo podatki na podoben način prešli skozi številne plasti, da bi ugotovili, ali je slika, ki ste jo predstavili, človeka ali živali.
Ko so podatki dani v nevronsko mrežo, jih začne obdelovati. Nato se podatki obdelajo prek svojih nivojev, da dobimo želeni rezultat. Nevronska mreža je stroj, ki se uči iz strukturiranega vnosa in prikazuje rezultate. Obstajajo tri vrste učenja, ki lahko potekajo v nevronskih mrežah:
- Nadzorovano učenje – Vhodi in izhodi so podani algoritmom z uporabo označenih podatkov. Potem ko so jih naučili analizirati podatke, napovedujejo načrtovane rezultate.
- Nenadzorovano učenje – ANN se uči brez pomoči človeka. Označenih podatkov ni, o izhodu pa odločajo vzorci, ki jih najdemo v izhodnih podatkih.
- Okrepitveno učenje je, ko se omrežje uči iz povratnih informacij, ki jih prejme.
Kako delujejo nevronske mreže?
Umetni nevroni se uporabljajo v nevronskih mrežah, ki so sofisticirani sistemi. Umetni nevroni, znani tudi kot perceptroni, so sestavljeni iz naslednjih komponent:
- vhod
- Teža
- Pristranskost
- Funkcija aktiviranja
- izhod
Plasti nevronov, ki sestavljajo nevronske mreže. Nevronska mreža je sestavljena iz treh plasti:
- Vhodni sloj
- Skrit sloj
- Izhodni sloj
Podatki v obliki številske vrednosti se pošljejo v vhodno plast. Skriti sloji omrežja so tisti, ki opravijo največ izračunov. Izhodna plast nenazadnje napoveduje rezultat. Nevroni prevladujejo drug nad drugim v nevronski mreži. Za gradnjo vsake plasti se uporabljajo nevroni. Podatki se usmerijo v skriti sloj, potem ko jih prejme vhodni sloj.
Uteži se uporabijo za vsak vhod. Znotraj skritih plasti nevronske mreže je teža vrednost, ki prevaja dohodne podatke. Uteži delujejo tako, da vhodne podatke pomnožijo z vrednostjo teže v vhodnem sloju.
Nato začne vrednost prvega skritega sloja. Vhodni podatki se preoblikujejo in preko skritih slojev posredujejo drugi plasti. Izhodna plast je odgovorna za ustvarjanje končnega rezultata. Vhodi in uteži se pomnožijo, rezultat pa se kot vsota dostavi nevronom skrite plasti. Vsak nevron ima pristranskost. Za izračun vsote vsak nevron doda vhode, ki jih prejme.
Po tem se vrednost prenese preko aktivacijske funkcije. Rezultat aktivacijske funkcije določa, ali je nevron aktiviran ali ne. Ko je nevron aktiven, pošlje informacije drugim slojem. Podatki se ustvarjajo v omrežju, dokler nevron s to metodo ne doseže izhodne plasti. Razširjanje naprej je drug izraz za to.
Tehnika podajanja podatkov v vhodno vozlišče in pridobivanje izhoda prek izhodnega vozlišča je znana kot širjenje naprej. Ko vhodne podatke sprejme skrita plast, pride do širjenja naprej. Obdela se v skladu z aktivacijsko funkcijo in nato prenese na izhod.
Rezultat projicira nevron v izhodni plasti z največjo verjetnostjo. Povratno širjenje se pojavi, ko je izhod napačen. Uteži se inicializirajo za vsak vhod med ustvarjanjem nevronske mreže. Povratno razmnoževanje je postopek ponovnega prilagajanja uteži vsakega vhoda, da se zmanjšajo napake in zagotovi natančnejši rezultat.
Vrste nevronskih omrežij
1. Perceptron
Perceptronski model Minsky-Papert je eden najpreprostejših in najstarejših nevronskih modelov. Je najmanjša enota nevronske mreže, ki izvaja določene izračune, da bi odkrila značilnosti ali poslovno inteligenco v dohodnih podatkih. Za pridobitev končnega rezultata potrebuje utežene vnose in uporabi funkcijo aktivacije. TLU (threshold logic unit) je drugo ime za perceptron.
Perceptron je binarni klasifikator, ki je nadzorovan učni sistem, ki deli podatke v dve skupini. Logična vrata kot so AND, OR in NAND se lahko izvajajo s perceptroni.
2. Nevronska mreža za naprej
Najosnovnejša različica nevronskih mrež, pri kateri vhodni podatki tečejo izključno v eno smer, poteka skozi umetna nevronska vozlišča in izstopa skozi izhodna vozlišča. Vhodni in izhodni sloji so prisotni na mestih, kjer so skrite plasti prisotne ali pa tudi ne. Na podlagi tega jih lahko označimo kot enoslojno ali večplastno nevronsko mrežo za naprej.
