Ọlọgbọn Artificial (AI) ti ni iye pataki ti gbaye-gbale ni awọn ọdun aipẹ.
Ti o ba jẹ ẹlẹrọ sọfitiwia, onimọ-jinlẹ kọnputa, tabi alara imọ-jinlẹ data ni gbogbogbo, lẹhinna o ṣee ṣe ki o ni iyanilẹnu nipasẹ awọn ohun elo iyalẹnu ti sisẹ aworan, idanimọ apẹẹrẹ ati wiwa ohun ti aaye yii pese.
Ilẹ-ilẹ pataki julọ ti AI ti o ṣee ṣe ki o gbọ nipa rẹ ni Ikẹkọ Jin. Aaye yii fojusi awọn algoridimu ti o lagbara (awọn ilana eto kọnputa) ti a ṣe apẹrẹ lẹhin iṣẹ ṣiṣe ọpọlọ eniyan ti a mọ si Awọn Nẹtiwọki Awọn nkan.
Ninu nkan yii, a yoo lọ lori imọran ti Awọn Nẹtiwọọki Neural ati bii o ṣe le kọ, ṣajọ, baamu ati ṣe iṣiro awọn awoṣe wọnyi nipa lilo Python.
Awọn Nẹtiwọki Awọn nkan
Awọn Nẹtiwọọki Neural, tabi NNs, jẹ lẹsẹsẹ awọn algoridimu ti a ṣe apẹrẹ lẹhin iṣẹ ṣiṣe ti ẹda ti ọpọlọ eniyan. Awọn Nẹtiwọọki Neural ni awọn apa, ti a tun pe ni awọn neuronu.
Akopọ ti awọn apa inaro ni a mọ bi awọn fẹlẹfẹlẹ. Awoṣe naa ni titẹ sii kan, iṣelọpọ kan, ati nọmba awọn fẹlẹfẹlẹ ti o farapamọ. Layer kọọkan ni awọn apa, ti a tun pe ni neurons, nibiti awọn iṣiro ti waye.
Ninu aworan atọka ti o tẹle, awọn iyika ṣe aṣoju awọn apa ati akojọpọ inaro ti awọn apa duro fun awọn ipele. Awọn ipele mẹta wa ninu awoṣe yii.
Awọn apa ti Layer kan ti sopọ si ipele atẹle nipasẹ awọn laini gbigbe bi a ti rii ni isalẹ.
Iṣeduro data wa ni data ti o ni aami. Eyi tumọ si pe nkan ti data kọọkan ti jẹ ipin iye orukọ kan.
Nitorinaa fun iwe data isọri ẹranko a yoo ni awọn aworan ti awọn ologbo ati awọn aja bi data wa, pẹlu 'ologbo' ati 'aja' gẹgẹbi awọn aami wa.
O ṣe pataki lati ṣe akiyesi pe awọn aami nilo lati yipada si awọn iye nọmba fun awoṣe wa lati ni oye wọn, nitorinaa awọn aami ẹranko wa di '0' fun ologbo ati '1' fun aja. Mejeeji data ati awọn akole ti kọja nipasẹ awoṣe.
eko
Data jẹ ifunni si awoṣe kan nkankan ni akoko kan. Yi data ti wa ni dà si isalẹ sinu chunks ati ki o koja nipasẹ kọọkan ipade ti awọn awoṣe. Awọn apa ṣe awọn iṣẹ ṣiṣe mathematiki lori awọn chunks wọnyi.
O ko nilo lati mọ awọn iṣẹ mathematiki tabi awọn iṣiro fun ikẹkọ yii, ṣugbọn o ṣe pataki lati ni imọran gbogbogbo ti bii awọn awoṣe wọnyi ṣe n ṣiṣẹ. Lẹhin lẹsẹsẹ awọn iṣiro ni ipele kan, data ti kọja si ipele ti o tẹle ati bẹbẹ lọ.
Ni kete ti o ti pari, awoṣe wa sọ asọtẹlẹ aami data ni ipele iṣelọpọ (fun apẹẹrẹ, ninu iṣoro isọdi ẹranko a gba asọtẹlẹ '0' fun ologbo kan).
Awoṣe lẹhinna tẹsiwaju lati ṣe afiwe iye asọtẹlẹ yii pẹlu ti iye aami gangan.
