Osnove dubokog učenja: što su neuronske mreže?

Ljudski mozak je fantastičan stroj za prepoznavanje uzoraka. Obrađuje vanjske ulaze, kategorizira ih i generira izlaz, uz minimalan svjesni napor.U svojoj srži, duboko učenje (i šire umjetna inteligencija) pokušava oponašati ovaj moždani proces. Međutim, stvarno mapiranjedogađa s nečim što se zove neuronska mreža.

Neuronske mreže jedna su od najpopularnijih metoda rješavanja problema u strojnom učenju. Kako raste potražnja za poslovima u znanosti o podacima u tehnološkim središtima kao što su Toronto i New Yorku , razumijevanje kako primijeniti ove koncepte bit će ključno. BrainStation Data Science Bootcamp naučit će vas tim vještinama i pripremiti vas za karijeru u podacima. No, vratimo se na početak:



Što je neuronska mreža i kako funkcionira?

Neuronska mreža je sustav hardvera i koda koji je uzoran na način na koji neuroni rade u ljudskom mozgu. Pomaže računalima da razmišljaju, razumiju i uče poput ljudi.



Kao primjer, razmislite o djetetu koje dodiruje nešto vruće (recimo šalicu kave), što uzrokuje opekline. U većini slučajeva to bi spriječilo dijete da ponovno dodirne vruću šalicu kave. No, sa sigurnošću se može reći da dijete nije imalo svjesno razumijevanje ove vrste boli prije nego što je dodirnulo šalicu.

Ova modifikacija čovjekova znanja i razumijevanja vanjskog svijeta temelji se na prepoznavanju i razumijevanju obrazaca. Slično kao i ljudi, računala također uče putem iste metode prepoznavanja uzoraka. To čini osnovu načina na koji neuronska mreža radi.



Ranije su tradicionalni računalni programi radili na logičkim stablima, što je značilo ako se dogodi A onda se dogodi B. Svi potencijalni ishodi za svaki sustav mogu se unaprijed programirati. To je, međutim, eliminiralo svaku slobodu fleksibilnosti.

Neuronske mreže, s druge strane, izgrađeni su bez ikakve unaprijed definirane logike; oni su samo sustav osposobljen da traži i prilagođava se obrascima sadržanim u podacima. To je modelirano na način na koji funkcionira ljudski mozak, gdje su svaki neuron ili ideja povezani putem sinapsi. Sinapsa uključuje vrijednost koja je prikaz vjerojatnosti nastanka veze između dva neurona.

Neuron je jedinstven pojam. Šalica, bijela boja, čaj, osjećaj peckanja pri dodiru vruće šalice - sve se to može uzeti kao mogući neuroni, a svaki od njih se može povezati. Jačina veze određena je vrijednošću njihove sinapse. Što je veći trošak, to je bolja veza.



Evo primjera bitne veze neuronske mreže koja pomaže u boljem razumijevanju:

Dijagram neuronske mreže

U gornjem dijagramu neuroni su predstavljeni čvorovima, a linije koje ih povezuju predstavljaju sinapse. Vrijednost sinapse označava mogućnost da se jedan neuron nađe uz drugi. Dakle, u ovom primjeru dijagram predstavlja šalicu koja sadrži kavu, koja je bijela i izuzetno vruća.



Sve šalice ne bi imale svojstva kao u ovom primjeru, a na šalicu možemo povezati različite neurone (na primjer, čaj umjesto kave). Mogućnost povezivanja dvaju neurona određena je snagom odgovarajuće sinapse koja ih povezuje.

Međutim, u scenariju u kojem se šalice ne koriste redovito za nošenje toplih napitaka, broj vrućih šalica bi se znatno smanjio, što bi također smanjilo snagu sinapsi koje povezuju šalice s toplinom.

Tako:

Neuronske mreže

Postaje:

Osnove neuronske mreže

Što je perceptron?

Perceptronisu temeljni model neuronske mreže. Koristi više binarnih ulaza (x1, x2, itd.) za proizvodnju jednog binarnog izlaza. Kao ovo:

Perceptron

Da bismo bolje razumjeli ovu neuronsku mrežu, poslužimo se analogijom.

Pretpostavimo da hodate na posao. Ova odluka o odlasku na posao može se temeljiti na dva glavna čimbenika: vremenu i tome je li radni dan ili ne. Iako je vremenski faktor podnošljiv, rad vikendom (često) prekida dogovor. Budući da ovdje radimo s binarnim ulazima, predložimo uvjete u obliku pitanja da ili ne.

Je li vrijeme lijepo? Jedan za da, nula za ne. Je li radni dan? Jedan da, nula za ne.

Imajte na umu da neuronsku mrežu ne možemo obavijestiti o tim uvjetima na samom početku. Mreža će ih morati sama naučiti. Kako će mreža odlučiti o prioritetu ovih čimbenika pri donošenju odluke? Korištenjem onoga što je poznato kao utezi. Ponderi su numerički prikazi preferencija. Veća težina će natjerati neuronsku mrežu da pretpostavi da je ulaz veći prioritet od ostalih. To je predstavljeno w1, w2… u dijagramu toka prikazanom iznad.

Vrijednost neuronskih mreža

Svaki sustav koji treba strojno učenje upućuje na neuronsku mrežu za pomoć, a za to postoji mnogo razloga:

  1. Uz pomoć neuronskih mreža korisnici mogu rješavati probleme za koje tradicionalno-algoritamska metoda ili ne postoji ili je preskupa za implementaciju.
  2. Neuronske mreže uče primjerom, smanjujući potrebu za dodatnim programima.
  3. Neuronske mreže su znatno brže i točnije od konvencionalnih metoda.

Primjene neuronskih mreža u stvarnom životu

Dubinsko učenje, uz pomoć neuronskih mreža, našlo je široku primjenu u sljedećim područjima:

Prepoznavanje govora

Za dobar primjer ovoga, ne tražite dalje odAmazon Echo Dot, koji korisnicima omogućuje dobivanje vijesti i ažuriranja vremena, naručivanje hrane ili dovršavanje kupnje na mreži samo govorom.

Prepoznavanje rukopisa

Neuronske mreže su osposobljene da razumiju obrasce u rukopisu osobe, iGoogleova aplikacija za unos rukopisakoristi to za pretvaranje škrabotina u smislene tekstove.

Prepoznavanje lica

Od poboljšanja sigurnosti ručnih uređaja do raznihSnapchat filteri, prepoznavanje lica je posvuda. Dobar primjer je tehnologija koju Facebook koristi kako bi predložio ljudima da označe kada se fotografija učita na stranicu.

Ukratko, neuronske mreže čine kralježnicu širokog spektra inovativnih tehnologija koje se danas koriste. Zapravo, zamisliti inicijativu dubokog/strojnog učenja bez njih je gotovo nemoguće, a to će se s vremenom samo povećavati.

Saznajte više o BrainStationu Tečaj certifikata strojnog učenja i Diploma za znanost o podacima .


Kategori: Znanost O Podacima