Përmbajtje[Fshih][Shfaqje]
Inteligjenca Artificiale (AI) fillimisht mendohej të ishte një ëndërr e largët, një teknologji për të ardhmen, por nuk është më kështu.
Ajo që dikur ishte një temë kërkimore, tani po shpërthen në botën reale. AI tani gjendet në një sërë vendesh, duke përfshirë vendin tuaj të punës, shkollën, bankat, spitalet dhe madje edhe telefonin tuaj.
Ata janë sytë e automjeteve që drejtojnë vetë, zërat e Siri-t dhe Alexa-s, mendjet pas parashikimit të motit, duart pas operacionit me ndihmën e robotëve dhe më shumë.
Inteligjence artificiale (AI) po bëhet një tipar i zakonshëm i jetës moderne. Në disa vitet e fundit, AI është shfaqur si një lojtar kryesor në një gamë të gjerë teknologjish IT.
Së fundi, rrjeti nervor përdoret nga AI për të mësuar gjëra të reja.
Kështu që sot do të mësojmë për Rrjetet Neurale, si funksionojnë, llojet e tyre, aplikacionet dhe shumë më tepër.
Çfarë është Rrjeti Neural?
In Mësimi makinë, një rrjet nervor është një rrjet i programuar nga softueri i neuroneve artificiale. Ai përpiqet të imitojë trurin e njeriut duke pasur shtresa të shumta "neuronesh", të cilat janë të ngjashme me neuronet në trurin tonë.
Shtresa e parë e neuroneve do të pranojë foto, video, zë, tekst dhe hyrje të tjera. Këto të dhëna rrjedhin nëpër të gjitha nivelet, me daljen e një shtrese që rrjedh në tjetrën. Kjo është kritike për detyrat më të vështira, siç është përpunimi i gjuhës natyrore për mësimin e makinerive.
Megjithatë, në raste të tjera, preferohet synimi për kompresimin e sistemit për të zvogëluar madhësinë e modelit duke ruajtur saktësinë dhe efikasitetin. Shkurtimi i një rrjeti nervor është një metodë kompresimi që përfshin heqjen e peshave nga një model i mësuar. Konsideroni një rrjet nervor të inteligjencës artificiale që është trajnuar për të dalluar njerëzit nga kafshët.
Fotografia do të ndahet në pjesë të ndritshme dhe të errëta nga shtresa e parë e neuroneve. Këto të dhëna do të kalohen në shtresën vijuese, e cila do të përcaktojë se ku janë skajet.
Shtresa tjetër do të përpiqet të njohë format që ka krijuar kombinimi i skajeve. Sipas të dhënave mbi të cilat është trajnuar, të dhënat do të kalojnë nëpër shtresa të shumta në mënyrë të ngjashme për të përcaktuar nëse imazhi që keni paraqitur është i një njeriu apo i një kafshe.
Kur të dhënat jepen në një rrjet nervor, ai fillon t'i përpunojë ato. Pas kësaj, të dhënat përpunohen përmes niveleve të tyre për të marrë rezultatin e dëshiruar. Një rrjet nervor është një makinë që mëson nga inputet e strukturuara dhe shfaq rezultatet. Ekzistojnë tre lloje të të mësuarit që mund të zhvillohen në rrjetet nervore:
- Mësimi i mbikqyrur – Të dhënat hyrëse dhe dalëse u jepen algoritmeve duke përdorur të dhëna të etiketuara. Pasi u mësuan se si të analizojnë të dhënat, ata parashikojnë rezultatin e synuar.
- Mësimi i pambikëqyrur – Një ANN mëson pa ndihmën e një njeriu. Nuk ka të dhëna të etiketuara dhe dalja vendoset nga modelet që gjenden në të dhënat dalëse.
- Mësimi i përforcimit është kur një rrjet mëson nga reagimet që merr.
Si funksionojnë rrjetet nervore?
Neuronet artificiale përdoren në rrjetet nervore, të cilat janë sisteme të sofistikuara. Neuronet artificiale, të njohura edhe si perceptrone, përbëhen nga komponentët e mëposhtëm:
- të dhëna
- peshë
- Paragjykim
- Funksioni i aktivizimit
- prodhim
Shtresat e neuroneve që përbëjnë rrjetet nervore. Një rrjet nervor përbëhet nga tre shtresa:
- Shtresa hyrëse
- Shtresa e fshehur
- Shtresa e daljes
Të dhënat në formën e një vlere numerike dërgohen në shtresën hyrëse. Shtresat e fshehura të rrjetit janë ato që bëjnë më shumë llogaritjet. Shtresa e daljes, e fundit por jo më pak e rëndësishme, parashikon rezultatin. Neuronet dominojnë njëri-tjetrin në një rrjet nervor. Neuronet përdoren për të ndërtuar çdo shtresë. Të dhënat dërgohen në shtresën e fshehur pasi shtresa hyrëse e merr atë.
