Orodha ya Yaliyomo[Ficha][Onyesha]
Artificial Intelligence (AI) awali ilifikiriwa kuwa ndoto ya mbali, teknolojia ya siku zijazo, lakini sivyo ilivyo tena.
Kile ambacho zamani kilikuwa mada ya utafiti sasa kinalipuka katika ulimwengu wa kweli. AI sasa inapatikana katika maeneo mbalimbali, ikiwa ni pamoja na mahali pa kazi, shuleni, benki, hospitali, na hata simu yako.
Ni macho ya magari yanayojiendesha yenyewe, sauti za Siri na Alexa, akili nyuma ya utabiri wa hali ya hewa, mikono nyuma ya upasuaji wa kusaidiwa na roboti, na zaidi.
Akili ya bandia (AI) inakuwa kipengele cha kawaida cha maisha ya kisasa. Katika miaka kadhaa iliyopita, AI imeibuka kama mchezaji mkuu katika anuwai ya teknolojia za IT.
Hatimaye, mtandao wa neva hutumiwa na AI kujifunza mambo mapya.
Kwa hivyo leo tutajifunza kuhusu Mitandao ya Neural, jinsi inavyofanya kazi, aina zao, programu, na mengi zaidi.
Mtandao wa Neural ni nini?
In mashine kujifunza, mtandao wa neva ni mtandao uliopangwa na programu wa niuroni bandia. Inajaribu kuiga ubongo wa binadamu kwa kuwa na tabaka nyingi za "nyuroni," ambazo ni sawa na niuroni katika ubongo wetu.
Safu ya kwanza ya niuroni itakubali picha, video, sauti, maandishi na viingizo vingine. Data hii inapita katika viwango vyote, na matokeo ya safu moja inapita kwenye inayofuata. Hii ni muhimu kwa kazi ngumu zaidi, kama vile kuchakata lugha asilia kwa ajili ya kujifunza kwa mashine.
Hata hivyo, katika hali nyingine, kulenga ukandamizaji wa mfumo ili kupunguza ukubwa wa mfano wakati wa kudumisha usahihi na ufanisi ni vyema. Kupogoa kwa mtandao wa neva ni njia ya ukandamizaji inayojumuisha kuondoa uzani kutoka kwa muundo uliojifunza. Fikiria mtandao wa neva wa akili bandia ambao umefunzwa kutofautisha watu na wanyama.
Picha itagawanywa katika sehemu mkali na giza na safu ya kwanza ya neurons. Data hii itapitishwa kwenye safu ifuatayo, ambayo itaamua wapi kingo ziko.
Safu inayofuata itajaribu kutambua fomu ambazo mchanganyiko wa kingo umetoa. Kulingana na data ambayo ilifunzwa, data itapitia tabaka nyingi kwa njia sawa ili kubaini ikiwa picha uliyowasilisha ni ya mwanadamu au mnyama.
Data inapotolewa kwenye mtandao wa neva, huanza kuichakata. Baada ya hapo, data inachakatwa kupitia viwango vyake ili kupata matokeo yanayohitajika. Mtandao wa neva ni mashine inayojifunza kutoka kwa uingizaji uliopangwa na kuonyesha matokeo. Kuna aina tatu za kujifunza ambazo zinaweza kufanyika katika mitandao ya neva:
- Mafunzo Yanayosimamiwa - Michango na matokeo hutolewa kwa algoriti kwa kutumia data iliyo na lebo. Baada ya kufundishwa jinsi ya kuchambua data, wanatabiri matokeo yaliyokusudiwa.
- Kujifunza Bila Kusimamiwa - ANN hujifunza bila usaidizi wa mwanadamu. Hakuna data iliyo na lebo, na matokeo huamuliwa na muundo unaopatikana katika data ya pato.
- Kuimarisha Kujifunza ni wakati mtandao unajifunza kutokana na maoni inayopokea.
