טיש פון קאָנטענץ[באַהאַלטן][ווייַזן]
קינסטלעך ינטעלליגענסע (AI) איז געווען ערידזשנאַלי געדאַנק צו זיין אַ ווייַט חלום, אַ טעכנאָלאָגיע פֿאַר דער צוקונפֿט, אָבער דאָס איז ניט מער דער פאַל.
וואָס איז געווען אַמאָל אַ פאָרשונג טעמע איז איצט יקספּלאָודינג אין די פאַקטיש וועלט. אַי איז איצט געפֿונען אין אַ פאַרשיידנקייַט פון ערטער, אַרייַנגערעכנט דיין ווערקפּלייס, שולע, באַנקינג, האָספּיטאַלס און אפילו דיין טעלעפאָן.
זיי זענען די אויגן פון זיך-דרייווינג וועהיקלעס, די קולות פון Siri און Alexa, די מחשבות הינטער וועטער פאָרויסזאָגן, די הענט הינטער ראָובאַטיק אַססיסטעד כירורגיע, און מער.
קינסטלעך סייכל (AI) איז שיין אַ פּראָסט שטריך פון מאָדערן לעבן. אין די לעצטע עטלעכע יאָר, AI איז ימערדזשד ווי אַ הויפּט שפּילער אין אַ ברייט קייט פון IT טעקנאַלאַדזשיז.
צום סוף, די נעוראַל נעץ איז געניצט דורך אַי צו לערנען נייַע טינגז.
הייַנט מיר וועלן לערנען וועגן נעוראַל נעטוואָרקס, ווי עס אַרבעט, זייער טייפּס, אַפּלאַקיישאַנז און פיל מער.
וואָס איז נעוראַל נעטוואָרק?
In מאַשין וויסן, אַ נעוראַל נעץ איז אַ ווייכווארג פּראָוגראַמד נעץ פון קינסטלעך נוראַנז. עס פרוווט צו נאָכמאַכן דעם מענטש מאַרך דורך האָבן פילע לייַערס פון "נוראַנז," וואָס זענען ענלעך צו די נוראַנז אין אונדזער מאַרך.
דער ערשטער שיכטע פון נוראַנז וועט אָננעמען פאָטאָס, ווידעא, געזונט, טעקסט און אנדערע ינפּוץ. די דאַטן פלאָוז דורך אַלע די לעוועלס, מיט איין שיכטע ס רעזולטאַט פלאָוינג אין דער ווייַטער. דאָס איז קריטיש פֿאַר די מערסט שווער טאַסקס, אַזאַ ווי נאַטירלעך שפּראַך פּראַסעסינג פֿאַר מאַשין לערנען.
אָבער, אין אנדערע קאַסעס, עס איז בילכער פֿאַר קאַמפּרעשאַן פון די סיסטעם צו רעדוצירן די גרייס פון די מאָדעל און האַלטן די אַקיעראַסי און עפעקטיווקייַט. פּרונינג אַ נעוראַל נעץ איז אַ קאַמפּרעשאַן אופֿן וואָס כולל רימוווינג ווייץ פון אַ געלערנט מאָדעל. באַטראַכטן אַ קינסטלעך סייכל נעוראַל נעץ וואָס איז טריינד צו ויסטיילן מענטשן פון אַנימאַלס.
די בילד וועט זיין צעטיילט אין העל און טונקל טיילן דורך דער ערשטער שיכטע פון נוראַנז. די דאַטן וועט זיין דורכגעגאנגען אין די פאלגענדע שיכטע, וואָס וועט באַשליסן ווו די עדזשאַז זענען.
דער ווייַטער שיכטע וועט פּרובירן צו דערקענען די פארמען וואָס די קאָמבינאַציע פון די עדזשאַז האט דזשענערייטאַד. לויט די דאַטן עס איז געווען טריינד אויף, די דאַטן וועט פאָרן דורך פילע לייַערס אין אַ ענלעך שטייגער צו באַשליסן אויב די בילד איר דערלאנגט איז פון אַ מענטש אָדער אַ כייַע.
