Са напретком у машинском учењу, је кренуо високим путем. Дубоко учење се сматра најнапреднијом технологијом која је изграђена за решавање сложених проблема који користе масивне скупове података. Овај блог о томе шта је Неуронске мреже упознаће вас са основним концептима неуронских мрежа и како могу да реше сложене проблеме вођене подацима.
Да бисте стекли детаљно знање о вештачкој интелигенцији и дубоком учењу, можете се пријавити уживо Едурека са 24/7 подршком и доживотним приступом.
Ево листе тема које ће бити обрађене у овоме Блог:
- Шта је неуронска мрежа?
- Шта је дубоко учење?
- Разлика између АИ, МЛ и ДЛ
- Потреба за дубоким учењем
- Случај употребе дубоког учења
- Како функционишу неуронске мреже?
- Неуронска мрежа објашњена примером
Једноставна дефиниција неуронске мреже
Моделирано у складу са људским мозгом, а Неуронска мрежа је изграђена да опонаша функционалност људског мозга . Људски мозак је неуронска мрежа коју чине вишеструки неурони, слично томе, вештачка неуронска мрежа (АНН) састоји се од више перцептрона (објашњено касније).
бинарни програм за претрагу у јави
Неуронска мрежа састоји се од три важна слоја:
- Улазни слој: Као што и само име говори, овај слој прихвата све улазе које пружа програмер.
- Скривени слој: Између улазног и излазног слоја налази се скуп слојева познатих као Скривени слојеви. У овом слоју се извршавају прорачуни који резултирају резултатом.
- Излазни слој: Улази пролазе кроз серију трансформација преко скривеног слоја што коначно резултира излазом који се испоручује путем њега слој.
Пре него што уђемо у дубину функционисања неуронске мреже, схватимо шта је дубоко учење.
Шта је дубоко учење?
Дубоко учење је напредно поље машинског учења које користи концепте неуронских мрежа за решавање високорачунарских случајева употребе који укључују анализу вишедимензионалних података. Аутоматизира процес издвајања карактеристика, осигуравајући да је потребна минимална људска интервенција.
Дакле, шта је заправо дубоко учење?
Дубоко учење је напредан подпоље Машинско учење које користи алгоритме инспирисане структуром и функцијом мозга под називом Вештачке неуронске мреже.
Разлика између АИ, МЛ и ДЛ (вештачка интелигенција вс машинско учење у односу на дубоко учење)
Људи то често мисле , , и Дубоко учење су исти пошто имају заједничке примене. На пример, Сири је апликација АИ, машинског учења и дубоког учења.
Па како су ове технологије повезане?
- Вештачка интелигенција је наука добијања машина које опонашају понашање људи.
- Машинско учење је подскуп вештачке интелигенције (АИ) који се фокусира на навођење машина да доносе одлуке уношењем података у њих.
- Дубоко учење је подскуп машинског учења који користи концепт неуронских мрежа за решавање сложених проблема.
Да резимирамо АИ, машинско учење и дубоко учење међусобно су повезана поља. Машинско учење и дубоко учење помажу у вештачкој интелигенцији пружајући скуп алгоритама и неуронских мрежа за решавање проблеми вођени подацима.
Сад кад сте упознати са основама, хајде да схватимо шта је довело до потребе за дубинским учењем.
Потреба за дубоким учењем: Ограничења традиционалних алгоритама и техника машинског учења
Машинско учење било је велико откриће у техничком свету, довело је до аутоматизације монотоних и дуготрајних задатака, помогло је у решавању сложених проблема и доношењу паметнијих одлука. Међутим, било је неколико недостатака у машинском учењу који су довели до појаве дубоког учења.
Ево неколико ограничења машинског учења:
- Није могуће обрадити податке високе димензије: Машинско учење може да обрађује само мале димензије података које садрже мали скуп променљивих. Ако желите да анализирате податке који садрже 100 с променљивих, тада се машинско учење не може користити.
- Инжењеринг карактеристика је ручан: Размотрите случај употребе када имате 100 предикторских променљивих и морате сузити само оне значајне. Да бисте то урадили, морате ручно да проучите однос између сваке променљиве и схватите које су важне за предвиђање резултата. Овај задатак је изузетно напоран и дуготрајан за програмера.
- Није идеално за откривање објеката и обраду слика: Будући да откривање објеката захтева податке високе димензије, машинско учење се не може користити за обраду скупова података слике, идеално је само за скупове података са ограниченим бројем функција.
Пре него што уђемо у дубине Неурал Нетворкс, размотримо стварни случај употребе где се примењује дубоко учење.
Случај / апликације за дубоко учење
Да ли сте знали да ПаиПал обрађује преко 235 милијарди долара плаћања из четири милијарде трансакција својих више од 170 милиона купаца? Ову огромну количину података користи за идентификацију могућих превара, између осталих разлога.
Уз помоћ алгоритама за дубинско учење, ПаиПал је ископао податке из историје куповине свог купца, уз преглед образаца вероватних превара који се чувају у његовим базама података да би предвидео да ли је одређена трансакција лажна или не.
Компанија се ослања на технологију дубоког учења и машинског учења већ око 10 година. У почетку је тим за надзор превара користио једноставне, линеарне моделе. Али током година компанија је прешла на напреднију технологију машинског учења названу Дееп Леарнинг.