Mitandao ya Neural inafanyaje kazi?
Neuroni za bandia hutumiwa katika mitandao ya neva, ambayo ni mifumo ya kisasa. Neuroni bandia, pia inajulikana kama perceptrons, imeundwa na vipengele vifuatavyo:
- Pembejeo
- uzito
- Upendeleo
- Kazi ya Uamilisho
- pato
Tabaka za niuroni zinazounda mitandao ya neva. Mtandao wa neva una tabaka tatu:
- Safu ya uingizaji
- Safu iliyofichwa
- Safu ya pato
Data katika mfumo wa thamani ya nambari inatumwa kwenye safu ya uingizaji. Tabaka zilizofichwa za mtandao ndizo zinazofanya mahesabu zaidi. Safu ya pato, mwisho lakini sio uchache, inatabiri matokeo. Neuroni hutawalana katika mtandao wa neva. Neurons hutumiwa kuunda kila safu. Data inaelekezwa kwa safu iliyofichwa baada ya safu ya ingizo kuipata.
Uzito hutumiwa kwa kila pembejeo. Ndani ya tabaka zilizofichwa za mtandao wa neva, uzani ni thamani inayotafsiri data inayoingia. Uzito hufanya kazi kwa kuzidisha data ya kuingiza kwa thamani ya uzito katika safu ya ingizo.
Kisha huanza thamani ya safu ya kwanza iliyofichwa. Data ya pembejeo inabadilishwa na kupitishwa kwa safu nyingine kupitia tabaka zilizofichwa. Safu ya pato inawajibika kwa kutoa matokeo ya mwisho. Ingizo na uzani huzidishwa, na matokeo huwasilishwa kwa niuroni za safu iliyofichwa kama jumla. Kila neuroni inapewa upendeleo. Ili kuhesabu jumla, kila neuroni huongeza pembejeo inazopokea.
Baada ya hapo, thamani hupita kupitia kitendakazi cha kuwezesha. Matokeo ya utendakazi wa kuwezesha huamua ikiwa niuroni imewashwa au la. Wakati neuroni inafanya kazi, hutuma habari kwa tabaka zingine. Data huundwa katika mtandao hadi neuroni kufikia safu ya pato kwa kutumia njia hii. Uenezi wa mbele ni neno lingine kwa hili.
Mbinu ya kulisha data kwenye nodi ya ingizo na kupata pato kupitia nodi ya pato inajulikana kama uenezi wa kusambaza mbele. Wakati data ya pembejeo inakubaliwa na safu iliyofichwa, uenezi wa kulisha-mbele hutokea. Inasindika kulingana na kazi ya uanzishaji na kisha kupitishwa kwa pato.
Matokeo yanakadiriwa na niuroni katika safu ya pato kwa uwezekano mkubwa zaidi. Uenezaji wa nyuma hutokea wakati pato si sahihi. Uzito huanzishwa kwa kila ingizo wakati wa kuunda mtandao wa neva. Uenezaji nyuma ni mchakato wa kurekebisha uzani wa kila pembejeo ili kupunguza makosa na kutoa matokeo sahihi zaidi.
Aina za Mtandao wa Neural
1. Perceptron
Mfano wa Minsky-Papert perceptron ni mojawapo ya mifano rahisi na ya zamani zaidi ya neuron. Ni kitengo kidogo zaidi cha mtandao wa neva ambacho hufanya hesabu fulani ili kugundua sifa au akili ya biashara katika data inayoingia. Inachukua pembejeo zilizopimwa na kutumia kitendakazi cha kuwezesha kupata matokeo ya mwisho. TLU (kitengo cha mantiki ya kizingiti) ni jina lingine la perceptron.
Perceptron ni kiainishi cha binary ambacho ni mfumo wa kujifunza unaosimamiwa ambao hugawanya data katika vikundi viwili. Milango ya Mantiki kama vile AND, AU, na NAND inaweza kutekelezwa kwa utambuzi.