ווען דאַטן זענען געגעבן אין אַ נעוראַל נעץ, עס הייבט צו פּראָצעס עס. נאָך דעמאָלט, די דאַטן איז פּראַסעסט דורך זייַן לעוועלס צו באַקומען די געוואלט רעזולטאַט. א נעוראַל נעץ איז אַ מאַשין וואָס לערנט פון סטראַקטשערד אַרייַנשרייַב און דיספּלייז די רעזולטאַטן. עס זענען דריי טייפּס פון לערנען וואָס קענען פּאַסירן אין נעוראַל נעטוואָרקס:
- סופּערווייזד לערנען - ינפּוץ און אַוטפּוץ זענען געגעבן צו די אַלגערידאַמז ניצן לייבאַלד דאַטן. נאָך געלערנט ווי צו אַנאַלייז דאַטן, זיי פאָרויסזאָגן די בדעה רעזולטאַט.
- ונסופּערוויסעד לערנען - אַן ANN לערנט אָן די הילף פון אַ מענטש. עס איז קיין לייבאַלד דאַטן, און דער רעזולטאַט איז באַשלאָסן דורך פּאַטערנז געפֿונען אין די פּראָדוקציע דאַטן.
- ריינפאָרסמאַנט לערנען איז ווען אַ נעץ לערנט פון די באַמערקונגען עס נעמט.
ווי טאָן נעוראַל נעטוואָרקס אַרבעט?
קינסטלעך נוראַנז זענען געניצט אין נעוראַל נעטוואָרקס, וואָס זענען סאַפיסטאַקייטיד סיסטעמען. די קינסטלעך נוראַנז, אויך באקאנט ווי פּערסעפּטאָנס, זענען געמאכט פון די פאלגענדע קאַמפּאָונאַנץ:
- אַרייַנשרייַב
- וואָג
- פאָרורטייל
- אַקטאַוויישאַן פֿונקציע
- רעזולטאַט
די לייַערס פון נוראַנז וואָס מאַכן זיך נעוראַל נעטוואָרקס. א נעוראַל נעץ באשטייט פון דרייַ לייַערס:
- אַרייַנשרייַב שיכטע
- פאַרבאָרגן שיכטע
- רעזולטאַט שיכטע
דאַטן אין די פאָרעם פון אַ נומעריק ווערט איז געשיקט צו די אַרייַנשרייַב שיכטע. די פאַרבאָרגן לייַערס פון די נעץ זענען די וואָס טאָן די מערסט חשבונות. דער רעזולטאַט שיכטע, לעצטע אָבער ניט קלענסטער, פאָרקאַסץ די רעזולטאַט. נעוראָנס דאָמינירן איינער דעם אנדערן אין אַ נעוראַל נעץ. נעוראָנס זענען געניצט צו בויען יעדער שיכטע. דאַטן זענען ראַוטיד צו די פאַרבאָרגן שיכטע נאָך די אַרייַנשרייַב שיכטע געץ עס.
ווייץ זענען געווענדט צו יעדער אַרייַנשרייַב. ין די פאַרבאָרגן לייַערס פון אַ נעוראַל נעץ, די וואָג איז אַ ווערט וואָס טראַנסלייץ ינקאַמינג דאַטן. ווייץ פונקציאָנירן דורך מאַלטאַפּלייינג אַרייַנשרייַב דאַטן דורך די וואָג ווערט אין די אַרייַנשרייַב שיכטע.
עס דעמאָלט סטאַרץ דער ערשטער פאַרבאָרגן שיכטע ס ווערט. די אַרייַנשרייַב דאַטן איז פארוואנדלען און דורכגעגאנגען צו די אנדערע שיכטע דורך די פאַרבאָרגן לייַערס. דער רעזולטאַט שיכטע איז פאַראַנטוואָרטלעך פֿאַר דזשענערייטינג די לעצט רעזולטאַט. די ינפּוץ און ווייץ זענען געמערט, און דער רעזולטאַט איז איבערגעגעבן צו די פאַרבאָרגן שיכטע נוראַנז ווי אַ סאַכאַקל. יעדער נעוראָן איז געגעבן אַ פאָרורטייל. צו רעכענען די גאַנץ, יעדער נעוראָן מוסיף די ינפּוץ עס נעמט.
