Co je hluboké učení a neuronová síť

Neuronové sítě a Deep Learning jsou v současné době dvě horké buzzwords, které se dnes používají s umělou inteligencí. Nedávný vývoj ve světě umělé inteligence lze přičíst těmto dvěma, protože hrají důležitou roli při zlepšování inteligence AI.

Podívejte se kolem sebe a najdete kolem něj stále více inteligentních strojů. Díky neuronovým sítím a hlubokému učení se práce a schopnosti, které byly kdysi považovány za forte lidí, nyní provádějí stroje. V dnešních dnech se již stroje nesnažují jíst složitější algoritmy, ale místo toho se krmí, aby se rozvinuly do autonomních a sebevzdělávaných systémů schopných revoluce v mnoha průmyslových odvětvích.

Neuronové sítě a Deep Výuka přinesla výzkumníkům obrovský úspěch v úlohách, jako je rozpoznávání obrazu, rozpoznávání řeči, hledání hlubších vztahů v datových sadách. S pomocí rozsáhlého množství dat a výpočetní síly mohou počítače rozpoznat objekty, překládat řeč, vycvičit sami, identifikovat složité vzory, naučit se navrhnout strategie a vytvářet plány pro nepředvídané události v reálném čase.

Tak jak to přesně dělá práce? Víte, že jak Neutrální sítě, tak Hluboké učení souvisí, ve skutečnosti, s pochopením hlubokého učení, musíte nejprve pochopit o neuronových sítích? Čtěte dále, abyste věděli víc.

Co je neuronová síť

Neuronová síť je v podstatě programovací vzorek nebo sada algoritmů, které umožňují počítači naučit se z pozorovacích údajů. Neuronová síť je podobná lidskému mozku, která funguje rozpoznáním vzorků. Smyslové údaje jsou interpretovány pomocí vnímání, označování nebo seskupování surového vstupu. Rozpoznané vzory jsou číselné, přiložené ve vektorů, do kterých jsou přenášena data, jako jsou obrázky, zvuk, text atd.

Mysli neuronovou síť! Myslete na to, jak funguje lidský mozek

Jak již bylo uvedeno výše, neuronová síť funguje stejně jako lidský mozek; získává veškeré znalosti prostřednictvím procesu učení. Potom synaptické závaží uchovávají získané znalosti. Během procesu učení se synaptické váhy sítě reformují tak, aby bylo dosaženo požadovaného cíle.

Stejně jako lidský mozek, Neural Networks pracují jako nelineární paralelní systémy zpracování informací, které rychle provádějí výpočty, jako je rozpoznávání vzorů a vnímání. Výsledkem je, že tyto sítě fungují velmi dobře v oblastech, jako je řeč, zvuk a rozpoznávání obrazu, kde vstupy / signály jsou neodmyslitelně nelineární.

Prostřednictvím jednoduchých slov si pamatujete Neuronovou síť jako něco, co je schopno shromažďovat znalosti jako lidské

Struktura neuronových sítí

(Image Credit: Mathworks)

Neuronové sítě se skládají ze tří vrstev,

1. Vstupní vrstva,
2. Skrytá vrstva a
3. Výstupní vrstva

Každá vrstva se skládá z jednoho nebo více uzlů, jak je znázorněno na obrázku níže malými kruhy. Linie mezi uzly označují tok informací od jednoho uzlu k druhému. Informace plynou ze vstupu na výstup, tj. Zleva doprava (v některých případech může být zprava doleva nebo oběma směry).

Uzly vstupní vrstvy jsou pasivní, což znamená, že nemění data. Oni dostávají jednu hodnotu na jejich vstup a duplikovat hodnotu na jejich více výstupů. Zatímco uzly skryté a výstupní vrstvy jsou aktivní. Takto mohou data upravit.

V propojené struktuře se každá hodnota ze vstupní vrstvy duplikuje a odesílá do všech skrytých uzlů. Hodnoty vstupující do skrytého uzlu se vynásobí váhami, sada předem stanovených čísel uložených v programu. Vážené vstupy se potom přidávají, aby se vytvořilo jedno číslo. Neuronové sítě mohou mít libovolný počet vrstev a libovolný počet uzlů na jednu vrstvu. Většina aplikací používá třívrstvou strukturu s maximem několika set vstupních uzlů

Příklad neuronové sítě

Zvažte neuronovou síť rozpoznávající objekty v sonarovém signálu a v počítači je uloženo 5000 signálů. PC musí zjistit, zda tyto vzorky představují ponorku, velrybu, ledovec, mořské skály nebo vůbec nic? Konvenční metody DSP by se tomuto problému přiblížily matematice a algoritmům, jako je korelace a analýza kmitočtového spektra.