2. Mtandao wa Neural wa Mlisho-Mbele
Toleo la msingi zaidi la mitandao ya neva, ambapo data ya ingizo hutiririka katika mwelekeo mmoja pekee, hupitia nodi za neva bandia na kutoka kupitia nodi za kutoa. Safu za ingizo na pato zipo mahali ambapo safu zilizofichwa zinaweza kuwepo au zisiwepo. Zinaweza kubainishwa kama mtandao wa neva wenye safu moja au wa safu nyingi za neural kulingana na hili.
Idadi ya tabaka zinazotumiwa imedhamiriwa na uchangamano wa kitendakazi. Inaeneza tu mbele kwa mwelekeo mmoja na haienezi nyuma. Hapa, uzito unabaki thabiti. Ingizo huzidishwa kwa uzani ili kulisha kipengele cha kuwezesha. Kitendakazi cha kuwezesha uainishaji au kitendakazi cha kuwezesha hatua kinatumika kufanya hivi.
3. Perceptron ya safu nyingi
Utangulizi wa kisasa nyavu za neva, ambapo data ya ingizo hupitishwa kupitia safu nyingi za niuroni bandia. Ni mtandao wa neva uliounganishwa kabisa, kwani kila nodi imeunganishwa na niuroni zote kwenye safu ifuatayo. Tabaka nyingi zilizofichwa, yaani, angalau tabaka tatu au zaidi, zipo katika safu za pembejeo na pato.
Ina uenezi wa njia mbili, ambayo inamaanisha inaweza kueneza mbele na nyuma. Ingizo huzidishwa kwa uzani na kutumwa kwa chaguo za kuwezesha, ambapo hubadilishwa kupitia uenezaji wa nyuma ili kupunguza hasara.
Uzito ni maadili yaliyofunzwa na mashine kutoka kwa Mitandao ya Neural, ili kuiweka kwa urahisi. Kulingana na tofauti kati ya matokeo yanayotarajiwa na pembejeo za mafunzo, wanajirekebisha. Softmax inatumika kama chaguo za kuwezesha safu ya pato baada ya vitendaji vya kuwezesha visivyo na mstari.
4. Mtandao wa Neural Convolutional
Kinyume na safu ya kimapokeo ya pande mbili, mtandao wa neva wa mageuzi una usanidi wa nyuro tatu-dimensional. Safu ya kwanza inajulikana kama safu ya ubadilishaji. Kila neuroni katika safu ya ubadilishaji huchakata tu taarifa kutoka kwa sehemu ndogo ya uga wa kuona. Kama kichujio, vipengele vya kuingiza huchukuliwa katika hali ya kundi.
Mtandao unaelewa picha katika sehemu na unaweza kufanya vitendo hivi mara kadhaa ili kumaliza uchakataji mzima wa picha.
Picha inabadilishwa kutoka RGB au HSI hadi greyscale wakati wa kuchakata. Tofauti zaidi za thamani ya pikseli zitasaidia katika kugundua kingo, na picha zinaweza kupangwa katika vikundi kadhaa. Uenezi wa unidirectional hutokea wakati CNN ina safu moja au zaidi za kushawishi ikifuatwa na kuunganishwa, na uenezi wa pande mbili hutokea wakati matokeo ya safu ya ubadilishaji yanatumwa kwa mtandao wa neva uliounganishwa kikamilifu kwa uainishaji wa picha.
Ili kutoa vipengele fulani vya picha, vichujio hutumiwa. Katika MLP, pembejeo hupimwa na hutolewa kwenye kitendakazi cha kuwezesha. RELU inatumika katika ubadilishaji, ilhali MLP hutumia kitendakazi cha kuwezesha kisicho na mstari na kufuatiwa na softmax. Katika utambuzi wa picha na video, uchanganuzi wa kisemantiki, na ugunduzi wa vifungu vya maneno, mitandao ya neural ya ushawishi hutoa matokeo bora.