נאָך דעם, די ווערט פּאַסיז דורך די אַקטאַוויישאַן פונקציע. דער רעזולטאַט פון די אַקטאַוויישאַן פֿונקציע דיטערמאַנז צי אַ נעוראָן איז אַקטיווייטיד אָדער נישט. ווען אַ נעוראָן איז אַקטיוו, עס סענדז אינפֿאָרמאַציע צו די אנדערע לייַערס. די דאַטן זענען באשאפן אין די נעץ ביז די נעוראָן ריטשאַז די רעזולטאַט שיכטע מיט דעם אופֿן. פאָרויס פּראַפּאַגיישאַן איז אן אנדער טערמין פֿאַר דעם.
די טעכניק פון פידינג דאַטן אין אַ אַרייַנשרייַב נאָדע און באַקומען די רעזולטאַט דורך אַ רעזולטאַט נאָדע איז באקאנט ווי קאָרמען-פאָרויס פּראַפּאַגיישאַן. ווען די אַרייַנשרייַב דאַטן איז אנגענומען דורך די פאַרבאָרגן שיכטע, קאָרמען-פאָרויס פּראַפּאַגיישאַן אַקערז. עס איז פּראַסעסט לויט די אַקטאַוויישאַן פֿונקציע און דערנאָך דורכגעגאנגען צו דער רעזולטאַט.
דער רעזולטאַט איז פּראַדזשעקטאַד דורך די נעוראָן אין דער רעזולטאַט שיכטע מיט די העכסטן מאַשמאָעס. באַקפּראָפּאַגאַטיאָן אַקערז ווען דער רעזולטאַט איז פאַלש. ווייץ זענען יניטיאַלייזד צו יעדער אַרייַנשרייַב בשעת קריייטינג אַ נעוראַל נעץ. באַקפּראָפּאַגאַטיאָן איז דער פּראָצעס פון ריאַדזשאַסטינג די ווייץ פון יעדער אַרייַנשרייַב צו רעדוצירן מיסטייקס און צושטעלן אַ מער פּינטלעך רעזולטאַט.
טייפּס פון נעוראַל נעץ
1. פּערסעפּטראָן
די מינסקי-פּאַפּער פּערסעפּטרון מאָדעל איז איינער פון די סימפּלאַסט און אָולדאַסט נעוראָן מאָדעלס. עס איז דער קלענסטער אַפּאַראַט פון אַ נעוראַל נעץ וואָס פּערפאָרמז זיכער חשבונות צו אַנטדעקן קעראַקטעריסטיקס אָדער געשעפט סייכל אין ינקאַמינג דאַטן. עס נעמט ווייטיד ינפּוץ און אַפּלייז די אַקטאַוויישאַן פֿונקציע צו באַקומען די לעצט רעזולטאַט. TLU (שוועל לאָגיק אַפּאַראַט) איז אן אנדער נאָמען פֿאַר פּערסעפּטרון.
פּערסעפּטראָן איז אַ ביינערי קלאַסאַפייער וואָס איז אַ סופּערווייזד לערנען סיסטעם וואָס צעטיילט דאַטן אין צוויי גרופּעס. לאָגיק טויערן אַזאַ ווי AND, OR, און NAND קענען זיין ימפּלאַמענאַד מיט פּערסעפּטאָנס.
2. קאָרמען-פאָרווערד נעוראַל נעטוואָרק
די מערסט יקערדיק ווערסיע פון נעוראַל נעטוואָרקס, אין וואָס אַרייַנשרייַב דאַטן פלאָוז אויסשליסלעך אין איין ריכטונג, פּאַסיז דורך קינסטלעך נעוראַל נאָודז און אַרויסגאַנג דורך רעזולטאַט נאָודז. אַרייַנשרייַב און רעזולטאַט לייַערס זענען פאָרשטעלן אין ערטער ווו פאַרבאָרגן לייַערס קען אָדער קען נישט זיין פאָרשטעלן. זיי קענען זיין קעראַקטערייזד ווי אַ איין-לייערד אָדער מאַלטי-לייערד קאָרמען-פאָרויס נעוראַל נעץ באזירט אויף דעם.
