Czym jest głęboka nauka i sieć neuronowa

Sieci neuronowe i Głębokie Nauki to obecnie dwa gorące słowa, które są obecnie używane w Sztucznej Inteligencji. Ostatnie zmiany w Sztucznej inteligencji można przypisać tym dwóm, ponieważ odegrały one istotną rolę w poprawie inteligencji sztucznej inteligencji.

Rozejrzyj się, a znajdziesz coraz więcej inteligentnych maszyn. Dzięki Neural Networks i Deep Learning, zadania i możliwości, które kiedyś uważano za siłę roboczą ludzi, są teraz wykonywane przez maszyny. Obecnie maszyny nie są już produkowane w celu spożywania bardziej złożonych algorytmów, ale zamiast tego są karmione, aby przekształcić się w autonomiczne, samouczące się systemy zdolne zrewolucjonizować wiele branż.

Sieci neuronowe i Głębokie Nauka przyniosła naukowcom ogromny sukces w takich zadaniach, jak rozpoznawanie obrazów, rozpoznawanie mowy, znajdowanie głębszych relacji w zestawach danych. Dzięki dostępności ogromnej ilości danych i mocy obliczeniowej maszyny mogą rozpoznawać obiekty, tłumaczyć mowę, szkolić się w celu identyfikowania złożonych wzorców, uczenia się, jak opracowywać strategie i tworzyć plany awaryjne w czasie rzeczywistym.

A więc, jak dokładnie to się dzieje praca? Czy wiesz, że zarówno Neutralne Sieci, jak i Głęboka nauka, w rzeczywistości, aby zrozumieć Głęboką naukę, musisz najpierw zrozumieć Neural Networks? Czytaj dalej, aby dowiedzieć się więcej.

Co to jest sieć neuronowa

Sieć neuronowa jest po prostu wzorcem programistycznym lub zestawem algorytmów, które umożliwiają komputerowi naukę na podstawie danych obserwacyjnych. Sieć neuronowa jest podobna do ludzkiego mózgu, który działa poprzez rozpoznawanie wzorców. Dane zmysłowe są interpretowane za pomocą percepcji maszynowej, etykietowania lub grupowania surowych danych wejściowych. Rozpoznawane wzorce są numeryczne, zamknięte w wektorach, w których tłumaczone są dane takie jak obrazy, dźwięk, tekst itp.

Think Neural Network! Pomyśl, jak działa ludzki mózg

Jak wspomniano powyżej, sieć neuronowa działa tak, jak ludzki mózg; zdobywa całą wiedzę w procesie uczenia się. Następnie wagi synaptyczne przechowują nabytą wiedzę. Podczas procesu uczenia się, masy synaptyczne sieci zostają zreformowane, aby osiągnąć pożądany cel.

Podobnie jak mózg ludzki, sieci neuronowe działają jak nieliniowe systemy przetwarzania informacji równoległych, które szybko wykonują obliczenia, takie jak rozpoznawanie wzoru i postrzeganie. W rezultacie sieci te sprawdzają się bardzo dobrze w takich dziedzinach, jak rozpoznawanie mowy, dźwięku i obrazu, gdzie sygnały wejściowe / sygnały są z natury nieliniowe.

W prosty sposób można zapamiętać sieć neuronową jako coś, co jest zdolne do gromadzenia wiedzy jak człowiek. mózg i używaj go do przewidywania.

Struktura sieci neuronowych

(Image Credit: Mathworks)

Sieci neuronowe składają się z trzech warstw,

1. warstwy wejściowej,
2. warstwy ukrytej i
3. Warstwa wyjściowa

Każda warstwa składa się z jednego lub więcej węzłów, jak pokazano na poniższym diagramie za pomocą małych kółek. Linie między węzłami wskazują przepływ informacji z jednego węzła do drugiego. Informacje płyną z wejścia do wyjścia, tj. Od lewej do prawej (w niektórych przypadkach może to być od prawej do lewej lub w obie strony).

Węzły warstwy wejściowej są pasywne, co oznacza, że ​​nie modyfikują danych. Otrzymują pojedynczą wartość na swoich wejściach i duplikują wartość do swoich wielu wyjść. Natomiast węzły warstwy ukrytej i wyjściowej są aktywne. W ten sposób mogą modyfikować dane.

W strukturze połączonej każda wartość z warstwy wejściowej jest duplikowana i wysyłana do wszystkich ukrytych węzłów. Wartości wchodzące do ukrytego węzła są mnożone przez wagi, zestaw z góry ustalonych numerów przechowywanych w programie. Ważone dane wejściowe są następnie dodawane, aby wytworzyć pojedynczą liczbę. Sieci neuronowe mogą mieć dowolną liczbę warstw i dowolną liczbę węzłów na warstwę. Większość aplikacji korzysta z trójwarstwowej struktury z maksymalnie kilkuset węzłów wejściowych

Przykład sieci neuronowej

Rozważ sieć neuronową rozpoznającą obiekty w sygnale sonarowym i 5000 próbek sygnału zapisanych w komputerze. PC musi dowiedzieć się, czy te próbki reprezentują łódź podwodną, ​​wieloryby, góry lodowe, skały morskie, czy nic w ogóle? Konwencjonalne metody DSP podchodzą do tego problemu z matematyką i algorytmami, takimi jak analiza widm korelacji i częstotliwości.

