Mi a Deep Learning és a Neurális Hálózat

Neurális hálózatok és Deep Learning jelenleg a két forró zománcszó, amelyeket manapság az Artificial Intelligence használ. A mesterséges intelligencia világának legújabb fejleményei e kettőnek tulajdoníthatók, mivel jelentős szerepet játszottak az AI intelligenciájának javításában.

Nézz körül, és egyre több intelligens gépet találsz. A Neurális hálózatoknak és a Deep Learning-nak köszönhetően a munkahelyeket és képességeket, amelyeket egykor az emberek erősségeinek tekintettek, most gépekkel vannak ellátva. Ma már nem több komplex algoritmust fogyasztanak, hanem táplálják, hogy olyan autonóm, öntanító rendszerré fejlődjenek, amelyek képesek forradalmasítani számos iparágat.

Neurális hálózatok és Deep Learning hatalmas sikert arattak a kutatóknak olyan feladatokban, mint a képfelismerés, beszédfelismerés, mélyebb kapcsolatok keresése az adatkészletekben. A masszív adatmennyiség és a számítási teljesítmény elérhetővé tételével a gépek képesek felismerni az objektumokat, beszédet lefordítani, felkészülni a komplex minták azonosítására, megtanulni stratégiák kidolgozását és valós idejű készenléti terveket készíteni.

Szóval, pontosan hogyan munka? Tudja, hogy mind a semleges hálózatok, mind a mély tanulás tulajdonképpen a mély tanulás megértéséhez kapcsolódik, először meg kell értenie a Neurális hálózatokat? Olvassa el a további tudnivalókat.

Mi az a neurális hálózat

A neurális hálózat alapvetően egy programozási mintázat vagy olyan algoritmus-készlet, amely lehetővé teszi a számítógép számára a megfigyelési adatokból való tanulást. A neurális hálózat hasonló az emberi agyhoz, amely a minták felismerésével működik. Az érzékelési adatokat a gép észlelésével, címkézésével vagy nyers bemeneteinek csoportosításával értelmezik. A felismert minták numerikusak, vektorokba vannak beágyazva, amelyekben az adatok, mint képek, hang, szöveg stb. Le vannak fordítva.

Think Neural Network! Gondolkozz el, hogyan működik az emberi agy

Mint fentebb említettük, egy neurális hálózat ugyanúgy működik, mint egy emberi agy; minden ismeretet megszerzett egy tanulási folyamaton keresztül. Ezután a szinaptikus súlyok tárolják a megszerzett tudást. A tanulási folyamat során a hálózat szinaptikus súlyai ​​megreformálódnak, hogy elérjék a kívánt célt.

Az emberi agyhoz hasonlóan a Neurális Hálózatok olyan nemlineáris párhuzamos információ-feldolgozó rendszerekként működnek, amelyek gyorsan elvégzik a számításokat, mint pl. észlelés. Ennek eredményeképpen ezek a hálózatok nagyon jól teljesítenek olyan területeken, mint a beszéd, a hang és a képfelismerés, ahol a bemenetek / jelek természetüknél fogva nemlineárisak.

Egyszerű szavakkal emlékezhetünk arra, hogy a Neurális Hálózat olyan dolog,

Neurális hálózatok felépítése

(Image Credit: Mathworks)

A neurális hálózatok három rétegből állnak,

1. Beviteli réteg,
2. Rejtett réteg és
3. Kimeneti réteg

Minden réteg egy vagy több csomópontból áll, az alábbi ábrán kis körökkel. A csomópontok közötti vonalak jelzik az információáramlást az egyik csomópontról a másikra. Az információ áramlik a bemenetről a kimenetre, azaz balról jobbra (egyes esetekben lehet jobbról balra vagy mindkét irányban).

A beviteli réteg csomópontjai passzívak, vagyis nem módosítják az adatokat. Egyetlen értéket kapnak bemenetükön, és duplikálják az értéket a több kimenetükre. Míg a rejtett és kimeneti réteg csomópontjai aktívak. Így megváltoztathatják az adatokat.

Összekapcsolt struktúrában minden bemeneti rétegből származó érték megismétlődik és elküldik az összes rejtett csomópontnak. A rejtett csomópontba belépő értékeket meg kell szorozni súlyokkal, a programban tárolt előre meghatározott számok halmazával. Ezután a súlyozott bemeneteket hozzáadjuk egyetlen szám létrehozásához. A neurális hálózatoknak tetszőleges számú rétege és rengeteg csomópontja lehet. A legtöbb alkalmazás a három rétegű struktúrát használja legfeljebb néhány száz bemeneti csomóponthoz

Példa a neurális hálózatra

Figyelje meg egy neurális hálózatot, amely felismeri az objektumokat a szonárjelben, és 5000 jelmintát tárolnak a PC-ben. A PC-nek kiderül, hogy ezek a minták egy tengeralattjárót, bálnát, jéghegyet, tengeri sziklákat vagy egyáltalán nem jelentenek-e? A hagyományos DSP módszerek ezt a problémát matematika és algoritmusokkal közelítenék meg, például a korreláció és a frekvenciaspektrum analízisét.