די נומער פון לייַערס געניצט איז באשלאסן דורך די קאַמפּלעקסיטי פון די פֿונקציע. עס פּראַפּאַגייטיד בלויז פאָרויס אין איין ריכטונג און פּראַפּאַגייטיד נישט צוריק. דאָ, די ווייץ בלייַבן קעסיידערדיק. ינפּוץ זענען געמערט דורך ווייץ צו קאָרמען אַן אַקטאַוויישאַן פונקציע. א קלאַסאַפאַקיישאַן אַקטאַוויישאַן פונקציע אָדער אַ שריט אַקטאַוויישאַן פונקציע איז יוטאַלייזד צו טאָן דאָס.
3. מולטי-שיכטע פּערסעפּטרון
אַ הקדמה צו סאַפיסטאַקייטיד נעוראַל נעצן, אין וואָס אַרייַנשרייַב דאַטן איז ראַוטיד דורך פילע לייַערס פון קינסטלעך נוראַנז. עס איז אַ גאָר לינגקט נעוראַל נעץ, ווייַל יעדער נאָדע איז פארבונדן צו אַלע נוראַנז אין די פאלגענדע שיכטע. קייפל פאַרבאָרגן לייַערס, ד"ה, בייַ מינדסטער דרייַ אָדער מער לייַערס, זענען פאָרשטעלן אין די אַרייַנשרייַב און רעזולטאַט לייַערס.
עס פארמאגט ביידירעקטיאָנאַל פּראַפּאַגיישאַן, וואָס מיטל עס קענען פאַרשפּרייטן ביידע פאָרויס און צוריק. ינפּוץ זענען געמערט דורך ווייץ און געשיקט צו די אַקטאַוויישאַן פונקציע, ווו זיי זענען פארענדערט דורך באַקפּראָפּאַגאַטיאָן צו מינאַמייז די אָנווער.
ווייץ זענען מאַשין-געלערנט וואַלועס פון נעוראַל נעטוואָרקס, צו שטעלן עס פשוט. דעפּענדינג אויף די דיספּעראַטי צווישן דערוואַרט אַוטפּוץ און טריינינג ינפּוץ, זיי זיך-אַדזשאַסטיד. סאָפטמאַקס איז געניצט ווי אַ רעזולטאַט שיכטע אַקטאַוויישאַן פונקציע נאָך ניט-לינעאַר אַקטאַוויישאַן פאַנגקשאַנז.
4. קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרק
אין קאַנטראַסט צו די טראדיציאנעלן צוויי-דימענשאַנאַל מענגע, אַ קאַנוואַלושאַן נעוראַל נעץ האט אַ דריי-דימענשאַנאַל קאַנפיגיעריישאַן פון נוראַנז. דער ערשטער שיכטע איז באקאנט ווי אַ קאָנוואָלוטיאָנאַל שיכטע. יעדער נעוראָן אין די קאָנוואָלוטיאָנאַל שיכטע פּראַסעסאַז בלויז אינפֿאָרמאַציע פֿון אַ לימיטעד טייל פון די וויזשאַוואַל פעלד. ווי אַ פילטער, אַרייַנשרייַב פֿעיִקייטן זענען גענומען אין פּעקל מאָדע.
די נעץ פארשטייט בילדער אין סעקשאַנז און קענען דורכפירן די אַקשאַנז פילע מאָל צו ענדיקן די גאנצע בילד פּראַסעסינג.
די בילד איז קאָנווערטעד פון RGB אָדער HSI צו גרייסקאַלע בעשאַס פּראַסעסינג. ווייַטער ווערייישאַנז אין פּיקסעל ווערט וועט העלפן אין דיטעקטינג עדזשאַז, און בילדער קענען זיין אויסגעשטעלט אין עטלעכע גרופּעס. ונידירעקטיאָנאַל פּראַפּאַגיישאַן אַקערז ווען אַ CNN כּולל איינער אָדער מער קאַנוואַלושאַנאַל לייַערס נאכגעגאנגען דורך פּולינג, און ביידירעקטיאָנאַל פּראַפּאַגיישאַן אַקערז ווען די רעזולטאַט פון די קאַנוואַלושאַן שיכטע איז געשיקט צו אַ גאָר פארבונדן נעוראַל נעץ פֿאַר בילד קלאַסאַפאַקיישאַן.
