Увод у неуронске мреже

Првобитно се мислило да је вештачка интелигенција (АИ) далеки сан, технологија за будућност, али то више није случај.

Оно што је некада била тема истраживања сада експлодира у стварном свету. АИ се сада налази на разним местима, укључујући ваше радно место, школу, банкарство, болнице, па чак и ваш телефон.

То су очи самовозећих возила, Сирини и Алексини гласови, умови који стоје иза временске прогнозе, руке иза операција уз помоћ робота и још много тога.

Вештачка интелигенција (АИ) постаје уобичајена карактеристика модерног живота. У последњих неколико година, вештачка интелигенција се појавила као главни играч у широком спектру ИТ технологија.

Коначно, АИ користи неуронску мрежу за учење нових ствари.

Дакле, данас ћемо научити о неуронским мрежама, како оне раде, њиховим типовима, применама и још много тога.

Шта је неуронска мрежа?

In Машина учење, неуронска мрежа је софтверски програмирана мрежа вештачких неурона. Покушава да имитира људски мозак тако што има бројне слојеве „неурона“, који су слични неуронима у нашем мозгу.

Први слој неурона ће прихватити фотографије, видео, звук, текст и друге уносе. Ови подаци теку кроз све нивое, при чему излаз једног слоја тече у следећи. Ово је критично за најтеже задатке, као што је обрада природног језика за машинско учење.

Међутим, у другим случајевима, пожељно је тежити компресији система како би се смањила величина модела уз одржавање тачности и ефикасности. Обрезивање неуронске мреже је метода компресије која укључује уклањање тежине из наученог модела. Размислите о неуронској мрежи вештачке интелигенције која је обучена да разликује људе од животиња.

Слика ће бити подељена на светле и тамне делове првим слојем неурона. Ови подаци ће бити прослеђени у следећи слој, који ће одредити где су ивице.

Следећи слој ће покушати да препозна форме које је генерисала комбинација ивица. Према подацима на којима је обучено, подаци ће проћи кроз бројне слојеве на сличан начин да би се утврдило да ли је слика коју сте представили човек или животиња.

Када се подаци дају у неуронску мрежу, она почиње да их обрађује. Након тога, подаци се обрађују преко својих нивоа да би се добио жељени резултат. Неуронска мрежа је машина која учи из структурираног уноса и приказује резултате. Постоје три врсте учења које се могу одвијати у неуронским мрежама:

• Учење под надзором – Улази и излази се дају алгоритмима помоћу означених података. Након што су научени како да анализирају податке, предвиђају планирани исход.
• Учење без надзора – АНН учи без помоћи човека. Нема означених података, а излаз је одлучен према обрасцима који се налазе у излазним подацима.
• Учење ојачања је када мрежа учи из повратних информација које добија.

Како функционишу неуронске мреже?

Вештачки неурони се користе у неуронским мрежама, које су софистицирани системи. Вештачки неурони, такође познати као перцептрони, састоје се од следећих компоненти:

• Улазни
• тежина
• Преднапон
• Функција активације
• Излаз

Слојеви неурона који чине неуронске мреже. Неуронска мрежа се састоји од три слоја:

1. Улазни слој
2. Скривени слој
3. Излазни слој

Подаци у облику нумеричке вредности се шаљу на улазни слој. Скривени слојеви мреже су они који највише рачунају. Излазни слој, на крају, али не и најмање важно, предвиђа резултат. Неурони доминирају једни другима у неуронској мрежи. Неурони се користе за конструисање сваког слоја. Подаци се усмеравају у скривени слој након што их добије улазни слој.

Тежине се примењују на сваки улаз. Унутар скривених слојева неуронске мреже, тежина је вредност која преводи долазне податке. Тежине функционишу множењем улазних података са вредношћу тежине у улазном слоју.

Затим покреће вредност првог скривеног слоја. Улазни подаци се трансформишу и прослеђују другом слоју преко скривених слојева. Излазни слој је одговоран за генерисање коначног резултата. Уноси и тежине се множе, а резултат се испоручује неуронима скривеног слоја као збир. Сваком неурону је дата предрасуда. Да би израчунао збир, сваки неурон додаје улазе које прима.

Након тога, вредност прелази преко функције за активирање. Резултат функције активације одређује да ли је неурон активиран или не. Када је неурон активан, он шаље информације другим слојевима. Подаци се креирају у мрежи све док неурон не достигне излазни слој користећи овај метод. Проширивање унапред је други термин за ово.

Техника уноса података у улазни чвор и добијање излаза кроз излазни чвор позната је као пропагација унапред. Када скривени слој прихвати улазне податке, долази до ширења унапред. Обрађује се у складу са функцијом активације и затим се прослеђује на излаз.

