Mi az a neurális hálózat? Bevezetés a mesterséges ideghálózatokba

Ez a neurális hálózatokról szóló blog megismerteti Önt a neurális hálózatok alapfogalmaival, és azzal, hogy miként tudják megoldani az összetett, adatvezérelt problémákat.

A gépi tanulás fejlődésével nagy utat tett meg. A mély tanulást a legfejlettebb technológiának tekintik, amelyet masszív adathalmazokat használó összetett problémák megoldására építettek. Ez a neurális hálózatokról szóló blog megismerteti Önt a neurális hálózatok alapfogalmaival, és azzal, hogy miként tudják megoldani az összetett, adatvezérelt problémákat.



A mesterséges intelligencia és a mély tanulás mélyebb ismereteinek megszerzéséhez regisztrálhat élőben Edureka 24/7 támogatással és élethosszig tartó hozzáféréssel.



hogyan lehet hatalomra emelni a java-ban

Íme egy lista azokról a témákról, amelyekkel ez foglalkozik Blog:

  1. Mi az a neurális hálózat?
  2. Mi a mély tanulás?
  3. Különbség az AI, az ML és a DL között
  4. A mély tanulás szükségessége
  5. Mély tanulási felhasználási eset
  6. Hogyan működnek a neurális hálózatok?
  7. Ideghálózat példával magyarázva

Egy neurális hálózat egyszerű meghatározása

Az emberi agynak megfelelően modellezve a A neurális hálózatot úgy építették, hogy utánozza az emberi agy funkcionalitását . Az emberi agy egy ideghálózat, amely több neuronból áll, hasonlóan a mesterséges ideghálózat (ANN) több perceptronból áll (később elmagyarázzuk).



Ideghálózat - Mi az a neurális hálózat - Edureka

Az ideghálózat három fontos rétegből áll:

  • Bemeneti réteg: Ahogy a neve is sugallja, ez a réteg elfogadja a programozó összes bemenetét.
  • Rejtett réteg: A bemeneti és a kimeneti réteg között rejtett rétegekként ismert rétegkészlet található. Ebben a rétegben olyan számításokat hajtanak végre, amelyek a kimenetet eredményezik.
  • Kimeneti réteg: A bemenetek egy sor átalakításon mennek keresztül a rejtett rétegen keresztül, ami végül az ezen keresztül leadott kimenetet eredményezi réteg.

Mielőtt a neurális hálózat működésének mélységébe kerülnénk, értsük meg, mi a mély tanulás.



Mi a mély tanulás?

A mély tanulás a gépi tanulás egy fejlett területe, amely a neurális hálózatok fogalmaival erősen számítási felhasználási esetek megoldására használja fel a többdimenziós adatok elemzését. Automatizálja a funkciók kinyerésének folyamatát, biztosítva, hogy minimális emberi beavatkozásra van szükség.

Mi is pontosan a mély tanulás?

A mély tanulás haladó a gépi tanulás részterülete, amely az agy felépítéséből és működéséből inspirált algoritmusokat használ, amelyeket mesterséges ideghálózatoknak hívnak.

Különbség az AI, az ML és a DL között (mesterséges intelligencia vs gépi tanulás vs mély tanulás)

Az emberek gyakran ezt gondolják , , és Mély tanulás ugyanazok, mivel közös alkalmazásuk van. Például a Siri az AI, a Machine Learning és a Deep Learning alkalmazás.

Tehát hogyan kapcsolódnak ezek a technológiák?

  • Mesterséges intelligencia a gépek elsajátításának tudománya az emberek viselkedésének utánzására.
  • Gépi tanulás a Mesterséges Intelligencia (AI) egy részhalmaza, amely arra összpontosít, hogy a gépek az adatok betáplálásával hozzanak döntéseket.
  • Mély tanulás a gépi tanulás azon részhalmaza, amely az ideghálózatok fogalmát használja összetett problémák megoldására.

Összefoglalva az AI, a gépi tanulás és a mély tanulás egymással összefüggő területek. Gépi tanulás és mély tanulás segíti a mesterséges intelligenciát algoritmusok és neurális hálózatok biztosításával megoldásra adatvezérelt problémák.

Most, hogy ismeri az alapokat, értsük meg, mi vezetett a mély tanulás szükségességéhez.