צו עקסטראַקט זיכער עלעמענטן פון אַ בילד, פילטערס זענען יוטאַלייזד. אין MLP, די ינפּוץ זענען ווייטיד און סאַפּלייד אין די אַקטאַוויישאַן פונקציע. RELU איז געניצט אין קאַנוואַלושאַן, בשעת MLP ימפּלויז אַ ניט-לינעאַר אַקטאַוויישאַן פֿונקציע נאכגעגאנגען דורך סאָפטמאַקס. אין בילד און ווידעא דערקענונג, סעמאַנטיק פּאַרסינג און פּאַראַפראַז דיטעקשאַן, קאַנוואַלושאַנאַל נעוראַל נעטוואָרקס פּראָדוצירן ויסגעצייכנט רעזולטאַטן.
5. ראַדיאַל פאָרורטייל נעטוואָרק
אַ אַרייַנשרייַב וועקטאָר איז נאכגעגאנגען דורך אַ פּלאַסט פון RBF נוראַנז און אַ רעזולטאַט שיכטע מיט איין נאָדע פֿאַר יעדער קאַטעגאָריע אין אַ ראַדיאַל יקער פונקציע נעטוואָרק. דער אַרייַנשרייַב איז קלאַסאַפייד דורך קאַמפּערינג עס קעגן דאַטן ווייזט פון די טריינינג שטעלן, ווו יעדער נעוראָן האלט אַ פּראָוטאַטייפּ. דאָס איז איינער פון די ביישפילן פון די טריינינג שטעלן.
יעדער נעוראָן קאַלקיאַלייץ די אוקלידיאַן דיסטאַנסע צווישן די אַרייַנשרייַב און זיין פּראָוטאַטייפּ ווען אַ פריש אַרייַנשרייַב וועקטאָר [די n-דימענשאַנאַל וועקטאָר איר זענען טריינג צו קאַטאַגערייז] מוזן זיין קלאַסאַפייד. אויב מיר האָבן צוויי קלאסן, קלאַס א און קלאַס ב, די נייַע אַרייַנשרייַב צו זיין קאַטאַגערייזד איז מער ענלעך צו קלאַס א פּראָוטאַטייפּס ווי קלאַס ב פּראָוטאַטייפּס.
ווי אַ רעזולטאַט, עס קען זיין לייבאַלד אָדער קאַטאַגערייזד ווי קלאַס א.
6. ריקעראַנט נעוראַל נעטוואָרק
ריקעראַנט נעוראַל נעטוואָרקס זענען דיזיינד צו ראַטעווען די רעזולטאַט פון אַ שיכטע און דערנאָך קאָרמען עס אין די אַרייַנשרייַב צו אַרוישעלפן פאָרויסזאָגן די רעזולטאַט פון די שיכטע. א פיטער-פאָרויס נעוראַל נעץ איז יוזשאַוואַלי דער ערשט שיכטע, נאכגעגאנגען דורך אַ ריקעראַנט נעוראַל נעץ שיכטע, ווו אַ זכּרון פונקציע געדענקט טייל פון די אינפֿאָרמאַציע עס האט אין די פריערדיקע צייט שריט.
דעם סצענאַר ניצט פאָרויס פּראַפּאַגיישאַן. עס סאַוועס דאַטן וואָס וועט זיין דארף אין דער צוקונפֿט. אין די געשעעניש אַז די פּראָגנאָז איז פאַלש, די לערנען קורס איז געניצט צו מאַכן מינערווערטיק אַדזשאַסטמאַנץ. ווי אַ רעזולטאַט, ווי די באַקפּראָפּאַגיישאַן פּראָגרעסיז, עס וועט ווערן ינקריסינגלי פּינטלעך.
אַפּפּליקאַטיאָנס
נעוראַל נעטוואָרקס זענען געניצט צו שעפּן דאַטן פּראָבלעמס אין אַ פאַרשיידנקייַט פון דיסאַפּלאַנז; עטלעכע ביישפילן זענען געוויזן אונטן.