Peshat aplikohen për çdo hyrje. Brenda shtresave të fshehura të një rrjeti nervor, pesha është një vlerë që përkthen të dhënat hyrëse. Peshat funksionojnë duke shumëzuar të dhënat hyrëse me vlerën e peshës në shtresën hyrëse.
Më pas fillon vlerën e shtresës së parë të fshehur. Të dhënat hyrëse transformohen dhe kalohen në shtresën tjetër nëpërmjet shtresave të fshehura. Shtresa e daljes është përgjegjëse për gjenerimin e rezultatit përfundimtar. Inputet dhe peshat shumëzohen, dhe rezultati u dërgohet neuroneve të shtresës së fshehur si një shumë. Secilit neuron i jepet një paragjykim. Për të llogaritur totalin, çdo neuron shton inputet që merr.
Pas kësaj, vlera kalon përmes funksionit të aktivizimit. Rezultati i funksionit të aktivizimit përcakton nëse një neuron aktivizohet apo jo. Kur një neuron është aktiv, ai dërgon informacion në shtresat e tjera. Të dhënat krijohen në rrjet derisa neuroni të arrijë në shtresën e daljes duke përdorur këtë metodë. Përhapja përpara është një term tjetër për këtë.
Teknika e futjes së të dhënave në një nyje hyrëse dhe e marrjes së daljes përmes një nyje dalëse njihet si përhapja e furnizimit përpara. Kur të dhënat hyrëse pranohen nga shtresa e fshehur, ndodh përhapja e furnizimit përpara. Ai përpunohet sipas funksionit të aktivizimit dhe më pas kalon në dalje.
Rezultati projektohet nga neuroni në shtresën e daljes me probabilitetin më të lartë. Përhapja prapa ndodh kur dalja është e pasaktë. Peshat inicializohen për çdo hyrje duke krijuar një rrjet nervor. Përhapja prapa është procesi i rirregullimit të peshave të çdo hyrjeje për të reduktuar gabimet dhe për të siguruar një rezultat më të saktë.
Llojet e rrjetit nervor
1. Perceptron
Modeli i perceptronit Minsky-Papert është një nga modelet më të thjeshta dhe më të vjetra të neuroneve. Është njësia më e vogël e një rrjeti nervor që kryen llogaritje të caktuara për të zbuluar karakteristikat ose inteligjencën e biznesit në të dhënat hyrëse. Ai merr inpute të peshuara dhe zbaton funksionin e aktivizimit për të marrë rezultatin përfundimtar. TLU (njësia logjike e pragut) është një emër tjetër për perceptron.
Perceptron është një klasifikues binar që është një sistem mësimi i mbikëqyrur që ndan të dhënat në dy grupe. Portat Logjike të tilla si AND, OR dhe NAND mund të zbatohen me perceptrone.
2. Rrjeti nervor Feed-Forward
Versioni më themelor i rrjeteve nervore, në të cilin të dhënat hyrëse rrjedhin ekskluzivisht në një drejtim, kalojnë përmes nyjeve nervore artificiale dhe dalin përmes nyjeve dalëse. Shtresat hyrëse dhe dalëse janë të pranishme në vendet ku shtresat e fshehura mund të jenë ose jo. Ato mund të karakterizohen si një rrjet nervor me një shtresë ose me shumë shtresa, bazuar në këtë.
Numri i shtresave të përdorura përcaktohet nga kompleksiteti i funksionit. Ai përhapet vetëm përpara në një drejtim dhe nuk përhapet prapa. Këtu, peshat mbeten konstante. Inputet shumëzohen me peshat për të ushqyer një funksion aktivizimi. Për ta bërë këtë përdoret një funksion aktivizimi i klasifikimit ose një funksion aktivizimi me hapa.
3. Perceptron me shumë shtresa
Një hyrje në të sofistikuara rrjeta nervore, në të cilën të dhënat hyrëse drejtohen përmes shumë shtresave të neuroneve artificiale. Është një rrjet nervor plotësisht i lidhur, pasi çdo nyje është e lidhur me të gjithë neuronet në shtresën vijuese. Shtresat e shumëfishta të fshehura, dmth, të paktën tre ose më shumë shtresa, janë të pranishme në shtresat hyrëse dhe dalëse.
Ai posedon përhapje dydrejtimëshe, që do të thotë se mund të përhapet si përpara ashtu edhe prapa. Inputet shumëzohen me peshat dhe dërgohen në funksionin e aktivizimit, ku ato ndryshohen nëpërmjet përhapjes së pasme për të minimizuar humbjen.
