Невронни мрежи и Дълбоко обучение са в момента двете горещи думи, които се използват днес с изкуствен интелект. Неотдавнашните събития в света на изкуствения интелект могат да бъдат приписани на тези две, тъй като те изиграха съществена роля в подобряването на интелигентността на AI.
Разгледайте наоколо и ще намерите все по-интелигентни машини наоколо. Благодарение на невронните мрежи и задълбоченото обучение, работните места и способностите, които някога са били считани за форте на хората, сега се извършват от машини. Днес Машините вече не са принудени да ядат по-сложни алгоритми, а вместо това те се хранят, за да се превърнат в автономни системи за самообучение, способни да революционизират много отрасли навсякъде.
Невронни мрежи и Дълбоко обучение дадоха огромен успех на изследователите в задачи като разпознаване на образи, разпознаване на реч, намиране на по-дълбоки връзки в набори от данни. Със съдействието на наличието на огромно количество данни и изчислителна мощ, машините могат да разпознават обекти, да превеждат речта си, да се обучават да идентифицират сложни модели, да научат как да разработват стратегии и да правят планове за непредвидени ситуации в реално време.
И така, как точно работи това? Знаете ли, че както неутралните мрежи, така и дълбокото обучение, свързани всъщност, за да разберете дълбокото учене, първо трябва да разберете за невронните мрежи? Прочетете нататък, за да научите повече.
Какво представлява невронна мрежа
Невронната мрежа е основно програмен модел или набор от алгоритми, които позволяват на компютъра да се учи от наблюдението. Невронната мрежа е подобна на човешкия мозък, който работи чрез разпознаване на моделите. Сензорните данни се интерпретират с помощта на машинно възприятие, етикетиране или групов вход. Установените модели са цифрови, приложени във вектори, в които се превеждат данни като изображения, звук, текст и т.н.
Помислете невронна мрежа! Помислете как функционира човешкият мозък
Както споменахме по-горе, една невронна мрежа функционира точно като човешки мозък; тя придобива всички знания чрез учебен процес. След това синаптичните тежести съхраняват придобитите знания. По време на учебния процес синаптичните тегла на мрежата се реформират, за да се постигне желаната цел.
Точно както човешкия мозък, Neural Networks работят като нелинейни паралелни системи за обработка на информация, които бързо извършват изчисления като разпознаване на модели и възприятие. В резултат на това тези мрежи функционират много добре в области като реч, аудио и разпознаване на изображения, където входовете / сигналите са по своята същност нелинейни.
С прости думи, можете да запомните Невронната мрежа като нещо, което е способно да запази знанието като човешки мозък и да го използва, за да направи прогнози.
Структура на невронните мрежи
(Image Credit: Mathworks)
Невронните мрежи се състоят от три слоя,
- Входният слой,
- Скритият слой и
- Изходен слой.
Всеки слой се състои от един или повече възли, както е показано на графиката по-долу от малки кръгове. Линиите между възлите означават потока информация от един възел към друг. Информацията протича от входа към изхода, т.е. отляво надясно (в някои случаи може да е от дясно на ляво или от двете посоки).
Възлите на входния слой са пасивни, което означава, че не променят данните. Те получават единична стойност на входа си и дублират стойността на своите множествени резултати. Докато възлите на скрития и изходния слой са активни. По този начин могат да променят данните.
В една взаимосвързана структура всяка стойност от входния слой се дублира и се изпраща към всички скрити възли. Стойностите, влизащи в скрит възел, се умножават по тегла, набор от предварително зададени числа, съхранени в програмата. Претеглените входове след това се добавят, за да се получи единичен номер. Невронните мрежи могат да имат произволен брой слоеве и всеки брой възли на слой. Повечето приложения използват трипластовата структура с максимум няколко стотин входни възли
Пример за невронна мрежа
Помислете за невронна мрежа, която разпознава обекти в сигнал на сонар и има 5000 сигнални сигнала, съхранени в компютъра. Компютърът трябва да разбере дали тези проби представляват подводница, кит, айсберг, морски скали или изобщо нищо? Конвенционалните методи за DSP биха приближили този проблем с математиката и алгоритмите, като корелационен анализ и анализ на честотния спектър.
