Grundlæggende om dyb læring: Hvad er neurale netværk?

Den menneskelige hjerne er en fantastisk mønstergenkendende maskine. Den behandler eksterne input, kategoriserer dem og genererer et output med minimal bevidst indsats.I sin kerne forsøger dyb læring (og mere bredt kunstig intelligens) at efterligne denne hjerneproces. Selve kortlægningensker med noget, der kaldes et neuralt netværk.

Neurale netværk er en af ​​de mest populære metoder til at løse problemer inden for maskinlæring. Efterhånden som datavidenskabsjob stiger i efterspørgslen i tech-hubs som Toronto og New York , vil det være afgørende at forstå, hvordan man anvender disse begreber. BrainStations Data Science Bootcamp vil lære dig disse færdigheder og forberede dig til en karriere inden for data. Men lad os gå tilbage til begyndelsen:

Hvad er et neuralt netværk, og hvordan fungerer det?

Et neuralt netværk er et system af hardware og kode mønstret på den måde, neuroner arbejder i den menneskelige hjerne. Det hjælper computere med at tænke, forstå og lære som mennesker.

Tænk for eksempel på et barn, der rører ved noget varmt (f.eks. en kop kaffe), som forårsager en forbrænding. I de fleste tilfælde ville dette forhindre barnet i at røre ved en varm kop kaffe igen. Det er dog sikkert at sige, at barnet ikke havde nogen bevidst forståelse af denne form for smerte, før det rørte ved kruset.

Denne modifikation af personens viden og forståelse af den ydre verden er baseret på at erkende og forstå mønstre. I lighed med mennesker lærer computere også gennem den samme metode til mønstergenkendelse. Dette danner grundlaget for den måde, et neuralt netværk fungerer på.

Tidligere arbejdede traditionelle computerprogrammer på logiske træer, hvilket betød, at hvis A sker, så sker B. Alle potentielle resultater for hvert system kunne forprogrammeres. Dette eliminerede imidlertid enhver frihed til fleksibilitet.

Neurale netværkpå den anden side er bygget uden nogen foruddefineret logik; de er blot et system, der er trænet til at søge efter og tilpasse sig mønstre indeholdt i data. Dette er modelleret på, hvordan den menneskelige hjerne fungerer, hvor hver neuron eller idé er forbundet via synapser. Synapse inkluderer en værdi, der er en repræsentation af sandsynligheden for, at en forbindelse opstår mellem to neuroner.

En neuron er et enestående begreb. Kruset, den hvide farve, teen, den brændende fornemmelse af at røre ved en varm kop - alle disse kan tages som mulige neuroner, og hver af disse kan forbindes. Styrken af ​​forbindelsen bestemmes af værdien af ​​deres respektive synapse. Jo højere omkostninger, jo bedre binding.

Her er et eksempel på en vigtig neural netværksforbindelse, der hjælper med at danne en bedre forståelse:

I diagrammet ovenfor er neuroner repræsenteret af noder, hvor linjerne, der forbinder dem, repræsenterer synapser. Værdien af ​​synapsen angiver muligheden for, at den ene neuron bliver fundet ved siden af ​​en anden. Så i dette eksempel repræsenterer diagrammet et krus, der indeholder kaffe, som er hvidt og ekstremt varmt.

Alle kopper ville ikke have de egenskaber som den i dette eksempel, og vi kan forbinde forskellige neuroner til koppen (for eksempel te i stedet for kaffe). Muligheden for, at to neuroner forbindes, bestemmes af styrken af ​​den tilsvarende synapse, der forbinder dem.

Når det er sagt, i et scenarie, hvor krus ikke regelmæssigt bruges til at bære varme drikke, ville antallet af varme kopper falde betydeligt, hvilket også ville reducere styrken af ​​synapserne, der forbinder krus med varme.

Så:

Bliver til:

Hvad er en Perceptron?

Perceptronerer den grundlæggende model for et neuralt netværk. Den bruger flere binære input (x1, x2 osv.) til at producere et enkelt binært output. Sådan her:

For bedre at forstå dette neurale netværk, lad os bruge en analogi.

Antag, at du går på arbejde. Denne beslutning om at gå på arbejde kan være baseret på to vigtige faktorer: vejret, og om det er en hverdag eller ej. Selvom vejrfaktoren er overskuelig, er arbejdet i weekenden (ofte) en deal-breaker. Da vi arbejder med binære input her, lad os foreslå betingelserne i form af ja eller nej spørgsmål.

Er vejret godt? En for ja, nul for nej. Er det en hverdag? Et ja, nul for nej.

Husk på, at vi ikke kan informere det neurale netværk om disse tilstande i starten. Netværket bliver nødt til at lære dem selv. Hvordan vil netværket afgøre prioriteringen af ​​disse faktorer, når de træffer en beslutning? Ved at bruge det, der er kendt som vægte. Vægte er numeriske repræsentationer af præferencer. En højere vægt vil få det neurale netværk til at antage, at input er en højere prioritet end resten. Dette er repræsenteret af w1, w2...i flowdiagrammet vist ovenfor.

Værdien af ​​neurale netværk

Ethvert system, der har brug for maskinelæring henviser til et neuralt netværk for at få hjælp, og der er mange grunde til dette:

1. Ved hjælp af neurale netværk kan brugere løse problemer, hvor en traditionel-algoritmisk metode enten ikke eksisterer eller er for dyr at implementere.
2. Neurale netværk lærer ved eksempel, hvilket reducerer behovet for yderligere programmer.
3. Neurale netværk er betydeligt hurtigere og mere præcise end konventionelle metoder.

Virkelige anvendelser af neurale netværk

Deep learning, ved hjælp af neurale netværk, har fundet udstrakt brug på følgende områder:

Tale genkendelse

For et godt eksempel på dette skal du ikke lede længere end tilAmazon Echo Dot, som lader brugere få nyhedsrapporter og vejropdateringer, bestille mad eller gennemføre et køb online blot ved at tale.

Håndskriftsgenkendelse

Neurale netværk er trænet til at forstå mønstre i en persons håndskrift, ogGoogles håndskriftsinput-applikationgør brug af dette til at konvertere skriblerier til meningsfulde tekster.

Ansigtsgenkendelse

Fra forbedring af sikkerheden på håndholdte enheder til divSnapchat filtre, ansigtsgenkendelse er overalt. Et godt eksempel er den teknologi, Facebook bruger til at foreslå folk at tagge, når et billede uploades til siden.

For at opsummere, udgør neurale netværk rygraden i en lang række innovative teknologier, der bruges i dag. Faktisk er det næsten umuligt at forestille sig et deep/machine learning-initiativ uden dem, og det vil kun stige med tiden.

Få mere at vide om BrainStations Machine Learning Certificate kursus og Data Science Diploma .

---