Исход пројектује неурон у излазном слоју са највећом вероватноћом. Проширивање уназад се дешава када је излаз нетачан. Тежине се иницијализују за сваки улаз током креирања неуронске мреже. Проширивање уназад је процес поновног прилагођавања тежине сваког улаза како би се смањиле грешке и обезбедио тачнији излаз.

Врсте неуронске мреже

1. Перцептрон

Перцептронски модел Мински-Паперт је један од најједноставнијих и најстаријих модела неурона. То је најмања јединица неуронске мреже која врши одређене прорачуне како би открила карактеристике или пословну интелигенцију у долазним подацима. Потребни су пондерисани улази и примењује се функција активације да би се добио коначни резултат. ТЛУ (тхресхолд логиц унит) је друго име за перцептрон.

Перцептрон је бинарни класификатор који је систем за учење под надзором који дели податке у две групе. Логиц Гатес као што су АНД, ОР и НАНД могу се имплементирати помоћу перцептрона.

2. Неурална мрежа са преусмеравањем

Најосновнија верзија неуронских мрежа, у којој улазни подаци теку искључиво у једном правцу, пролази кроз вештачке неуронске чворове и излази кроз излазне чворове. Улазни и излазни слојеви су присутни на местима где скривени слојеви могу или не морају бити присутни. На основу тога се могу окарактерисати као једнослојна или вишеслојна неуронска мрежа са напредовањем.

Број коришћених слојева одређен је сложеношћу функције. Проширује се само напред у једном правцу и не шири се уназад. Овде тежине остају константне. Уноси се множе са тежинама да би се нахранила функција активације. За то се користи класификациона активациона функција или функција корака активације.

3. Вишеслојни перцептрон

Увод у софистицирано неуронске мреже, у којој се улазни подаци рутирају преко многих слојева вештачких неурона. То је потпуно повезана неуронска мрежа, пошто је сваки чвор повезан са свим неуронима у следећем слоју. Више скривених слојева, тј. најмање три или више слојева, присутно је у улазним и излазним слојевима.

Поседује двосмерно ширење, што значи да може да се шири и напред и назад. Уноси се множе са тежинама и шаљу у функцију активације, где се мењају путем пропагације уназад да би се смањио губитак.

Тежине су машински научене вредности од неуронских мрежа, поједностављено речено. У зависности од диспаритета између очекиваних резултата и инпута обуке, они се сами прилагођавају. Софтмак се користи као функција активације излазног слоја након нелинеарних активационих функција.

4. Конволуциона неуронска мрежа

За разлику од традиционалног дводимензионалног низа, конволуциона неуронска мрежа има тродимензионалну конфигурацију неурона. Први слој је познат као конволуцијски слој. Сваки неурон у конволуционом слоју само обрађује информације из ограниченог дела видног поља. Попут филтера, улазне функције се узимају у групном режиму.

Мрежа разуме слике у деловима и може да изврши ове радње више пута да би завршила целокупну обраду слике.

Слика се конвертује из РГБ или ХСИ у сивило током обраде. Даље варијације у вредности пиксела ће помоћи у откривању ивица, а слике се могу сортирати у неколико група. Једносмерна пропагација се дешава када ЦНН садржи један или више конволуционих слојева након чега следи обједињавање, а двосмерно ширење се дешава када се излаз конволуционог слоја шаље потпуно повезаној неуронској мрежи ради класификације слике.

За издвајање одређених елемената слике користе се филтери. У МЛП-у, улази се пондеришу и доводе у функцију активације. РЕЛУ се користи у конволуцији, док МЛП користи функцију нелинеарне активације коју прати софтмак. У препознавању слике и видеа, семантичком рашчлањивању и детекцији парафразе, конволуционе неуронске мреже дају одличне резултате.

5. Радиал Биас Нетворк

Улазни вектор је праћен слојем РБФ неурона и излазним слојем са једним чвором за сваку категорију у мрежи радијалних основних функција. Улаз се класификује упоређивањем са тачкама података из скупа за обуку, где сваки неурон одржава прототип. Ово је један од примера сета за обуку.

Сваки неурон израчунава еуклидско растојање између улаза и његовог прототипа када се мора класификовати нови улазни вектор [н-димензионални вектор који покушавате да категоризујете]. Ако имамо две класе, класу А и класу Б, нови улаз који треба категоризовати је сличнији прототиповима класе А него прототиповима класе Б.

Као резултат тога, може бити означено или категорисано као класа А.

