Sirdoonka Artificial (AI) ayaa helay caan ka badan sannadihii u dambeeyay.
Haddii aad tahay injineer software, saynisyahan kombuyuutar ah, ama xiisee sayniska xogta guud ahaan, markaa waxay u badan tahay inaad xiiseyneyso codsiyada cajiibka ah ee habaynta sawirka, aqoonsiga qaabka iyo ogaanshaha shayga ay bixiso goobtan.
Qeybta hoose ee ugu muhiimsan AI ee laga yaabo inaad maqashay waa barasho qoto dheer. Goobtani waxay diiradda saartaa algorithms awood leh (tilmaamaha barnaamijka kumbuyuutarka) oo loo qaabeeyey ka dib shaqeynta maskaxda aadanaha ee loo yaqaan Shabakadaha Neural.
Maqaalkan, waxaan ku dul mari doonaa fikradda Shabakadaha Neural iyo sida loo dhiso, loo ururiyo, loo habeeyo loona qiimeeyo moodooyinkan Python.
Shabakadaha Neural
Shabakadaha Neural, ama NNs, waa taxane algorithms loo qaabeeyey ka dib waxqabadka bayooloji ee maskaxda bini'aadamka. Shabakadaha Neural waxay ka kooban yihiin qanjidhada, oo sidoo kale loo yaqaanno neurons.
Ururinta noodhka toosan waxaa loo yaqaan lakabyo. Qaabku waxa uu ka kooban yahay hal wax gelin, hal wax soo saar, iyo tiro lakabyo qarsoon. Lakab kastaa wuxuu ka kooban yahay qanjidhada, sidoo kale loo yaqaan neurons, halkaas oo xisaabinta ay ka dhacdo.
Jaantuskan soo socda, wareegyadu waxay u taagan yihiin noodhka iyo ururinta qanjidhada tooska ah waxay u taagan yihiin lakabyada. Qaabkan waxaa ku jira saddex lakab.
Noodhyada hal lakab ayaa ku xiran lakabka xiga iyada oo loo marayo xadadka gudbinta sida hoos lagu arkay.
Xogtayadu waxay ka kooban tahay xog calaamadeysan. Tani waxay ka dhigan tahay in xog kasta loo qoondeeyay qiimo magac gaar ah.
Markaa xogta kala soocidda xayawaanka waxaanu yeelan doonaa sawirada bisadaha iyo eeyaha sida xogtayada, oo leh 'bisad' iyo 'ey' calaamado ahaan.
Waxaa muhiim ah in la ogaado in calaamadaha loo baahan yahay in loo beddelo qiyamka nambarada qaabkeena si aan macno u samayno, markaa calaamadaha xayawaanku waxay noqdaan '0' bisadda iyo '1' ee eyga. Xogta iyo sumadaha labadaba waxaa la mariyaa qaabka.
Waxbarashada
Xogta waxaa lagu quudiyaa moodelka hal hay'adba. Xogtan waxaa loo kala qaybiyaa qaybo waxaana la sii maraa meel kasta oo qaabka. Nodes waxay fuliyaan hawlgallo xisaabeed qaybahan.
Uma baahnid inaad ogaato hawlaha xisaabta ama xisaabinta casharkan, laakiin waa muhiim inaad fikrad guud ka haysato sida moodooyinkani u shaqeeyaan. Ka dib xisaabin taxane ah oo hal lakab ah, xogta ayaa loo gudbiyaa lakabka xiga iyo wixii la mid ah.
Marka la dhammeeyo, qaabkayagu wuxuu saadaaliyaa summada xogta ee lakabka wax soo saarka (tusaale, dhibaatada kala soocidda xayawaanka waxaan helnaa saadaalin '0' bisadda).
Qaabku wuxuu markaa sii wadaa isbarbardhigga qiimahan la saadaaliyay iyo kan qiimaha calaamadda dhabta ah.
Haddii qiyamku iswaafaqaan, moodeelkayagu wuxuu qaadan doonaa gelinta soo socota laakiin haddii qiyamku ka duwanaado qaabku wuxuu xisaabin doonaa faraqa u dhexeeya labada qiyam, oo loo yaqaan khasaare, oo wuxuu hagaajin doonaa xisaabinta noodhka si loo soo saaro calaamado iswaafaqaya marka xigta.