- פאַסיאַל דערקענונג - פאַסיאַל רעקאָגניטיאָן סאַלושאַנז דינען ווי עפעקטיוו סערוויילאַנס סיסטעמען. דערקענונג סיסטעמען פאַרבינדן דיגיטאַל פאָטאָס צו מענטש פנימער. זיי זענען געניצט אין אָפאַסיז פֿאַר סעלעקטיוו פּאָזיציע. אזוי, די סיסטעמען באַשטעטיקן אַ מענטש פּנים און פאַרגלייַכן עס צו אַ רשימה פון IDs סטאָרד אין זיין דאַטאַבייס.
- לאַגער פּראָגנאָז - ינוועסטמאַנץ זענען יקספּאָוזד צו מאַרק ריסקס. עס איז פּראַקטאַקלי שווער צו פאָרויסזאָגן צוקונפֿט דיוועלאַפּמאַנץ אין די גאָר וואַלאַטאַל לאַגער מאַרק. איידער נעוראַל נעטוואָרקס, די קעסיידערדיק שיפטינג בוליש און בעריש פייזאַז זענען אַנפּרידיקטאַבאַל. אָבער, וואָס אָלטערד אַלץ? דאָך, מיר רעדן וועגן נעוראַל נעטוואָרקס ... א מולטילייַער פּערסעפּטראָן MLP (אַ טיפּ פון פיעדפאָרווערד קינסטלעך סייכל סיסטעם) איז געניצט צו שאַפֿן אַ געראָטן לאַגער פאָרויסזאָגן אין פאַקטיש-צייט.
- סאציאל מעדיע - ראַגאַרדלאַס פון ווי קאָרני עס קען געזונט, געזעלשאַפטלעך מידיאַ האט פארענדערט די מאַנדיין וועג פון עקזיסטענץ. די נאַטור פון געזעלשאַפטלעך מידיאַ יוזערז איז געלערנט מיט קינסטלעך נעוראַל נעטוואָרקס. פֿאַר קאַמפּעטיטיוו אַנאַליסיס, דאַטן סאַפּלייד טעגלעך דורך ווירטואַל ינטעראַקשאַנז זענען פּיילד און יגזאַמאַנד. די אַקשאַנז פון געזעלשאַפטלעך מידיאַ יוזערז זענען רעפּליקייטיד דורך נעוראַל נעטוואָרקס. די ביכייוויערז פון מענטשן קענען זיין פארבונדן צו די ספּענדינג פּאַטערנז פון מענטשן אַמאָל דאַטן זענען אַנאַלייזד דורך געזעלשאַפטלעך מידיאַ נעטוואָרקס. דאַטן פֿון געזעלשאַפטלעך מידיאַ אַפּלאַקיישאַנז זענען מיינד מיט Multilayer Perceptron ANN.
- העאַלטהקאַרע - מענטשן אין הייַנט ס וועלט נוצן די בענעפיץ פון טעכנאָלאָגיע אין די כעלטקער אינדוסטריע. אין די כעלטקער געשעפט, קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרקס זענען געניצט פֿאַר X-Ray דיטעקשאַן, קאָרט סקאַנז און אַלטראַסאַונד. די מעדיציניש ימידזשינג דאַטן באקומען פון די אַפאָרמענשאַנד טעסץ זענען עוואַלואַטעד און אָפּשאַצן ניצן נעוראַל נעץ מאָדעלס, ווייַל CNN איז געניצט אין בילד פּראַסעסינג. אין דער אַנטוויקלונג פון קול דערקענונג סיסטעמען, די ריקעראַנט נעוראַל נעץ (RNN) איז אויך געניצט.