Ti awọn iye ba baamu, awoṣe wa yoo gba titẹ sii atẹle ṣugbọn ti awọn iye ba yatọ si awoṣe yoo ṣe iṣiro iyatọ laarin awọn iye mejeeji, ti a pe ni pipadanu, ati ṣatunṣe awọn iṣiro oju ipade lati gbe awọn aami ibaamu ni igba miiran.
Awọn Ilana Ẹkọ Jin
Lati kọ Awọn nẹtiwọki Neural ni koodu, a nilo lati gbe wọle Jin Learning ilana mọ bi awọn ile-ikawe nipa lilo Ayika Idagbasoke Integrated (IDE).
Awọn ilana wọnyi jẹ akojọpọ awọn iṣẹ ti a ti kọ tẹlẹ ti yoo ṣe iranlọwọ fun wa ninu ikẹkọ yii. A yoo lo ilana Keras lati kọ awoṣe wa.
Keras jẹ ile-ikawe Python ti o lo ẹkọ ti o jinlẹ ati ẹhin itetisi atọwọda ti a pe sisan tensor lati ṣẹda NNs ni awọn fọọmu ti o rọrun lesese si dede pẹlu Ease.
Keras tun wa pẹlu awọn awoṣe ti tẹlẹ ti ara rẹ ti o le ṣee lo daradara. Fun ikẹkọ yii, a yoo ṣẹda awoṣe tiwa nipa lilo Keras.
O le kọ ẹkọ diẹ sii nipa ilana Ẹkọ Jin lati ọdọ Keras aaye ayelujara.
Ṣiṣe Nẹtiwọọki Neural kan (Itọnisọna)
Jẹ ki a tẹsiwaju si kikọ Nẹtiwọọki Neural nipa lilo Python.
Gbólóhùn Iṣoro
Awọn nẹtiwọki Neural jẹ iru ojutu si awọn iṣoro orisun AI. Fun ikẹkọ yii a yoo lọ lori Data Diabetes Pima India, eyiti o wa Nibi.
ICU Ẹkọ ẹrọ ti ṣe akopọ data yii ati pe o ni igbasilẹ iṣoogun ti awọn alaisan India. Awoṣe wa ni lati ṣe asọtẹlẹ boya alaisan naa ni ibẹrẹ ti àtọgbẹ laarin ọdun 5 tabi rara.
Ikojọpọ Dataset
Iṣeto data wa jẹ faili CSV kan ṣoṣo ti a pe ni 'diabetes.csv' ti o le ni irọrun ni afọwọyi nipa lilo Microsoft Excel.
Ṣaaju ki o to ṣẹda awoṣe wa, a nilo lati gbejade data data wa. Lilo koodu atẹle o le ṣe eyi:
gbe wọle pandas bi pd
data = pd.read_csv ('diabetes.csv')
x = data.drop ("Ibajade")
y = data["Ibajade"]
Nibi a nlo pandas ile-ikawe lati ni anfani lati ṣe afọwọyi data faili CSV wa, read_csv() jẹ iṣẹ-itumọ ti Pandas ti o gba wa laaye lati tọju awọn iye ninu faili wa si oniyipada kan ti a pe ni 'data'.
Oniyipada x ni ipilẹ data wa laisi abajade (awọn aami) data. A ṣe aṣeyọri eyi pẹlu iṣẹ data.drop () ti o yọ awọn aami kuro fun x, lakoko ti y ni abajade (aami) nikan ni data.
Ilé lesese awoṣe
Igbesẹ 1: Gbigbe Awọn ile-ikawe wọle
Ni akọkọ, a nilo lati gbe TensorFlow ati Keras wọle, pẹlu awọn paramita kan ti o nilo fun awoṣe wa. Awọn koodu atẹle gba wa laaye lati ṣe eyi:
agbewọle tensorflow bi tf
lati tensorflow gbe wọle keras
lati tensorflow.keras.models gbe wọle Sequential
lati tensorflow.keras.layers gbe wọle si ibere ise, ipon
lati tensorflow.keras.optimizers gbe wọle Adam
lati tensorflow.keras.metrics gbe wọle categorical_crossentropy
Fun awoṣe wa a n gbe awọn ipele ipon wọle. Awọn wọnyi ni awọn ipele ti a ti sopọ ni kikun; ie, ipade kọọkan ninu Layer ti ni asopọ ni kikun pẹlu ipade miiran ni ipele ti o tẹle.