5. Mtandao wa Upendeleo wa Radi
Vekta ya ingizo hufuatwa na safu ya niuroni za RBF na safu ya pato yenye nodi moja kwa kila kitengo katika Mtandao wa Utendakazi wa Msingi wa Radi. Ingizo huainishwa kwa kulinganisha na pointi za data kutoka seti ya mafunzo, ambapo kila neuroni hudumisha mfano. Hii ni moja ya mifano ya seti ya mafunzo.
Kila neuroni hukokotoa umbali wa Euclidean kati ya ingizo na mfano wake wakati vekta mpya ya ingizo [vekta ya n-dimensional unayojaribu kuainisha] lazima iainishwe. Ikiwa tuna madarasa mawili, Daraja A na Daraja B, ingizo jipya litakaloainishwa linafanana zaidi na mifano ya darasa A kuliko mifano ya darasa B.
Kama matokeo, inaweza kuwekewa lebo au kuainishwa kama darasa A.
6. Mtandao wa Neural wa Kawaida
Mitandao ya Neural ya Kawaida imeundwa ili kuhifadhi matokeo ya safu na kisha kuirejesha kwenye ingizo ili kusaidia kutabiri matokeo ya safu. Msambazaji wa kulisha neural mtandao kwa kawaida ni safu ya awali, ikifuatiwa na safu ya mtandao ya neural inayojirudia, ambapo utendaji wa kumbukumbu hukumbuka sehemu ya maelezo iliyokuwa nayo katika hatua ya awali ya wakati.
Hali hii hutumia uenezi wa mbele. Inahifadhi data ambayo itahitajika katika siku zijazo. Katika tukio ambalo utabiri sio sahihi, kiwango cha kujifunza kinatumika kufanya marekebisho madogo. Kama matokeo, uenezaji wa nyuma unavyoendelea, utazidi kuwa sahihi.
matumizi
Mitandao ya neva hutumiwa kushughulikia matatizo ya data katika taaluma mbalimbali; baadhi ya mifano imeonyeshwa hapa chini.
- Utambuzi wa Usoni - Suluhu za Utambuzi wa Usoni hutumika kama mifumo bora ya ufuatiliaji. Mifumo ya utambuzi inahusisha picha za kidijitali na nyuso za binadamu. Zinatumika katika ofisi kwa kiingilio cha kuchagua. Kwa hivyo, mifumo huthibitisha sura ya binadamu na kuilinganisha na orodha ya vitambulisho vilivyohifadhiwa katika hifadhidata yake.
- Utabiri wa Hisa - Uwekezaji unakabiliwa na hatari za soko. Ni vigumu kutabiri maendeleo ya siku za usoni katika soko la hisa lenye hali tete sana. Kabla ya mitandao ya neva, awamu za kukuza na kushuka kila mara hazikutabirika. Lakini, ni nini kilibadilisha kila kitu? Bila shaka, tunazungumza kuhusu mitandao ya neva… Multilayer Perceptron MLP (aina ya mfumo wa kijasusi bandia wa feedforward) hutumiwa kuunda utabiri wa hisa uliofanikiwa katika muda halisi.
- Mtandao wa kijamii - Bila kujali jinsi inaweza kuonekana kuwa mbaya, mitandao ya kijamii imebadilisha njia ya kawaida ya kuwepo. Tabia ya watumiaji wa mitandao ya kijamii inachunguzwa kwa kutumia Mitandao Bandia ya Neural. Kwa uchanganuzi wa kiushindani, data inayotolewa kila siku kupitia mwingiliano pepe hutundikwa na kuchunguzwa. Matendo ya watumiaji wa mitandao ya kijamii yanaigwa na mitandao ya neva. Tabia za watu binafsi zinaweza kuunganishwa na mifumo ya matumizi ya watu mara tu data inapochanganuliwa kupitia mitandao ya kijamii. Data kutoka kwa programu za mitandao ya kijamii inachimbwa kwa kutumia Multilayer Perceptron ANN.