Qaab-dhismeedka Barashada qoto dheer
Si loo dhiso shabakadaha Neural ee koodka, waxaan u baahanahay inaan soo dejino Qaababka Barashada qoto dheer loo yaqaan maktabado isticmaalaya deegaan horumarinta isku-dhafan (IDE).
Qaab-dhismeedkani waa ururin hawlo hore loo qoray oo naga caawin doona casharradan. Waxaan isticmaali doonaa qaabka Keras si aan u dhisno moodelkeena.
Keras waa maktabad Python ah oo adeegsata barasho qoto dheer iyo gadaal sirdoon macmal ah oo la yiraahdo Dareenka si loo abuuro NN-yada qaabka fudud ee moodooyinka isku xigxiga ee fudud.
Keras sidoo kale wuxuu la yimaadaa moodallo hore u jiray oo sidoo kale la isticmaali karo. Tababarkan, waxaanu samayn doonaa moodel noo gaar ah anagoo adeegsanayna Keras.
Waxaad wax badan oo ku saabsan habkan Barashada qoto dheer ka baran kartaa Mareegta Keras.
Dhisida Shabakadda Neural (Tutorial)
Aan u gudubno dhisidda Shabakadda Neural anagoo adeegsanayna Python.
Bayaanka Dhibaatada
Shabakadaha Neural waa nooc ka mid ah xalalka dhibaatooyinka AI ku salaysan. Casharradan waxaan ku dul mari doonaa Pima Indians Data Diabetes, kaas oo diyaar ah halkan.
Rudesdal Barashada Mashiinka ayaa soo ururisay xogtan oo ka kooban diiwaanka caafimaadka bukaannada Hindida. Qaabkeenu waa inuu saadaaliyaa in bukaanku uu ku dhacay cudurka macaanka 5 sano gudahood iyo in kale.
Soo dejinta Xogta
Xog-ururintayadu waa hal fayl oo CSV ah oo loo yaqaan 'diabetes.csv' kaas oo si sahal ah loo maamuli karo iyadoo la isticmaalayo Microsoft Excel.
Kahor intaanan abuurin moodelkeena, waxaan u baahanahay inaan soo dejino xogtayada. Adigoo isticmaalaya koodka soo socda waxaad samayn kartaa sidan:
pandas soo dhoofso sida pd
xogta = pd.read_csv ('diabetes.csv')
x = xog.dhac ("Natiijo")
y = xogta["Natiijada"]
Halkan waxaan isticmaaleynaa Baandooyinka Maktabadu si ay awood ugu yeelato in ay wax ka qabato xogtayada faylka CSV, read_csv() waa shaqayn ku dhex jirta Pandas taas oo noo ogolaanaysa in aan ku kaydino qiyamka galkeena doorsoome loo yaqaan 'data'.
Doorsoomiyaha x waxa uu ka kooban yahay xogtayada iyada oo aan la helin xogta natiijada (calaamadaha). Waxaan taas ku gaarnaa shaqada xogta. drop() taasoo meesha ka saaraysa sumadaha x, halka y ka kooban yahay oo keliya natiijada (calaamadaha) xogta.
Qaabka Isku Xigta ee Dhismaha
Tallaabada 1: Soo dejinta Maktabadaha
Marka hore, waxaan u baahanahay inaan soo dejino TensorFlow iyo Keras, oo ay la socdaan xaddidaadyo gaar ah oo looga baahan yahay moodelkeena. Koodhkan soo socda ayaa noo ogolaanaya inaan tan samayno:
soo dejinta tensorflow sida tf
keras soo dejinta tensorflow
laga bilaabo tensorflow.keras.models soo dejinta taxanaha
Laga soo bilaabo tensorflow.keras.layers soo dejinta Dhaqdhaqaaq, cufan
ka tensorflow.keras.optimizers soo daji Adam
laga bilaabo tensorflow.keras.metrics soo dejinta categorical_crossentropy
Qaabkayaga waxaanu soo dejinaynaa lakabyo cufan. Kuwani waa lakabyo si buuxda isugu xidhan; ie, noodh kasta oo lakabka ku jira wuxuu si buuxda ugu xidhan yahay noodhka kale ee lakabka xiga.