Peshat janë vlera të mësuara nga makina nga Rrjetet Neurale, për ta thënë thjesht. Në varësi të pabarazisë ndërmjet rezultateve të pritura dhe inputeve të trajnimit, ato rregullohen vetë. Softmax përdoret si një funksion aktivizimi i shtresës dalëse pas funksioneve jolineare të aktivizimit.
4. Rrjeti nervor konvolucional
Në kontrast me grupin tradicional dydimensional, një rrjet nervor konvolucioni ka një konfigurim tredimensional të neuroneve. Shtresa e parë njihet si një shtresë konvolucionale. Çdo neuron në shtresën konvolucionale përpunon vetëm informacionin nga një pjesë e kufizuar e fushës vizuale. Ashtu si një filtër, veçoritë e hyrjes merren në modalitetin e grupit.
Rrjeti i kupton fotografitë në seksione dhe mund t'i kryejë këto veprime shumë herë për të përfunduar të gjithë përpunimin e imazhit.
Fotografia konvertohet nga RGB ose HSI në shkallë gri gjatë përpunimit. Ndryshime të mëtejshme në vlerën e pikselit do të ndihmojnë në zbulimin e skajeve dhe fotografitë mund të renditen në disa grupe. Përhapja e njëanshme ndodh kur një CNN përmban një ose më shumë shtresa konvolucionare të ndjekura nga bashkimi, dhe përhapja dydrejtimëshe ndodh kur dalja e shtresës së konvolucionit dërgohet në një rrjet nervor plotësisht të lidhur për klasifikimin e imazhit.
Për të nxjerrë disa elementë të një imazhi, përdoren filtra. Në MLP, inputet peshohen dhe futen në funksionin e aktivizimit. RELU përdoret në konvolucion, ndërsa MLP përdor një funksion aktivizimi jolinear të ndjekur nga softmax. Në njohjen e fotografive dhe videove, analizimin semantik dhe zbulimin e parafrazës, rrjetet nervore konvolucionale prodhojnë rezultate të shkëlqyera.
5. Rrjeti i paragjykimit radial
Një vektor hyrës ndiqet nga një shtresë e neuroneve RBF dhe një shtresë dalëse me një nyje për secilën kategori në një Rrjet Funksioni Bazë Radiale. Hyrja klasifikohet duke e krahasuar atë me pikat e të dhënave nga grupi i trajnimit, ku secili neuron mban një prototip. Ky është një nga shembujt e grupit të trajnimit.
Çdo neuron llogarit distancën Euklidiane midis hyrjes dhe prototipit të tij kur duhet të klasifikohet një vektor i ri hyrës [vektori n-dimensional që po përpiqeni të kategorizoni]. Nëse kemi dy klasa, Klasa A dhe Klasa B, hyrja e re që do të kategorizohet është më e ngjashme me prototipet e klasës A sesa prototipet e klasës B.
Si rezultat, mund të etiketohet ose kategorizohet si klasa A.
6. Rrjeti nervor i përsëritur
Rrjetet nervore të përsëritura janë krijuar për të ruajtur daljen e një shtrese dhe më pas e kthejnë atë në hyrje për të ndihmuar në parashikimin e rezultatit të shtresës. Një feed-forward Rrjeti nervoz është zakonisht shtresa fillestare, e ndjekur nga një shtresë e rrjetit nervor të përsëritur, ku një funksion memorie kujton një pjesë të informacionit që kishte në hapin e mëparshëm kohor.
Ky skenar përdor përhapjen përpara. Ai kursen të dhënat që do të nevojiten në të ardhmen. Në rast se parashikimi është i pasaktë, shkalla e të mësuarit përdoret për të bërë rregullime të vogla. Si rezultat, ndërsa përhapja prapa përparon, do të bëhet gjithnjë e më e saktë.
Aplikime
Rrjetet nervore përdoren për të trajtuar problemet e të dhënave në një sërë disiplinash; disa shembuj janë paraqitur më poshtë.
- Njohja e fytyrës – Zgjidhjet e njohjes së fytyrës shërbejnë si sisteme efektive të mbikëqyrjes. Sistemet e njohjes lidhin fotot dixhitale me fytyrat e njeriut. Ato përdoren në zyra për hyrje selektive. Kështu, sistemet verifikojnë një fytyrë njerëzore dhe e krahasojnë atë me një listë ID-sh të ruajtura në bazën e të dhënave të saj.
- Parashikimi i aksioneve – Investimet janë të ekspozuara ndaj rreziqeve të tregut. Është praktikisht e vështirë të parashikohen zhvillimet e ardhshme në tregun jashtëzakonisht të paqëndrueshëm të aksioneve. Përpara rrjeteve nervore, fazat e rritjes dhe rënies vazhdimisht në ndryshim ishin të paparashikueshme. Por, çfarë ndryshoi gjithçka? Natyrisht, ne po flasim për rrjetet nervore… Një Perceptron MLP me shumë shtresa (një lloj sistemi i inteligjencës artificiale përpara) përdoret për të krijuar një parashikim të suksesshëm të aksioneve në kohë reale.