- וועטער באריכט - איידער די ימפּלאַמענטיישאַן פון קינסטלעך סייכל, די פּראַדזשעקשאַנז פון די מעטעאָראָלאָגיקאַל אָפּטיילונג זענען קיינמאָל גענוי. וועטער פאָרקאַסטינג איז לאַרגעלי געטאן צו פאָרויסזאָגן די וועטער טנאָים וואָס וועט פּאַסירן אין דער צוקונפֿט. וועטער פֿאָרויסזאָגן זענען געניצט צו אַנטיסאַפּייט די ליקעליהאָאָד פון נאַטירלעך דיזאַסטערז אין די מאָדערן צייט. וועטער פאָרויסזאָגן איז דורכגעקאָכט מיט מולטילייַער פּערסעפּטאָן (מלפּ), קאַנוואַלושאַנאַל נעוראַל נעטוואָרקס (CNN) און ריקעראַנט נעוראַל נעטוואָרקס (רנן).
- פאַרטיידיקונג - לאָגיסטיקס, אַרמד אַטאַקע אַנאַליסיס און אָרט אָרט אַלע ניצן נעוראַל נעטוואָרקס. זיי זענען אויך אָנגעשטעלט אין לופט און ים פּאַטראָולז, ווי געזונט ווי צו פירן אָטאַנאַמאַס דראָנעס. קינסטלעך סייכל גיט די פאַרטיידיקונג אינדוסטריע די פיל-נידז בוסט עס דאַרף צו פאַרגרעסערן זייַן טעכנאָלאָגיע. פֿאַר דיטעקטינג די עקזיסטענץ פון אַנדערוואָטער מינעס, קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרקס (CNN) זענען געניצט.
אַדוואַנטאַגעס
- אפילו אויב עטלעכע נוראַנז אין אַ נעוראַל נעץ פאַנגקשאַנינג רעכט, די נעוראַל נעטוואָרקס וועט נאָך דזשענערייט אַוטפּוץ.
- נעוראַל נעטוואָרקס האָבן די פיייקייט צו לערנען אין פאַקטיש צייט און אַדאַפּט זיך צו זייער טשאַנגינג סעטטינגס.
- נעוראַל נעטוואָרקס קענען לערנען צו טאָן אַ פאַרשיידנקייַט פון טאַסקס. צו צושטעלן די ריכטיק רעזולטאַט באזירט אויף די צוגעשטעלט דאַטן.
- נעוראַל נעטוואָרקס האָבן די שטאַרקייט און פיייקייט צו שעפּן עטלעכע טאַסקס אין דער זעלביקער צייט.
דיסאַדוואַנטידזשיז
- נעוראַל נעטוואָרקס זענען געניצט צו סאָלווע פּראָבלעמס. עס אַנטפּלעקט נישט די דערקלערונג הינטער "פארוואס און ווי" עס געמאכט די משפטים עס האט רעכט צו די ינטראַקאַטיטי פון די נעטוואָרקס. ווי אַ רעזולטאַט, נעץ צוטרוי קען זיין יראָודאַד.
- די קאַמפּאָונאַנץ פון אַ נעוראַל נעץ זענען ינטערדעפּענדענט איינער דעם אנדערן. דאָס איז צו זאָגן, נעוראַל נעטוואָרקס דאַרפן (אָדער זענען גאָר רילייאַנט אויף) קאָמפּיוטערס מיט גענוג קאַמפּיוטינג מאַכט.
- א נעוראַל נעץ פּראָצעס האט קיין ספּעציפיש הערשן (אָדער גראָבער פינגער הערשן). אין אַ פּראָצעס-און-טעות טעכניק, אַ ריכטיק נעץ סטרוקטור איז געגרינדעט דורך פּרווון די אָפּטימאַל נעץ. עס איז אַ פּראָצעדור וואָס ריקווייערז אַ פּלאַץ פון פיין-טונינג.
סאָף
די פעלד פון נוראַל נעטוואָרקס איז ראַפּאַדלי יקספּאַנדינג. עס איז קריטיש צו לערנען און באַגרייַפן די קאַנסעפּס אין דעם סעקטאָר צו קענען צו האַנדלען מיט זיי.
די פילע טייפּס פון נעוראַל נעטוואָרקס זענען באדעקט אין דעם אַרטיקל. איר קענען נוצן נעוראַל נעטוואָרקס צו מאַכנ דאַטן פּראָבלעמס אין אנדערע פעלדער אויב איר לערנען מער וועגן דעם דיסציפּלין.
לאָזן אַ ענטפֿערן