Neurálne siete a Deep Learning sú v súčasnosti dve horúce buzzwords, ktoré sa v súčasnosti používajú s umelou inteligenciou. Nedávny vývoj vo svete umelých inteligencií možno pripísať týmto dvom, pretože zohrali významnú úlohu pri zlepšovaní inteligencie AI.
Rozhliadnite sa a nájdete okolo seba čoraz inteligentnejšie stroje. Vďaka neurónovým sieťam a hlbokému učeniu sa pracovné miesta a schopnosti, ktoré kedysi považovali za silu ľudí, teraz vykonávajú stroje. V súčasnej dobe stroje už nie sú pripravované na jesť zložitejších algoritmov, ale namiesto toho sa kŕmia, aby sa rozvinuli do autonómnych systémov sebaučukov, schopných revolúcie mnohých priemyselných odvetví.
Neurálne siete a Deep Learning poskytli výskumníkom obrovský úspech v úlohách, ako je rozpoznávanie obrazov, rozpoznávanie reči, nájdenie hlbších vzťahov v súboroch údajov. Pomocou dostupnosti masívneho množstva údajov a výpočtového výkonu môžu počítače rozpoznávať objekty, prekladať reč, vzdelávať sa sami za účelom identifikácie zložitých vzorov, naučiť sa navrhnúť stratégie a vytvárať plány pre prípad nepredvídaných udalostí v reálnom čase.
Takže, ako presne to funguje? Viete, že tak Neutrálne siete, ako aj Hlboké učenie, ktoré v skutočnosti súvisia s pochopením hlbokého učenia, musíte najprv pochopiť o neurónových sieťach? Čítajte ďalej, aby ste vedeli viac.
Čo je neurónová sieť
Neurónová sieť je v podstate programovací vzorec alebo súbor algoritmov, ktorý umožňuje počítaču sa naučiť z pozorovacích údajov. Neurónová sieť je podobná ľudskému mozgu, ktorá funguje rozpoznávaním vzorov. Senzorické dáta sa interpretujú pomocou vnímania, označovania alebo zhlukov surového vstupu. Rozpoznané vzory sú číselné, uzatvorené vo vektoroch, do ktorých sú preložené dáta, ako sú obrázky, zvuk, text atď.
Mysli neurónové siete! Myslite na to, ako ľudský mozog funguje
Ako bolo uvedené vyššie, neurónová sieť funguje rovnako ako ľudský mozog; získava všetky poznatky prostredníctvom procesu učenia. Potom synaptické záťaže uchovávajú získané vedomosti. Počas procesu učenia sa synaptické váhy siete zreformujú, aby sa dosiahol požadovaný cieľ.
Rovnako ako ľudský mozog, neurónové siete pracujú ako nelineárne paralelné systémy na spracovanie informácií, ktoré rýchlo vykonávajú výpočty, ako je rozpoznávanie a vnímanie vzorov. Výsledkom je, že tieto siete fungujú veľmi dobre v oblastiach, ako je rozpoznávanie reči, zvuku a obrazu, kde vstupy / signály sú vo svojej podstate nelineárne.
Jednoducho povedané, pamätajte na neurónovú sieť ako na niečo, čo je schopné zhromažďovať vedomosti ako ľudský mozog a použiť ju na predpovedanie.
Štruktúra neurónových sietí
Neurónové siete pozostávajú z troch vrstiev,
- Vstupná vrstva,
- Skryté vrstvy a
- Výstupná vrstva.
Každá vrstva sa skladá z jedného alebo viacerých uzlov, ako je znázornené v nižšie uvedenom diagrame malými kruhmi. Čiary medzi uzlami naznačujú tok informácií od jedného uzla k druhému. Informácia prúdi zo vstupu na výstup, t.j. zľava doprava (v niektorých prípadoch môže byť zľava doprava alebo oboma spôsobmi).
Uzly vstupnej vrstvy sú pasívne, čo znamená, že údaje nemenia. Oni dostávajú jednu hodnotu na svojom vstupe a duplikujú hodnotu na svoje viacnásobné výstupy. Zatiaľ čo uzly skrytej a výstupnej vrstvy sú aktívne. Takto môžu tieto údaje meniť.
V navzájom prepojenej štruktúre sa každá hodnota zo vstupnej vrstvy duplikuje a posiela na všetky skryté uzly. Hodnoty vstupujúce do skrytého uzla sa vynásobia váhami, sada preddefinovaných čísel uložených v programe. Potom sa pripočítajú vážené vstupy, aby sa vytvorilo jedno číslo. Neurónové siete môžu mať ľubovoľný počet vrstiev a ľubovoľný počet uzlov na jednu vrstvu. Väčšina aplikácií používa trojvrstvovú štruktúru s maximálne niekoľkými stovkami vstupných uzlov
Príklad neurónovej siete
Zvážte neurónovú sieť rozpoznávajúcu objekty v sonarovom signáli a v PC je uložených 5000 vzoriek signálov. Počítač musí zistiť, či tieto vzorky predstavujú ponorku, veľrybu, ľadovec, morské skaly alebo nič vôbec? Konvenčné metódy DSP by tento problém riešili s matematikou a algoritmami, ako je analýza korelácie a frekvenčného spektra.
