Основе дубоког учења: Шта су неуронске мреже?

Људски мозак је фантастична машина за препознавање образаца. Он обрађује спољне улазе, категорише их и генерише излаз, уз минималан свесни напор.У суштини, дубоко учење (и шире вештачка интелигенција) покушава да опонаша овај мождани процес. Међутим, стварно мапирање,се дешава са нечим што се зове неуронска мрежа.

Неуронске мреже су једна од најпопуларнијих метода за решавање проблема у машинском учењу. Како расте потражња за пословима у области науке о подацима у технолошким центрима као што су Торонто и Њу Јорк , разумевање како применити ове концепте ће бити критично. БраинСтатион’с Дата Сциенце Боотцамп ће вас научити овим вештинама и припремити вас за каријеру у области података. Али да се вратимо на почетак:

Шта је неуронска мрежа и како функционише?

Неуронска мрежа је систем хардвера и кода који је обликован на начин на који неурони раде у људском мозгу. Помаже рачунарима да размишљају, разумеју и уче као људи.

Као пример, замислите да дете додирује нешто вруће (рецимо шољу кафе), што изазива опекотине. У већини случајева то би спречило дете да поново додирне врућу шољицу кафе. Међутим, са сигурношћу се може рећи да дете није имало свесно разумевање ове врсте бола пре него што је додирнуло шољу.

Ова модификација човековог знања и разумевања спољашњег света заснива се на препознавању и разумевању образаца. Слично као и људи, рачунари такође уче путем истог метода препознавања образаца. Ово чини основу начина на који неуронска мрежа функционише.

Раније су традиционални компјутерски програми радили на логичком стаблу, што је значило да ако се деси А онда се деси Б. Сви потенцијални исходи за сваки систем могу бити унапред програмирани. Ово је, међутим, елиминисало сваку слободу за флексибилност.

Неуронске мреже, са друге стране, изграђени су без икакве унапред дефинисане логике; они су само систем обучен да тражи и прилагођава се обрасцима садржаним у подацима. Ово је по узору на то како функционише људски мозак, где су сваки неурон или идеја повезани преко синапси. Синапса укључује вредност која представља вероватноћу да се успостави веза између два неурона.

Неурон је јединствен концепт. Шоља, бела боја, чај, осећај печења при додиривању вруће шољице — све ово се може узети као могући неурони, и сваки од њих се може повезати. Јачина везе је одређена вредношћу њихове одговарајуће синапсе. Што је већи трошак, то је боља веза.

Ево примера суштинске везе неуронске мреже која помаже у бољем разумевању:

На дијаграму изнад, неурони су представљени чворовима, а линије које их повезују представљају синапсе. Вредност синапсе означава могућност да се један неурон нађе поред другог. Дакле, у овом примеру, дијаграм представља шољу која садржи кафу, која је бела и изузетно врућа.

Све шољице не би имале својства као у овом примеру, а на шољу можемо да повежемо различите неуроне (на пример, чај уместо кафе). Могућност повезивања два неурона одређена је јачином одговарајуће синапсе која их повезује.

Међутим, у сценарију где се шоље не користе редовно за ношење топлих напитака, број врућих шољица би се значајно смањио, што би такође смањило снагу синапси које повезују шоље са топлотом.

Тако:

Постаје:

Шта је перцептрон?

Перцептронису основни модел неуронске мреже. Користи више бинарних улаза (к1, к2, итд.) за производњу једног бинарног излаза. Овако:

Да бисмо боље разумели ову неуронску мрежу, употребимо аналогију.

Претпоставимо да пешачите на посао. Ова одлука о одласку на посао може бити заснована на два главна фактора: временским приликама и да ли је радни дан или не. Иако је временски фактор подношљив, рад викендом (често) квари договор. Пошто овде радимо са бинарним улазима, хајде да предложимо услове у облику питања са да или не.

Да ли је време добро? Један за да, нула за не. Да ли је радни дан? Један да, нула за не.

Имајте на уму да неуронску мрежу не можемо обавестити о овим условима на самом почетку. Мрежа ће морати да их научи сама. Како ће мрежа одлучити о приоритету ових фактора приликом доношења одлуке? Коришћењем онога што је познато као тегови. Пондери су нумерички прикази преференција. Већа тежина ће натерати неуронску мрежу да претпостави да је унос већи приоритет од осталих. Ово је представљено в1, в2… у дијаграму тока приказаном изнад.

Вредност неуронских мрежа

Сваки систем који треба Машинско учење упућује на неуронску мрежу за помоћ, а за то постоји много разлога:

1. Уз помоћ неуронских мрежа корисници могу да решавају проблеме за које традиционално-алгоритамски метод или не постоји или је прескуп за имплементацију.
2. Неуронске мреже уче на примеру, смањујући потребу за додатним програмима.
3. Неуронске мреже су знатно брже и тачније од конвенционалних метода.

Примене неуронских мрежа у стварном животу

Дубоко учење, уз помоћ неуронских мрежа, нашло је широку примену у следећим областима:

Препознавање говора

За добар пример овога, не тражите даље одАмазон Ецхо Дот, који корисницима омогућава да добијају извештаје о вестима и временску прогнозу, да наруче храну или да обаве куповину на мрежи само говором.

Препознавање рукописа

Неуронске мреже су обучене да разумеју обрасце у рукопису особе, иГоогле-ова апликација за унос рукомкористи ово да претвори шкработине у смислене текстове.

Препознавање лица

Од побољшања безбедности ручних уређаја до разнихСнапцхат филтери, препознавање лица је свуда. Добар пример је технологија коју Фацебоок користи да предложи људима да означе када се фотографија отпреми на сајт.

Укратко, неуронске мреже чине кичму широког спектра иновативних технологија које се данас користе. У ствари, замислити иницијативу дубоког/машинског учења без њих је скоро немогуће, а то ће се временом само повећавати.

Сазнајте више о БраинСтатион-у Курс сертификата машинског учења и Дата Сциенце Диплома .

---