Število uporabljenih plasti je odvisno od kompleksnosti funkcije. Razširja se samo naprej v eno smer in se ne širi nazaj. Tu uteži ostanejo konstantne. Vhodi se pomnožijo z utežmi, da napolnijo aktivacijsko funkcijo. Za to se uporablja aktivacijska funkcija klasifikacije ali stopenjska aktivacijska funkcija.
3. Večplastni perceptron
Uvod v sofisticirano nevronske mreže, pri katerem so vhodni podatki usmerjeni prek številnih plasti umetnih nevronov. Gre za popolnoma povezano nevronsko mrežo, saj je vsako vozlišče povezano z vsemi nevroni v naslednji plasti. V vhodni in izhodni plasti je prisotnih več skritih plasti, tj. vsaj tri ali več plasti.
Ima dvosmerno širjenje, kar pomeni, da se lahko širi naprej in nazaj. Vhodi se pomnožijo z utežmi in pošljejo v aktivacijsko funkcijo, kjer se spremenijo s povratnim širjenjem, da se zmanjšajo izgube.
Preprosto povedano, uteži so strojno naučene vrednosti iz nevronskih omrežij. Glede na neskladje med pričakovanimi rezultati in vložki usposabljanja se sami prilagodijo. Softmax se uporablja kot funkcija aktivacije izhodne plasti po nelinearnih aktivacijskih funkcijah.
4. Konvolucijska nevronska mreža
V nasprotju s tradicionalnim dvodimenzionalnim nizom ima konvolucijska nevronska mreža tridimenzionalno konfiguracijo nevronov. Prvi sloj je znan kot konvolucijski sloj. Vsak nevron v konvolucijski plasti obdeluje samo informacije iz omejenega dela vidnega polja. Podobno kot filter se vnosne funkcije vzamejo v paketnem načinu.
Omrežje razume slike v odsekih in lahko ta dejanja izvede večkrat, da dokonča celotno obdelavo slike.
Slika se med obdelavo pretvori iz RGB ali HSI v sivine. Nadaljnje spremembe v vrednosti slikovnih pik bodo pomagale pri zaznavanju robov, slike pa je mogoče razvrstiti v več skupin. Enosmerno širjenje se pojavi, ko CNN vsebuje eno ali več konvolucijskih plasti, ki ji sledi združevanje, in dvosmerno širjenje se pojavi, ko se izhod konvolucijske plasti pošlje v popolnoma povezano nevronsko mrežo za klasifikacijo slik.
Za ekstrakcijo določenih elementov slike se uporabljajo filtri. V MLP so vhodi ponderirani in dostavljeni v aktivacijsko funkcijo. RELU se uporablja pri konvoluciji, medtem ko MLP uporablja nelinearno aktivacijsko funkcijo, ki ji sledi softmax. Pri prepoznavanju slik in videa, semantičnem razčlenjevanju in zaznavanju parafraze konvolucijske nevronske mreže dajejo odlične rezultate.
5. Radialno pristransko omrežje
Vhodnemu vektorju sledi plast nevronov RBF in izhodna plast z enim vozliščem za vsako kategorijo v omrežju radialnih osnovnih funkcij. Vhod je razvrščen tako, da ga primerja s podatkovnimi točkami iz nabora za usposabljanje, kjer vsak nevron vzdržuje prototip. To je eden od primerov vadbenega kompleta.
Vsak nevron izračuna evklidsko razdaljo med vhodom in njegovim prototipom, ko je treba razvrstiti nov vhodni vektor [n-dimenzionalni vektor, ki ga poskušate kategorizirati]. Če imamo dva razreda, razred A in razred B, je novi vhod, ki ga je treba kategorizirati, bolj podoben prototipom razreda A kot prototipom razreda B.
Posledično je lahko označen ali kategoriziran kot razred A.
6. Ponavljajoča se nevronska mreža
Ponavljajoče se nevronske mreže so zasnovane tako, da shranijo izhod sloja in ga nato vrnejo v vhod za pomoč pri napovedovanju izida sloja. Naprej nevronska mreža je običajno začetni sloj, ki mu sledi sloj ponavljajoče se nevronske mreže, kjer si spominska funkcija zapomni del informacij, ki jih je imela v prejšnjem časovnem koraku.
Ta scenarij uporablja širjenje naprej. Shrani podatke, ki bodo potrebni v prihodnosti. V primeru, da je napoved napačna, se stopnja učenja uporabi za manjše prilagoditve. Posledično bo z napredovanjem povratnega razmnoževanja postajalo vse bolj natančno.
Aplikacije
Nevronske mreže se uporabljajo za reševanje težav s podatki v različnih disciplinah; nekaj primerov je prikazanih spodaj.