Zatiaľ čo s neurónovou sieťou by sa 5000 vstupných vrstiev privádzalo do vstupnej vrstvy, výsledkom by mali byť výstupné hodnoty z výstupnej vrstvy. Výberom správnych váh môže byť výstup konfigurovaný tak, aby nahlasoval širokú škálu informácií. Napríklad môžu byť výstupy pre: ponorka (áno / nie), morská skala (áno / nie), veľryba (áno / nie) atď.
S inými váhami môžu výstupy klasifikovať objekty ako kovové alebo nekovové, biologické alebo nebiologické, nepriateľ alebo spojenec atď. Žiadne algoritmy, žiadne pravidlá, žiadne postupy; iba vzťah medzi vstupom a výstupom diktovaný hodnotami vybraných váh.
Teraz poďme pochopiť koncept Deep Learning.
Čo je hlboké učenie
Hlbšie učenie je v podstate podmnožina neurónových sietí; možno môžete povedať komplexnú neurónovú sieť s mnohými skrytými vrstvami.
Z technického hľadiska môže byť hlbšie učenie definované ako silný súbor techník na učenie sa v neurónových sieťach. Týka sa to umelých neurónových sietí (ANN), ktoré sa skladajú z mnohých vrstiev, masívnych dátových súborov, výkonného počítačového hardvéru, ktorý umožňuje komplikovaný výcvikový model.Obsahuje triedu metód a techník, ktoré využívajú umelé neurónové siete s viacerými vrstvami čoraz bohatších funkcií.
Štruktúra siete hlbšieho učenia
Hlbšie vzdelávacie siete väčšinou používajú architektúry neurónových sietí a preto sú často označované ako hlboké neurónové siete. Použitie práce "hlboko" sa vzťahuje na počet skrytých vrstiev v neurónovej sieti. Bežná neurónová sieť obsahuje tri skryté vrstvy, zatiaľ čo hlboké siete môžu mať až 120 - 150.
Deep Learning zahŕňa kŕmenie počítačového systému veľa dát, ktoré môže použiť pri rozhodovaní o iných údajoch. Tieto údaje sa využívajú prostredníctvom neurónových sietí, ako je tomu v prípade strojového učenia. Hlboké vzdelávacie siete sa môžu naučiť funkcie priamo z dát bez potreby manuálneho extrakcie funkcií.
Príklady hlbokého učenia
Hlboké vzdelávanie sa v súčasnosti využíva v takmer každom odvetví od automobilového, leteckého a automobilového priemyslu až po lekárske. Tu sú niektoré príklady.
- Google, Netflix a Amazon: Google ich používa vo svojich algoritmoch na rozpoznávanie hlasu a obrázkov. Netflix a Amazon tiež používajú hlboké vzdelávanie, aby sa rozhodli, čo chcete pozerať alebo kúpiť ďalej
- Vodič bez vodiča: Výskumníci využívajú hlboké vzdelávacie siete na automatické zisťovanie objektov, ako sú stopky a semafory. Hlboké učenie sa používa aj na detekciu chodcov, čo pomáha pri znižovaní počtu nehôd.
- Letectvo a obrana: Deep learning sa používa na identifikáciu objektov zo satelitov, ktoré vyhľadávajú oblasti záujmu a identifikujú bezpečné alebo nebezpečné zóny pre jednotky.
- Vďaka technológii Deep Learning Facebook automaticky vyhľadá a označuje priateľov vo vašich fotkách. Aplikácia Skype dokáže preložiť hovorenú komunikáciu v reálnom čase a docela presne.
- Lekársky výskum: lekári využívajú hlboké učenie na automatické zistenie rakovinových buniek
- Priemyselná automatizácia: Hlbšie učenie pomáha zlepšovať bezpečnosť pracovníkov okolo ťažkých strojov tým, že automaticky zisťuje, kedy sú ľudia alebo predmety v bezpečnej vzdialenosti strojov.
- Elektronika: Hlbšie učenie sa používa v automatizovanom preklade sluchu a reči.
záver
Koncept neurónových sietí nie je nový a výskumníci sa stretli s miernym úspechom v poslednom desaťročí. Ale skutočný menič hry bol vývojom Deep neurónových sietí.
Vykonaním tradičných strojových prístupov ukázala, že hlboké neurónové siete môžu byť vyškolené a skúšané nielen niekoľkými výskumníkmi, ale má priestor na to, aby nadnárodné technologické spoločnosti prijali lepšie inovácie v blízkej budúcnosti.
Vďaka Deep Learning a neurónovej sieti, AI nielen robí úlohy, ale začala myslieť!