Менаџер ризика од преваре и научник података из ПаиПал-а, Ке Ванг, цитирано:
„Оно у чему уживамо у модернијем, напреднијем машинском учењу је његова способност да троши много више података, рукује слојевима и слојевима апстракције и буде у стању да„ види “ствари које једноставнија технологија не би могла да види, чак ни људи не могу да видим “.
Једноставни линеарни модел може да потроши око 20 променљивих. Међутим, са технологијом дубоког учења може се покренути хиљаде тачака података. Стога, спровођењем Технологија дубоког учења, ПаиПал коначно може да анализира милионе трансакција како би идентификовао било какву превару активност.
Ајмо сада у дубине неуронске мреже и схватимо како оне функционишу.
Како функционише неуронска мрежа?
Да бисмо разумели неуронске мреже, морамо га разбити и разумети најосновнију јединицу неуронске мреже, тј. Перцептрон.
Шта је перцептрон?
Перцептрон је једнослојна неуронска мрежа која се користи за класификацију линеарних података. Садржи 4 важне компоненте:
- Улази
- Тегови и пристрасност
- Функција сумирања
- Функција активирања или трансформације
шта значи додавање у јави
Основна логика Перцептрона је следећа:
Улази (к) примљени од улазног слоја множе се са додељеним тежинама в. Помножене вредности се затим додају да би се формирао пондерисани збир. Пондерисани збир улаза и њихове одговарајуће тежине се затим примењују на релевантну функцију активирања. Функција активирања пресликава улаз на одговарајући излаз.
Тегови и пристрасност у дубоком учењу
Зашто сваком улазу морамо доделити пондере?
Једном када се улазна променљива доведе у мрежу, насумично изабрана вредност додељује се као тежина тог улаза. Тежина сваке тачке улазних података показује колико је тај улаз важан за предвиђање исхода.
Параметар пристраности, с друге стране, омогућава вам подешавање криве функције активације на такав начин да се постигне прецизан излаз.
Функција сумирања
Једном када се улазима додели нека тежина, узима се умножак одговарајућег улаза и тежине. Додавањем свих ових производа добија се пондерисана сума. То се врши помоћу функције сумирања.
Функција активирања
Главни циљ функција активирања је мапирање пондерисане суме на излаз. Функције активирања као што су танх, РеЛУ, сигмоид и тако даље примери су функција трансформације.
Да бисте сазнали више о функцијама Перцептрона, можете проћи кроз ово Блог.
Пре нас завршите овај блог, узмимо једноставан пример да бисмо разумели како функционише неуронска мрежа.
Неуронске мреже објашњене на примеру
Размотрите сценарио у којем треба да направите вештачку неуронску мрежу (АНН) која класификује слике у две класе:
- Класа А: Садржи слике не-болесних листова
- Класа Б: Садржи слике болесних листова
Па како створити неуронску мрежу која класификује лишће у болесне и не-болесне усеве?
Процес увек започиње обрадом и трансформисањем уноса на такав начин да се може лако обрадити. У нашем случају, свака листа листа ће се рашчланити на пикселе у зависности од димензије слике.
На пример, ако је слика састављена од 30 пута 30 пиксела, тада ће укупан број пиксела бити 900. Ти пиксели су представљени као матрице, које се затим уносе у улазни слој неуронске мреже.
Баш као што наш мозак има неуроне који помажу у изградњи и повезивању мисли, АНН има перцептроне који прихватају улазе и обрађују их преносећи их са улазног слоја на скривени и на крају излазни слој.
Како се улаз преноси са улазног слоја на скривени слој, сваком улазу се додељује почетна случајна тежина. Улази се затим помноже са одговарајућим пондерима и њихов збир се шаље као улаз на следећи скривени слој.
Овде се сваком перцептрону додељује нумеричка вредност која се назива пристраност, а која је повезана са тежином сваког улаза. Даље, сваки перцептрон пролази кроз активацију или функцију трансформације која одређује да ли ће се одређени перцептрон активирати или не.
Активирани перцептрон се користи за пренос података на следећи слој. На овај начин, подаци се шире (прослеђивање унапред) кроз неуронску мрежу док перцептрони не дођу до излазног слоја.
На излазном слоју изведена је вероватноћа која одлучује да ли подаци припадају класи А или класи Б.
Звучи једноставно, зар не? Па, концепт неуронских мрежа заснован је искључиво на функционисању људског мозга. Потребно вам је детаљно знање о различитим математичким концептима и алгоритмима. Ево листе блогова за почетак:
- Шта је дубоко учење? Први кораци са дубоким учењем
- Дубинско учење помоћу Питхона: Водич за почетнике за дубинско учење
Ако сматрате да је овај блог релевантан, погледајте Едурека, поуздана компанија за учење на мрежи са мрежом од више од 250 000 задовољних ученика раширених широм света. Едурека курс за дубинско учење помоћу ТенсорФлов сертификата помаже ученицима да постану стручњаци у обуци и оптимизацији основних и конволуционих неуронских мрежа користећи пројекте и задатке у стварном времену заједно са концептима као што су СофтМак функција, Неуронске мреже са аутоматским кодирањем, Ограничена Болтзманн машина (РБМ).