- Mediat sociale – Pavarësisht se sa keq mund të tingëllojë, mediat sociale kanë ndryshuar rrugën e zakonshme të ekzistencës. Sjellja e përdoruesve të mediave sociale studiohet duke përdorur Rrjetet Neurale Artificiale. Për analizën konkurruese, të dhënat e ofruara çdo ditë nëpërmjet ndërveprimeve virtuale grumbullohen dhe ekzaminohen. Veprimet e përdoruesve të mediave sociale përsëriten nga rrjetet nervore. Sjelljet e individëve mund të lidhen me modelet e shpenzimeve të njerëzve pasi të dhënat të analizohen përmes rrjeteve të mediave sociale. Të dhënat nga aplikacionet e mediave sociale minohen duke përdorur Perceptron ANN me shumë shtresa.
- Kujdesi shëndetësor – Individët në botën e sotme po përdorin përfitimet e teknologjisë në industrinë e kujdesit shëndetësor. Në biznesin e kujdesit shëndetësor, rrjetet nervore konvolutional përdoren për zbulimin me rreze X, skanimet CT dhe ultratinguj. Të dhënat e imazheve mjekësore të marra nga testet e sipërpërmendura vlerësohen dhe vlerësohen duke përdorur modele të rrjetit nervor, pasi CNN përdoret në përpunimin e imazhit. Në zhvillimin e sistemeve të njohjes së zërit, përdoret gjithashtu rrjeti nervor i përsëritur (RNN).
- Raporti i motit – Para zbatimit të inteligjencës artificiale, parashikimet e departamentit meteorologjik nuk ishin kurrë të sakta. Parashikimi i motit bëhet kryesisht për të parashikuar kushtet e motit që do të ndodhin në të ardhmen. Parashikimet e motit janë duke u përdorur për të parashikuar gjasat e fatkeqësive natyrore në periudhën moderne. Parashikimi i motit bëhet duke përdorur perceptron me shumë shtresa (MLP), rrjete nervore konvolucionale (CNN) dhe rrjete nervore të përsëritura (RNN).
- Mbrojtja - Logjistika, analiza e sulmeve të armatosura dhe vendndodhja e artikujve përdorin të gjitha rrjetet nervore. Ata janë gjithashtu të punësuar në patrullimet ajrore dhe detare, si dhe për të menaxhuar dronët autonome. Inteligjenca artificiale po i jep industrisë së mbrojtjes nxitjen shumë të nevojshme që i nevojitet për të rritur teknologjinë e saj. Për zbulimin e ekzistencës së minierave nënujore, përdoren Rrjetet Neurale Konvolutional (CNN).
Përparësitë
- Edhe nëse disa neurone në një rrjet nervor nuk funksionojnë siç duhet, rrjetet nervore do të gjenerojnë akoma rezultate.
- Rrjetet nervore kanë aftësinë të mësojnë në kohë reale dhe të përshtaten me cilësimet e tyre në ndryshim.
- Rrjetet nervore mund të mësojnë të bëjnë një sërë detyrash. Për të siguruar rezultatin e saktë bazuar në të dhënat e ofruara.
- Rrjetet nervore kanë forcën dhe aftësinë për të trajtuar disa detyra në të njëjtën kohë.
Disavantazhet
- Rrjetet nervore përdoren për të zgjidhur problemet. Ai nuk zbulon shpjegimin pas "pse dhe si" i bëri gjykimet që bëri për shkak të ndërlikimit të rrjeteve. Si rezultat, besimi në rrjet mund të gërryhet.
- Komponentët e një rrjeti nervor janë të ndërvarur nga njëri-tjetri. Kjo do të thotë, rrjetet nervore kërkojnë (ose janë jashtëzakonisht të varur nga) kompjuterë me fuqi të mjaftueshme llogaritëse.
- Një proces i rrjetit nervor nuk ka një rregull specifik (ose rregull të madh). Në një teknikë provë dhe gabim, një strukturë e saktë e rrjetit krijohet duke u përpjekur për rrjetin optimal. Është një procedurë që kërkon shumë rregullim.
Përfundim
Fusha e rrjetet nervore po zgjerohet me shpejtësi. Është thelbësore të mësosh dhe të kuptosh konceptet në këtë sektor në mënyrë që të mund të përballesh me to.
Llojet e shumta të rrjeteve nervore janë trajtuar në këtë artikull. Ju mund të përdorni rrjetet nervore për të trajtuar problemet e të dhënave në fusha të tjera nëse mësoni më shumë rreth kësaj disipline.
Lini një Përgjigju