A mély tanulás szükségessége: A hagyományos gépi tanulási algoritmusok és technikák korlátai

A gépi tanulás komoly áttörést jelentett a technikai világban, monoton és időigényes feladatok automatizálásához vezetett, segített az összetett problémák megoldásában és az okosabb döntések meghozatalában. A gépi tanulásban azonban volt néhány hátrány, amely a mély tanulás megjelenéséhez vezetett.

A gépi tanulás néhány korlátozása:

  1. Nem lehet nagy dimenziós adatokat feldolgozni: A gépi tanulás csak kis méretű dimenziókat képes feldolgozni, amelyek kis változókészletet tartalmaznak. Ha 100% változót tartalmazó adatokat akar elemezni, akkor a Machine Learning nem használható.
  2. A funkciótervezés manuális: Vegyünk egy olyan felhasználási esetet, amikor 100 prediktor változóval rendelkezik, és csak a jelentőseket kell szűkítenie. Ehhez manuálisan meg kell vizsgálnia az egyes változók közötti kapcsolatot, és ki kell derítenie, hogy melyek fontosak a kimenet előrejelzésében. Ez a feladat rendkívül unalmas és időigényes egy fejlesztő számára.
  3. Nem ideális tárgyfelismerés és képfeldolgozás végrehajtására: Mivel az objektumdetektáláshoz nagy dimenziós adatokra van szükség, a Machine Learning nem használható képadatkészletek feldolgozására, csak korlátozott számú funkcióval rendelkező adatkészletekhez ideális.

Mielőtt a mélybe érnénk Neural Networks, vegyünk egy valós használati esetet, ahol a Deep Learning megvalósításra kerül.

Mély tanulási felhasználási eset / alkalmazások

Tudta, hogy a PayPal több mint 235 milliárd dolláros fizetést dolgoz fel több mint 170 millió ügyfele négymilliárd tranzakciójából? Ezt a rengeteg adatot használja fel az esetleges csaló tevékenységek azonosítására, többek között.

A Deep Learning algoritmusok segítségével a PayPal bányászta az ügyfelek vásárlási előzményeinek adatait, és felülnézte az adatbázisaiban tárolt valószínű csalási mintákat, hogy megjósolja, hogy egy adott tranzakció csaló-e vagy sem.

A vállalat körülbelül 10 éve támaszkodik a mély tanulás és a gépi tanulás technológiájára. Kezdetben a csalásfigyelő csoport egyszerű, lineáris modelleket használt. De az évek során a vállalat egy fejlettebb, a Deep Learning nevű gépi tanulási technológiára váltott.

Ke Wang, a PayPal csalási kockázatkezelője és adatkutatója idézte:

„Ami a modernebb, fejlettebb gépi tanulást illeti, az az, hogy sokkal több adatot tud elfogyasztani, kezelni az absztrakció rétegeit és rétegeit, és képes olyan dolgokat„ látni ”, amelyeket egy egyszerűbb technológia nem tudna látni, akár az emberek is nem láthatja. ”

Egy egyszerű lineáris modell körülbelül 20 változó elfogyasztására képes. A Deep Learning technológiával azonban több ezer adatpont futtatható. Ezért a megvalósítással A mély tanulási technológia révén a PayPal tranzakciók millióit elemezheti, hogy azonosítson bármilyen csalót tevékenység.

Most menjünk be egy Neurális Hálózat mélyére és értsük meg, hogyan működnek.

hogyan lehet hozzáadni a java-t az útvonalhoz

Hogyan működik egy neurális hálózat?

A neurális hálózatok megértéséhez le kell bontanunk, és meg kell értenünk egy neurális hálózat legalapvetőbb egységét, vagyis a Perceptront.

Mi az a Perceptron?

A Perceptron egyrétegű neurális hálózat, amelyet lineáris adatok osztályozására használnak. 4 fontos összetevője van:

  1. Bemenetek
  2. Súlyok és elfogultság
  3. Összegző függvény
  4. Aktiválási vagy átalakítási funkció

A Perceptron mögött álló alapvető logika a következő:

A bemeneti rétegtől kapott bemeneteket (x) megszorozzuk a hozzárendelt w súlyokkal. Ezután a megszorzott értékeket hozzáadjuk a súlyozott összeg kialakításához. A bemenetek és a hozzájuk tartozó súlyok súlyozott összegét ezután alkalmazzák egy releváns aktiválási funkcióra. Az aktiválási funkció leképezi a bemenetet a megfelelő kimenetre.

Súlyok és elfogultság a mély tanulásban

Miért kell minden bemenethez súlyokat rendelnünk?