Podczas gdy w sieci neuronowej, 5000 próbek zostanie doprowadzonych do warstwy wejściowej, co spowoduje powstanie wartości z warstwy wyjściowej. Wybierając odpowiednie masy, dane wyjściowe można skonfigurować tak, aby przekazywały szeroki zakres informacji. Na przykład mogą być wyjścia dla: łodzi podwodnej (tak / nie), skały morskiej (tak / nie), wieloryba (tak / nie), itp.

Przy innych wagach wyniki mogą klasyfikować obiekty jako metalowe lub nie. -metalowe, biologiczne lub niebiologiczne, wroga lub sojusznika, itp. Brak algorytmów, brak reguł, brak procedur; tylko relacja między wejściem i wyjściem dyktowana przez wartości wybranych wag.

Teraz zrozummy pojęcie głębokiego uczenia się.

Co to jest głębokie uczenie się

Głębokie uczenie się jest w zasadzie podzbiorem sieci neuronowych; być może możesz powiedzieć złożoną sieć neuronową z wieloma ukrytymi warstwami.

Technicznie rzecz biorąc, głębokie uczenie się może być zdefiniowane jako potężny zestaw technik uczenia się w sieciach neuronowych. Odnosi się to do sztucznych sieci neuronowych (ANN), które składają się z wielu warstw, ogromnych zbiorów danych, potężnego sprzętu komputerowego umożliwiającego złożony model szkolenia. Zawiera klasę metod i technik, które wykorzystują sztuczne sieci neuronowe z wieloma warstwami coraz bogatszej funkcjonalności.

Struktura głębokiej sieci edukacyjnej

Sieci głębokiego uczenia się w większości wykorzystują architektury sieci neuronowych i dlatego często określa się je jako głębokie sieci neuronowe. Użycie pracy "głęboko" odnosi się do liczby ukrytych warstw w sieci neuronowej. Konwencjonalna sieć neuronowa zawiera trzy ukryte warstwy, podczas gdy głębokie sieci mogą mieć nawet 120-150.

Głębokie uczenie się polega na zasileniu systemu komputerowego dużą ilością danych, które mogą wykorzystać do podejmowania decyzji dotyczących innych danych. Te dane są zasilane przez sieci neuronowe, tak jak w przypadku uczenia maszynowego. Sieci głębokiego uczenia się mogą nauczyć się funkcji bezpośrednio z danych bez potrzeby ręcznego wyodrębniania funkcji.

Przykłady głębokiego uczenia się

Głębokie uczenie się jest obecnie wykorzystywane w prawie każdej branży, począwszy od Automobilizmu, Lotnictwa i Automatyki, aż po medycynę. Oto kilka przykładów.

• Google, Netflix i Amazon: Google używa go w swoich algorytmach rozpoznawania głosu i obrazu. Netflix i Amazon również korzystają z głębokiego uczenia się, aby zdecydować, co chcesz obejrzeć lub kupić.
• Jazda bez kierowcy: Badacze wykorzystują sieci głębokiego uczenia się do automatycznego wykrywania obiektów, takich jak znaki stopu i sygnalizacja świetlna. Głębokie uczenie się jest również wykorzystywane do wykrywania pieszych, co pomaga zmniejszyć liczbę wypadków.
• Lotnictwo i obrona: Głębokie uczenie się służy do identyfikacji obiektów z satelitów, które lokalizują interesujące obszary i określają bezpieczne lub niebezpieczne strefy dla żołnierzy.
• Dzięki Deep Learning, Facebook automatycznie wyszukuje i oznacza znajomych na Twoich zdjęciach. Skype może tłumaczyć komunikację głosową w czasie rzeczywistym i całkiem dokładnie.
• Badania medyczne: Naukowcy medyczni wykorzystują głęboką naukę do automatycznego wykrywania komórek nowotworowych
• Automatyka przemysłowa: głębokie uczenie się pomaga zwiększyć bezpieczeństwo pracowników w pobliżu ciężkich maszyn poprzez automatyczne wykrywanie, kiedy ludzie lub przedmioty znajdują się w niebezpiecznej odległości od maszyn.
• Elektronika: W automatycznym tłumaczeniu mowy i mowy stosowane jest głębokie uczenie się.

Wniosek

Koncepcja sieci neuronowych nie jest nowa i naukowcy spotkali się z umiarkowanym sukcesem w ciągu ostatniej dekady. Jednak prawdziwym zmieniaczem gry była ewolucja głębokich sieci neuronowych.

Dzięki temu, że tradycyjne metody uczenia maszynowego przewyższają oczekiwania, okazało się, że głębokie sieci neuronowe mogą być szkolone i testowane nie tylko przez niewielu naukowców, ale mają także możliwość zostać przyjęte przez wielonarodowe firmy technologiczne, aby w niedalekiej przyszłości uzyskać lepsze innowacje.

Dzięki Deep Learning and Neural Network, AI nie tylko wykonuje zadania, ale zaczęło myśleć!