A neuronhálózatban az 5000 mintát a bemeneti rétegbe táplálják, ami a kimeneti rétegből kiugró értékeket eredményez. A megfelelő súlyok kiválasztásával a kimenet úgy konfigurálható, hogy széles körű információkat jelenítsen meg. Például kimenetek lehetnek: tengeralattjáró (igen / nem), tengeri rock (igen / nem), bálna (igen / nem) stb.

Más súlyokkal a kimenetek az objektumokat fém vagy nem -metális, biológiai vagy nem biológiai, ellenség vagy szövetséges stb. Nincsenek algoritmusok, szabályok, eljárások; csak a bemenet és a kimenet közötti kapcsolat a kiválasztott súlyok értékei szerint.

Most pedig értsük meg a Deep Learning fogalmát.

Mi a Deep Learning

A mély tanulás alapvetően egy részhalmaza a Neurális Hálózatoknak; talán mondhatsz egy komplex Neurális Hálózatot, amelyben rejtett rétegek vannak.

Technikailag a Deep Learning-t úgy is definiálhatjuk, mint a neurális hálózatokban való tanulás hatékony eszközeit. Olyan mesterséges neurális hálózatokra (ANN) utal, amelyek sok rétegből, hatalmas adatkészletekből és erőteljes számítógépes hardverekből állnak, hogy bonyolult képzési modellt alkossanak. Olyan módszerek és technikák osztályát tartalmazza, amelyek mesterséges neurális hálózatokat alkalmaznak, több rétegű, egyre gazdagabb funkcionalitással.

A mélytanulási hálózat felépítése

A mély tanulás hálózatok többnyire neurális hálózati architektúrákat használnak, ezért gyakran neveznek mély neurális hálózatoknak. A "mély" munka használata a neurális hálózat rejtett rétegeinek számát jelenti. A hagyományos neurális hálózat három rejtett réteget tartalmaz, míg a mélyhálózatoknak akár 120-150 is lehet.

A Deep Learning magában foglalja a számítógépes rendszer sok adatainak táplálását, amelyet más adatokra vonatkozó döntések meghozatalára is felhasználhat. Ezeket az adatokat a neurális hálózatok táplálják, mint a gépi tanulás esetében. A mélytanulási hálózatok a jellemzőket közvetlenül az adatoktól szerezhetik meg anélkül, hogy szükség lenne kézi funkciók kitermelésére.

Példák a mély tanulásra

A mély tanulás jelenleg szinte minden iparágban az Automobile, Aerospace és az Automation-tól az Orvosiig folytatódik. Íme néhány példa.

• Google, Netflix és Amazon: a Google a hang- és képfelismerési algoritmusokban használja. A Netflix és az Amazon is mélyen tanulják, hogy eldöntsék, hogy mit szeretne nézni vagy vásárolni
• Driving driver nélkül: A kutatók mély tanulási hálózatokat használnak, hogy automatikusan érzékeljék az olyan objektumokat, mint a stop jelzések és a közlekedési lámpák. A mélytanulást a gyalogosok észlelésére is használják, ami segít a balesetek csökkentésében.
• Aerospace and Defense: A mély tanulás azonosítja azokat a műholdakat, amelyek az érdeklődési területeket keressék, és meghatározzák a csapatok biztonságos vagy nem biztonságos zónáit. Deep Learning, a Facebook automatikusan megtalálja és megcímkézik a barátokat a fotókon. A Skype a valós beszélgetést valós időben és nagyon pontosan le tudja fordítani.
• Orvosi kutatás: Az orvosi kutatók mélyreható tanulást használnak a rákos sejtek automatikus észlelésére
• Ipari automatizálás: A mély tanulás a munkavállalók biztonságát a nehéz gépeken
• Elektronika: A mélytanulást az automatizált hallás és beszéd fordítása során használják.
• Következtetés

A Neurális hálózatok fogalma nem új, és a kutatók találkoztak mérsékelt sikerrel az elmúlt évtizedben. De a valódi játékváltó a Deep Neurális hálózatok fejlődése volt.

A hagyományos gépi tanulási megközelítések teljesítésével bemutatta, hogy a mély neurális hálózatokat nem csak néhány kutató képes kiképezni és megpróbálni, hanem a multinacionális technológiai vállalatok fogadják el, hogy a közeljövőben jobb innovációkkal jöjjenek.

A Deep Learning és a Neural Networknek köszönhetően az AI nem csak a feladatokat végzi, de elkezdett gondolkodni!