Miután egy bemeneti változót betápláltunk a hálózatba, egy véletlenszerűen kiválasztott értéket rendelünk a bemenet súlyához. Minden egyes bemeneti adat súlya jelzi, hogy ez a bemenet mennyire fontos az eredmény előrejelzésében.

Az elfogultsági paraméter viszont lehetővé teszi az aktiválási funkció görbéjének beállítását oly módon, hogy pontos kimenetet érjen el.

Összegző függvény

Miután a bemenetekhez hozzárendeltek egy kis súlyt, a megfelelő input és súly szorzatát veszik fel. Ezen termékek hozzáadásával megkapjuk a súlyozott összeget. Ezt az összegző függvény végzi.

Aktiválási funkció

Az aktiválási függvények fő célja a súlyozott összeg és a kimenet feltérképezése. Aktiválási függvények, mint például tanh, ReLU, sigmoid és így tovább, példák a transzformációs függvényekre.

Ha többet szeretne megtudni a Perceptrons funkcióiról, átélheti ezt Blog.

Mielőtt mi zárja be ezt a blogot, vegyünk egy egyszerű példát, hogy megértsük, hogyan működik egy Neural Network.

Ideghálózatok példával elmagyarázva

Vegyünk egy forgatókönyvet, ahol olyan mesterséges ideghálózatot (ANN) kell felépítenie, amely két osztályba sorolja a képeket:

  • A. osztály: Nem beteg levelek képei
  • B. osztály: Beteg levelek képei

Tehát hogyan hozhat létre egy neurális hálózatot, amely a leveleket beteg és nem beteg növényekbe sorolja?

A folyamat mindig a bemenet feldolgozásával és átalakításával kezdődik, így könnyen feldolgozható. Esetünkben minden levél kép pixelekre lesz bontva, a kép méretétől függően.

Például, ha a kép 30-30 képpontból áll, akkor a képpontok teljes száma 900 lesz. Ezek a képpontok mátrixokként vannak ábrázolva, amelyeket azután a Neural Network bemeneti rétegébe vezetnek.

Csakúgy, mint az agyunk neuronjainak, amelyek segítenek a gondolatok felépítésében és összekapcsolásában, az ANN-ban is vannak perceptronok, amelyek elfogadják a bemeneteket és feldolgozzák azokat úgy, hogy továbbítják őket a bemeneti rétegből a rejtett és végül a kimeneti rétegbe.

Amint a bemenet átkerül a bemeneti rétegből a rejtett rétegbe, minden bemenethez hozzáadódik egy kezdeti véletlenszerű súly. Ezután a bemeneteket megszorozzuk a megfelelő súlyokkal, és összegüket elküldjük bemenetként a következő rejtett rétegbe.

Itt minden perceptronhoz hozzárendelünk egy elfogultságnak nevezett numerikus értéket, amely az egyes bemenetek súlyával van társítva. Ezenkívül minden perceptront aktiválással vagy transzformációs funkcióval adnak át, amely meghatározza, hogy egy adott perceptron aktiválódik-e vagy sem.

Aktivált perceptront használnak az adatok továbbításához a következő réteghez. Ily módon az adatokat addig továbbítják (Forward propagation) az ideghálózaton keresztül, amíg a perceptronok el nem érik a kimeneti réteget.

A kimeneti rétegnél egy valószínűséget származtatnak, amely eldönti, hogy az adatok az A vagy a B osztályba tartoznak-e.

Egyszerűen hangzik, nem? Nos, a neurális hálózatok mögött álló koncepció pusztán az emberi agy működésén alapul. Szüksége van a különféle matematikai fogalmak és algoritmusok alapos ismeretére. Az alábbiakban felsoroljuk a kezdéshez szükséges blogokat:

  1. Mi a mély tanulás? A mély tanulás kezdete
  2. Mély tanulás a Pythonnal: Útmutató a mély tanuláshoz kezdőknek

Ha relevánsnak találta ezt a blogot, nézze meg a az Edureka, egy megbízható online tanulási vállalat, amelynek több mint 250 000 elégedett tanulóval rendelkező hálózata elterjedt az egész világon. Az Edureka mély tanulás a TensorFlow tanúsítással tanfolyam segít a tanulóknak abban, hogy szakértőkké váljanak az alap- és konvolúciós neurális hálózatok képzésében és optimalizálásában valós idejű projektek és feladatok segítségével, olyan koncepciókkal együtt, mint a SoftMax funkció, az Auto-encoder Neural Networks, a Restricted Boltzmann Machine (RBM).