Zatímco u neuronové sítě by bylo 5000 vstupních vrstev přiváděno do výstupní vrstvy, výsledkem by měly být výstupy z výstupní vrstvy. Volbou správné hmotnosti lze výstup nakonfigurovat tak, aby vykazoval širokou škálu informací. Například mohou být výstupy pro ponorky (ano / ne), mořské skály (ano / ne), velryby (ano / ne) atd.

S jinými váhy mohou výstupy klasifikovat objekty jako kovové nebo ne -metal, biologický nebo nebiologický, nepřítel nebo spojenec atd. Žádné algoritmy, žádná pravidla, žádné postupy; pouze vztah mezi vstupem a výstupem diktovaný hodnotami vybraných závaží

Nyní pochopíme koncept Deep Learning

Co je hluboké učení

Hluboce učení je v podstatě podmnožinou neuronových sítí; možná můžete říci složitou neuronovou síť s mnoha skrytými vrstvami.

Z technického hlediska může být hluboké učení definováno jako silná sada technik pro učení v neuronových sítích. To se týká umělých neuronových sítí (ANN), které jsou složeny z mnoha vrstev, masivních datových sad, výkonného počítačového hardwaru, který umožňuje komplikovaný tréninkový model. Obsahuje třídu metod a postupů, které používají umělé neuronové sítě s více vrstvami stále více bohatší funkčnosti.

Struktura sítě pro hluboké učení

Hluboké učící sítě většinou používají architekturu neuronových sítí a tudíž se často označují jako hluboké neuronové sítě. Použití práce "hluboké" označuje počet skrytých vrstev v neuronové síti. Konvenční neuronová síť obsahuje tři skryté vrstvy, zatímco hluboké sítě mohou mít až 120 až 150.

Deep Learning zahrnuje přivádění počítačového systému do velkého množství dat, které mohou využít při rozhodování o jiných datech. Tato data jsou přenášena neuronovými sítěmi, jak je tomu v případě strojního učení. Hluboké učení se může naučit rysy přímo z dat, aniž by bylo nutné manuální extrakci znaků.

Příklady hlubokého učení

Hluboké učení se v současné době využívá téměř ve všech průmyslových odvětvích od Automobilu, Letectví a Automatizace po Lékařské. Zde jsou některé příklady.

• Google, Netflix a Amazon: Společnost Google ji používá ve svých algoritmech pro rozpoznávání hlasu a obrazu. Netflix a Amazon také používají hluboké učení k tomu, aby se rozhodli, co chcete sledovat nebo koupit další.
• Řízení bez řidiče: Výzkumní pracovníci využívají hluboké učební sítě k automatickému zjišťování objektů, jako jsou stopky a semafory. Hloubkové učení se používá také k detekci chodců, které pomáhají snižovat havárie.
• Letectví a obrana: Hluboké učení se používá k identifikaci objektů ze satelitů, které lokalizují oblasti zájmu a pro identifikaci bezpečných nebo nebezpečných zón pro jednotky. Deep Learning, Facebook automaticky vyhledá a označuje přátele ve vašich fotografiích. Skype dokáže přeložit mluvenou komunikaci v reálném čase a docela přesně.
• Lékařský výzkum: Zdravotní výzkumníci používají hluboké učení k automatickému odhalení rakovinných buněk
• Průmyslová automatizace: Hluboké učení pomáhá zlepšit bezpečnost pracovníků kolem těžkých strojů automaticky detekuje, kdy se lidé nebo předměty nacházejí v nebezpečné vzdálenosti.
• Elektronika: Hluboké učení se používá v automatizovaném překladu sluchu a řeči.
• Závěr

Koncept neuronových sítí není nový a výzkumníci se setkali s mírným úspěchem v posledních deseti letech nebo tak. Ale skutečný měnič hry byl vývojem hlubokých neuronových sítí.

Při překonávání tradičních přístupů k strojnímu učení se ukázalo, že hluboké neuronové sítě mohou být vyškoleny a zkoušeny nejen několika výzkumníky, ale má také prostor pro být přijata nadnárodními technologickými společnostmi, které budou v blízké budoucnosti přicházet s lepšími inovacemi.

Díky technologii Deep Learning a neuronové síti AI nejen dělá úkoly, ale začíná myslet!