A tun n ko nkan wọle ti fi si ibere iṣẹ nilo fun data igbelosoke ranṣẹ si awọn apa. Awọn olupilẹṣẹ tun ti gbe wọle lati dinku isonu.
Adam jẹ olupilẹṣẹ olokiki ti o jẹ ki awọn iṣiro oju ipade imudojuiwọn awoṣe wa daradara siwaju sii, pẹlu categorical_crossentropy ti o jẹ iru iṣẹ isonu (ṣe iṣiro iyatọ laarin awọn iye aami gangan ati asọtẹlẹ) ti a yoo lo.
Igbesẹ 2: Ṣiṣe Apẹrẹ Wa
Awoṣe ti Mo n ṣẹda ni titẹ sii kan (pẹlu awọn ẹya 16), ọkan ti o farapamọ (pẹlu awọn ẹya 32) ati ipele kan (pẹlu awọn ẹya 2). Awọn nọmba wọnyi ko ṣe atunṣe ati pe yoo dale patapata lori iṣoro ti a fun.
Ṣiṣeto nọmba ti o tọ ti awọn iwọn ati awọn fẹlẹfẹlẹ jẹ ilana ti o le ni ilọsiwaju nipasẹ iṣe. Muu ṣiṣẹ ni ibamu si iru igbelowọn ti a yoo ṣe lori data wa ṣaaju gbigbe nipasẹ ipade kan.
Relu ati Softmax jẹ awọn iṣẹ imuṣiṣẹ olokiki fun iṣẹ ṣiṣe yii.
awoṣe = leralera ([
Ipon (awọn ẹya = 16, input_shape = (1,), imuṣiṣẹ = 'relu'),
Ipon (awọn ẹya = 32, imuṣiṣẹ = 'relu'),
Ipon (awọn ẹya = 2, imuṣiṣẹ = 'softmax')
])
Eyi ni akopọ ti awoṣe yẹ ki o dabi:
Ikẹkọ Awoṣe
Awoṣe wa yoo jẹ ikẹkọ ni awọn igbesẹ meji, akọkọ jẹ kikojọ awoṣe (fifi awoṣe papọ) ati atẹle ni ibamu pẹlu awoṣe lori ipilẹ data ti a fun.
Eyi le ṣee ṣe nipa lilo iṣẹ awoṣe.compile () atẹle nipa iṣẹ model.fit ().
model.compile(optimizer = Adam(oṣuwọn_ẹkọ = 0.0001), pipadanu = 'binary_crossentropy', metrics = ['ipe'])
model.fit (x, y, epochs = 30, batch_size = 10)
Ṣiṣafihan metiriki 'ipeye' gba wa laaye lati ṣe akiyesi deede ti awoṣe wa lakoko ikẹkọ.
Niwọn igba ti awọn aami wa wa ni irisi 1's ati 0's, a yoo lo iṣẹ ipadanu alakomeji lati ṣe iṣiro iyatọ laarin awọn aami gangan ati asọtẹlẹ.
A tun pin data naa si awọn ipele ti 10 (batch_size) ati pe yoo kọja nipasẹ awoṣe ni igba 30 (awọn akoko akoko). Fun ipilẹ data ti a fun, x yoo jẹ data ati y yoo jẹ awọn aami ti o baamu si data naa.
Awoṣe Idanwo Lilo Awọn asọtẹlẹ
Lati ṣe iṣiro awoṣe wa, a ṣe awọn asọtẹlẹ lori data idanwo nipa lilo iṣẹ asọtẹlẹ ().
asọtẹlẹ = model.predict(x)
Ati pe iyẹn!
O yẹ ki o bayi ni kan ti o dara oye ti awọn Jin ẹkọ ohun elo, Awọn Nẹtiwọọki Neural, bii wọn ṣe n ṣiṣẹ ni gbogbogbo ati bii o ṣe le kọ, ikẹkọ ati idanwo awoṣe ni koodu Python.
Mo nireti pe ikẹkọ yii fun ọ ni kickstart lati ṣẹda ati mu awọn awoṣe Ẹkọ Jin ti tirẹ lọ.
Jẹ ki a mọ ninu awọn asọye ti nkan naa ba wulo.
Fi a Reply