Макар че с невронна мрежа, 5000 проби ще бъдат подавани към входния слой, което ще доведе до изскачащи стойности от изходния слой. Избирайки правилните тегла, изходът може да бъде конфигуриран да отчита широк спектър от информация. Например, може да има изходи за: подводница (да / не), морски скали (да / не), китове (да / не) и др.
При други тегла резултатите могат да класифицират обектите като метални или неметални, биологични или небиологични, враг или съюзник и т.н. Няма алгоритми, няма правила, няма процедури; само връзката между входа и изхода, диктувана от стойностите на избраните тегла.
Сега нека да разберем понятието "дълбоко учене".
Какво е дълбоко учене
Дълбокото обучение е основно подмножество от невронни мрежи; може би може да се каже една сложна невронна мрежа с много скрити слоеве в нея.
Технически казано, дълбокото обучение може да се определи като мощен набор от техники за обучение в невронни мрежи. Тя се отнася до изкуствени невронни мрежи (ANN), които са съставени от много слоеве, масивни набори от данни, мощен компютърен хардуер, за да се направи сложен модел за обучение възможно.Той съдържа класа на методи и техники, които използват изкуствени невронни мрежи с множество слоеве от все по-богати функционалности.
Структура на мрежата за дълбоко учене
Мрежите за дълбоко учене използват най-вече архитектури на невронни мрежи и следователно често се наричат дълбоки невронни мрежи. Използването на работа "дълбоко" се отнася до броя на скритите слоеве в невронната мрежа. Конвенционалната невронна мрежа съдържа три скрити слоя, докато дълбоките мрежи могат да имат до 120-150.
Дълбокото обучение включва подхранване на компютърна система с много данни, които тя може да използва, за да взема решения относно други данни. Тези данни се поемат от невронни мрежи, какъвто е случаят при машинното обучение. Дълбочинните мрежи за учене могат да се научат директно от данните, без да е необходимо извличането на ръчни функции.
Примери за дълбоко учене
Дълбокото обучение в момента се използва в почти всяка индустрия, като се започне от автомобилостроенето, аерокосмическата промишленост и автоматиката до медицинската. Ето някои от примерите.
- Google, Netflix и Amazon: Google го използва в алгоритмите за глас и разпознаване на изображения. Netflix и Amazon също използват дълбоко обучение, за да решат какво искате да гледате или купите следващия
- Шофиране без водач: Изследователите използват мрежи за дълбоко учене, за да откриват автоматично обекти като знаци за спиране и светофари. Дълбокото обучение се използва и за откриване на пешеходци, което помага за намаляване на злополуките.
- Аерокосмическа и отбрана: Дълбокото обучение се използва за идентифициране на обекти от сателити, които локализират области, представляващи интерес, и идентифициране на безопасни или несигурни зони за войските.
- Благодарение на Deep Learning, Facebook автоматично намира и маркира приятели във вашите снимки. Skype може да преведе говорените комуникации в реално време и доста точно.
- Медицински изследвания: Медицински изследователи използват дълбоко обучение за автоматично откриване на ракови клетки
- Индустриална автоматизация: Дълбокото обучение спомага за подобряване на безопасността на работниците около тежките машини чрез автоматично откриване кога хората или обектите са в несигурно разстояние от машините.
- Електроника: Дълбокото обучение се използва при автоматизирано превод на слуха и говора.
заключение
Концепцията за невронни мрежи не е нова и изследователите се срещнаха с умерен успех през последното десетилетие. Но истинският игрален чейнджър е еволюцията на дълбоките невронни мрежи.
Извършвайки традиционните методи на машинно обучение, тя демонстрира, че дълбоките невронни мрежи могат да бъдат обучени и анализирани не само от малко изследователи, но има възможност да бъдат приети от многонационалните технологични компании, които да идват с по-добри иновации в близко бъдеще.
Благодарение на Deep Learning и невронната мрежа, AI не само изпълнява задачите, но започва да мисли!