- Huduma ya Afya - Watu binafsi katika ulimwengu wa leo wanatumia manufaa ya teknolojia katika sekta ya afya. Katika biashara ya huduma ya afya, Mitandao ya Neural Convolutional hutumiwa kugundua X-ray, CT scans na ultrasound. Data ya upigaji picha wa kimatibabu iliyopokelewa kutoka kwa majaribio yaliyotajwa hapo juu hutathminiwa na kutathminiwa kwa kutumia miundo ya mtandao wa neva, kwani CNN hutumika katika kuchakata picha. Katika maendeleo ya mifumo ya utambuzi wa sauti, mtandao wa kawaida wa neva (RNN) pia hutumiwa.
- Ripoti ya Hali ya Hewa - Kabla ya utekelezaji wa akili bandia, makadirio ya idara ya hali ya hewa hayakuwa sahihi kamwe. Utabiri wa hali ya hewa unafanywa kwa kiasi kikubwa ili kutabiri hali ya hewa ambayo itatokea katika siku zijazo. Utabiri wa hali ya hewa unatumiwa kutazamia uwezekano wa majanga ya asili katika kipindi cha kisasa. Utabiri wa hali ya hewa unafanywa kwa kutumia mifumo mingi ya utabiri wa hali ya hewa (MLP), mitandao ya neva inayobadilika (CNN), na mitandao ya neva inayojirudia (RNN).
- Ulinzi - Vifaa, uchanganuzi wa shambulio la silaha, na eneo la bidhaa zote huajiri mitandao ya neva. Pia wameajiriwa katika doria za anga na baharini, na vile vile kusimamia ndege zisizo na rubani. Ujuzi wa Bandia unaipa tasnia ya ulinzi nyongeza inayohitajika ili kuongeza teknolojia yake. Ili kugundua uwepo wa migodi ya chini ya maji, Mitandao ya Neural ya Convolutional (CNN) hutumiwa.
faida
- Hata kama niuroni chache katika mtandao wa neva hazifanyi kazi ipasavyo, mitandao ya neva bado itatoa matokeo.
- Mitandao ya Neural ina uwezo wa kujifunza katika muda halisi na kukabiliana na mabadiliko ya mipangilio yao.
- Mitandao ya neva inaweza kujifunza kufanya kazi mbalimbali. Ili kutoa matokeo sahihi kulingana na data iliyotolewa.
- Mitandao ya neva ina nguvu na uwezo wa kushughulikia kazi kadhaa kwa wakati mmoja.
Hasara
- Mitandao ya neva hutumiwa kutatua matatizo. Haitoi maelezo nyuma ya "kwa nini na jinsi" ilitoa hukumu iliyofanya kutokana na ugumu wa mitandao. Kwa hivyo, uaminifu wa mtandao unaweza kupotea.
- Vipengee vya mtandao wa neural vinategemeana. Hiyo ni kusema, mitandao ya neural inahitaji (au inategemea sana) kompyuta zilizo na nguvu ya kutosha ya kompyuta.
- Mchakato wa mtandao wa neva hauna kanuni maalum (au kanuni ya kidole gumba). Katika mbinu ya majaribio na makosa, muundo sahihi wa mtandao unaanzishwa kwa kujaribu mtandao bora. Ni utaratibu unaohitaji marekebisho mengi.
Hitimisho
Shamba la mitandao ya neural inapanuka kwa kasi. Ni muhimu kujifunza na kuelewa dhana katika sekta hii ili kuweza kukabiliana nazo.
Aina nyingi za mitandao ya neva zimefunikwa katika makala hii. Unaweza kutumia mitandao ya neural kushughulikia matatizo ya data katika nyanja zingine ikiwa utajifunza zaidi kuhusu nidhamu hii.
Acha Reply