- Prepoznavanje obrazov – Rešitve za prepoznavanje obrazov služijo kot učinkovit nadzorni sistem. Sistemi za prepoznavanje povezujejo digitalne fotografije s človeškimi obrazi. Uporabljajo se v pisarnah za selektivni vstop. Tako sistemi preverijo človeški obraz in ga primerjajo s seznamom ID-jev, shranjenih v njegovi bazi podatkov.
- Napovedovanje delnic – Naložbe so izpostavljene tržnim tveganjem. Na izjemno nestanovitnem borznem trgu je skoraj težko predvideti prihodnji razvoj dogodkov. Pred nevronskimi mrežami so bile nenehno spreminjajoče se bikovske in medvedje faze nepredvidljive. Ampak, kaj je vse spremenilo? Seveda govorimo o nevronskih mrežah ... Večplastni perceptron MLP (vrsta sistema umetne inteligence naprej) se uporablja za ustvarjanje uspešne napovedi zalog v realnem času.
- Social Media – Ne glede na to, kako se to morda sliši, so družbeni mediji spremenili vsakdanjo pot obstoja. Obnašanje uporabnikov družbenih medijev se preučuje z uporabo umetnih nevronskih omrežij. Za konkurenčno analizo se podatki, ki se dnevno posredujejo prek virtualnih interakcij, kopičijo in pregledajo. Dejanja uporabnikov družbenih medijev posnemajo nevronske mreže. Obnašanje posameznikov je mogoče povezati z vzorci porabe ljudi, ko se podatki analizirajo prek omrežij družbenih medijev. Podatki iz aplikacij družbenih medijev se rudarijo z uporabo večplastnega perceptron ANN.
- Zdravstvo – Posamezniki v današnjem svetu izkoriščajo prednosti tehnologije v zdravstveni industriji. V zdravstveni dejavnosti se konvolucijske nevronske mreže uporabljajo za odkrivanje rentgenskih žarkov, CT skeniranje in ultrazvok. Podatke o medicinskih slikanjih, prejetih iz prej omenjenih testov, ocenjujemo in ovrednotimo z uporabo modelov nevronskih omrežij, saj se pri obdelavi slik uporablja CNN. Pri razvoju sistemov za prepoznavanje glasu se uporablja tudi ponavljajoča nevronska mreža (RNN).
- Vremensko poročilo – Pred uvedbo umetne inteligence projekcije meteorološkega oddelka niso bile nikoli natančne. Vremenske napovedi se v veliki meri izvajajo za napovedovanje vremenskih razmer, ki se bodo zgodile v prihodnosti. Vremenske napovedi se uporabljajo za predvidevanje verjetnosti naravnih katastrof v sodobnem obdobju. Vremenska napoved se izvaja z uporabo večplastnega perceptrona (MLP), konvolucijskih nevronskih mrež (CNN) in ponavljajočih se nevronskih mrež (RNN).
- Obramba – Logistika, analiza oboroženega napada in lokacija predmetov uporabljajo nevronske mreže. Zaposleni so tudi v zračnih in morskih patruljah ter za upravljanje avtonomnih dronov. Umetna inteligenca daje obrambni industriji prepotrebno spodbudo, ki jo potrebuje za povečanje svoje tehnologije. Za odkrivanje obstoja podvodnih min se uporabljajo konvolucijske nevronske mreže (CNN).
prednosti
- Tudi če nekaj nevronov v nevronski mreži ne deluje pravilno, bodo nevronske mreže še vedno ustvarjale izhode.
- Nevronske mreže se lahko učijo v realnem času in se prilagajajo spreminjajočim se nastavitvam.
- Nevronske mreže se lahko naučijo opravljati različne naloge. Za zagotovitev pravilnega rezultata na podlagi posredovanih podatkov.
- Nevronske mreže imajo moč in sposobnost, da obvladajo več nalog hkrati.
Slabosti
- Za reševanje problemov se uporabljajo nevronske mreže. Ne razkriva razlage za "zakaj in kako" je sprejela sodbe, ki jih je naredila zaradi zapletenosti omrežij. Posledično se lahko zmanjša zaupanje v omrežje.
- Komponente nevronske mreže so medsebojno odvisne. To pomeni, da nevronske mreže zahtevajo (ali so zelo odvisne od) računalnikov z zadostno računalniško močjo.
- Proces nevronske mreže nima posebnega pravila (ali načela). V tehniki poskusov in napak se s poskusom optimalnega omrežja vzpostavi pravilna struktura omrežja. To je postopek, ki zahteva veliko natančnega prilagajanja.
zaključek
Področje nevronske mreže se hitro širi. Ključnega pomena je, da se naučimo in razumemo koncepte v tem sektorju, da se lahko z njimi spopademo.
V tem članku smo obravnavali številne vrste nevronskih mrež. Če izveste več o tej disciplini, lahko uporabite nevronske mreže za reševanje težav s podatki na drugih področjih.
Pustite Odgovori