Waxaan sidoo kale soo dejineynaa a hawlgelinta shaqada loo baahan yahay si loo miisaamo xogta loo diro noodhka. Hagaajinta ayaa sidoo kale loo soo dhoofiyay si loo yareeyo khasaaraha.
Aadam waa wanaajiye caan ah oo ka dhigaya moodeelkayaga cusboonaysii xisaabinta noodhka si hufan, oo ay la socoto categorical_crossentropy oo ah nooca shaqada luminta (waxay xisaabisaa faraqa u dhexeeya qiyamka summada dhabta ah iyo kuwa la saadaaliyay) ee aan isticmaaleyno.
Tallaabada 2: Nakhshadeynta Qaabkayaga
Qaabka aan abuurayo waxa uu leeyahay hal galinta (oo leh 16 unug), mid qarsoon (oo leh 32 unug) iyo hal wax soo saar (oo leh 2 unug). Nambaradan ma go'an oo waxay ku xirnaan doonaan gebi ahaanba dhibaatada la bixiyay.
Dejinta tirada saxda ah ee cutubyada iyo lakabyada waa hab lagu wanaajin karo saacadaha dheeraadka ah iyadoo la adeegsanayo tababar. Firfircooni waxay u dhigantaa nooca is-miidaminta ee aan ku samayn doono xogtayada ka hor inta aanan u gudbin noodhka.
Relu iyo Softmax ayaa caan ku ah hawlgelinta hawshan.
model = taxane ([
cufan (cutubyo = 16, input_qaab = (1,), firfircooni = 'relu'),
cufan (cutubyo = 32, firfircooni = 'relu'),
cufan (cutubyo = 2, firfircoonitaan = 'softmax')
])
Waa kan sida soo koobidda moodelku u ekaan doono:
Tababarka Qaabka
Qaabkayaga waxa lagu tababari doonaa laba tillaabo, midda kowaad waa ururinta moodeelka (isugaynta moodeelka) kan ku xigana waxa uu ku habboon yahay qaabka xog-ururinta.
Tan waxaa lagu samayn karaa iyadoo la isticmaalayo model.compile () function oo ay ku xigto model.fit () function.
qaabka
model.fit (x, y, epochs = 30, batch_size = 10)
Cadaynta mitirka 'saxsanaanta' waxay noo ogolaanaysaa inaan ilaalino saxnaanta moodeelkeena inta lagu jiro tababarka.
Mar haddii calaamadaheennu ay yihiin qaab 1's iyo 0's, waxaan adeegsan doonnaa shaqo lumis binary si aan u xisaabino faraqa u dhexeeya calaamadaha dhabta ah iyo kuwa la saadaaliyay.
Xogta xogta waxa sidoo kale loo qaybiyaa 10 qaybood (dufcad_size) waxaana la dhex mari doonaa moodeelka 30 jeer (epochs). Xogta la bixiyay, x waxay noqon doontaa xogta iyo y waxay noqon doontaa sumadaha u dhigma xogta.
Qaabka Tijaabada Isticmaalka Saadaasha
Si loo qiimeeyo qaabkayaga, waxaanu samaynaa saadaalin ku saabsan xogta tijaabada anagoo adeegsanayna saadaalin () function.
saadaal = model.predict(x)
Waana taas!
Waa in aad hadda si fiican u fahamto Barashada Deep codsiga, Shabakadda Neural, sida ay u shaqeeyaan guud ahaan iyo sida loo dhiso, tababaro iyo tijaabiyo model ee Python code.
Waxaan rajeynayaa in casharkan uu ku siiyo bilowga si aad u abuurto oo aad u geyso moodooyinka Barashada Qooto-dheer.
Noogu sheeg faallooyinka haddii maqaalku waxtar lahaa.
Leave a Reply