6. Рекурентна неуронска мрежа

Рекурентне неуронске мреже су дизајниране да сачувају излаз слоја, а затим га врате назад у улаз како би помогле у предвиђању исхода слоја. А феед-форвард неуронска мрежа је обично почетни слој, праћен слојем рекурентне неуронске мреже, где меморијска функција памти део информација које је имала у претходном временском кораку.

Овај сценарио користи ширење унапред. Чува податке који ће бити потребни у будућности. У случају да је предвиђање нетачно, стопа учења се користи за мања прилагођавања. Као резултат тога, како пропагација уназад напредује, биће све тачнија.

aplikacije

Неуронске мреже се користе за решавање проблема са подацима у различитим дисциплинама; неки примери су приказани у наставку.

1. Препознавање лица – Решења за препознавање лица служе као ефикасни системи за надзор. Системи за препознавање повезују дигиталне фотографије са људским лицима. Користе се у канцеларијама за селективни улазак. Дакле, системи верифицирају људско лице и упоређују га са листом ИД-ова који се чувају у његовој бази података.
2. Предвиђање акција – Улагања су изложена тржишним ризицима. Практично је тешко предвидети будућа кретања на изузетно нестабилном тржишту акција. Пре неуронских мрежа, константно смењиве биковске и медвеђе фазе биле су непредвидиве. Али, шта је све променило? Наравно, говоримо о неуронским мрежама... Вишеслојни перцептрон МЛП (врста система вештачке интелигенције унапред) се користи за креирање успешне прогнозе залиха у реалном времену.
3. Друштвени медији – Без обзира колико отрцано звучало, друштвени медији су променили свакодневни пут постојања. Понашање корисника друштвених медија проучава се коришћењем вештачких неуронских мрежа. За анализу конкуренције, подаци који се свакодневно достављају путем виртуелних интеракција се гомилају и испитују. Акције корисника друштвених медија реплицирају неуронске мреже. Понашање појединаца може се повезати са обрасцима потрошње људи када се подаци анализирају путем друштвених мрежа. Подаци из апликација друштвених медија се копају помоћу Мултилаиер Перцептрон АНН.
4. Здравство – Појединци у данашњем свету користе предности технологије у здравственој индустрији. У здравственом пословању, конволуционе неуронске мреже се користе за детекцију рендгенских зрака, ЦТ скенирање и ултразвук. Подаци о медицинском имиџингу добијени из горе наведених тестова се процењују и процењују коришћењем модела неуронске мреже, пошто се ЦНН користи у обради слике. У развоју система за препознавање гласа користи се и рекурентна неуронска мрежа (РНН).
5. Извештај о времену – Пре примене вештачке интелигенције, пројекције метеоролошког одељења никада нису биле прецизне. Временска прогноза се углавном ради ради предвиђања временских услова који ће се десити у будућности. Временска предвиђања се користе да би се предвидела вероватноћа природних катастрофа у модерном периоду. Прогноза времена се врши коришћењем вишеслојног перцептрона (МЛП), конволуционих неуронских мрежа (ЦНН) и рекурентних неуронских мрежа (РНН).
6. Одбрана – Логистика, анализа оружаног напада и локација предмета користе неуронске мреже. Такође су запослени у ваздушним и поморским патролама, као и за управљање аутономним дроновима. Вештачка интелигенција даје одбрамбеној индустрији неопходан подстицај који јој је потребан за повећање своје технологије. За откривање постојања подводних мина користе се конволуционе неуронске мреже (ЦНН).

Предности 

• Чак и ако неколико неурона у неуронској мрежи не функционише исправно, неуронске мреже ће и даље генерисати излазе.
• Неуронске мреже имају способност да уче у реалном времену и прилагођавају се променљивим подешавањима.
• Неуронске мреже могу научити да раде различите задатке. Да обезбеди тачан исход на основу датих података.
• Неуронске мреже имају снагу и способност да се баве неколико задатака истовремено.

Мане 

• Неуронске мреже се користе за решавање проблема. Не открива објашњење иза „зашто и како“ је донео пресуде које је донео због замршености мрежа. Као резултат тога, поверење у мрежу може бити нарушено. 
• Компоненте неуронске мреже су међусобно зависне једна од друге. То значи да неуронске мреже захтевају (или се изузетно ослањају на) рачунаре са довољном рачунарском снагом.
• Процес неуронске мреже нема специфично правило (или правило). У техници покушаја и грешке, исправна структура мреже се успоставља покушајем оптималне мреже. То је процедура која захтева много финог подешавања.

Zakljucak

Поље неуронске мреже се брзо шири. Од кључне је важности научити и разумети концепте у овом сектору да бисте могли да се носите са њима.

Многи типови неуронских мрежа су покривени у овом чланку. Можете користити неуронске мреже за решавање проблема са подацима у другим областима ако научите више о овој дисциплини.