Основи на дълбокото обучение: Какво представляват невронните мрежи?

Човешкият мозък е фантастична машина за разпознаване на модели. Той обработва външни входове, категоризира ги и генерира изход с минимални съзнателни усилия.В основата си дълбокото обучение (и по-широко изкуственият интелект) се опитва да имитира този мозъчен процес. Действителното картографиране обаче,се случва с нещо, наречено невронна мрежа.

Невронните мрежи са един от най-популярните методи за решаване на проблеми в машинното обучение. Тъй като търсенето на работни места в науката за данни в технологичните центрове като Торонто и Ню Йорк , разбирането как да се прилагат тези концепции ще бъде от решаващо значение. BrainStation Научен лагер за данни ще ви научи на тези умения и ще ви подготви за кариера в областта на данните. Но да се върнем в началото:



Какво е невронна мрежа и как работи?

Невронната мрежа е система от хардуер и код, модел на начина, по който невроните работят в човешкия мозък. Помага на компютрите да мислят, разбират и учат като хората.



Като пример помислете за дете, което докосва нещо горещо (да речем чаша кафе), което причинява изгаряне. В повечето случаи това би попречило на детето да докосне отново чаша горещо кафе. Безопасно е да се каже обаче, че детето не е имало никакво съзнателно разбиране за този вид болка, преди да докосне чашата.

Тази модификация на знанията и разбирането на човека за външния свят се основава на разпознаване и разбиране на модели. Подобно на хората, компютрите също се учат чрез същия метод за разпознаване на модели. Това формира основата на начина на работа на невронната мрежа.



По-рано традиционните компютърни програми работеха върху логически дървета, което означаваше, че ако се случи А, тогава се случи Б. Всички потенциални резултати за всяка система могат да бъдат предварително програмирани. Това обаче елиминира всякаква свобода за гъвкавост.

Невронни мрежи, от друга страна, са изградени без никаква предварително дефинирана логика; те са просто система, обучена да търси и да се адаптира към модели, съдържащи се в данните. Това е моделирано по начина, по който функционира човешкият мозък, където всеки неврон или идея е свързан чрез синапси. Synapse включва стойност, която е представяне на вероятността за възникване на връзка между два неврона.

Невронът е единствено понятие. Чашата, белият цвят, чаят, усещането за парене при докосване на гореща чаша — всичко това може да се приеме като възможни неврони и всеки от тях може да бъде свързан. Силата на връзката се определя от стойността на съответния им синапс. Колкото по-висока е цената, толкова по-добра е връзката.



Ето пример за съществена връзка с невронна мрежа, която помага за по-добро разбиране:

Диаграма на невронна мрежа

В диаграмата по-горе невроните са представени от възли, като линиите, които ги свързват, представляват синапси. Стойността на синапса означава възможността този неврон да бъде открит до друг. И така, в този пример диаграмата представлява чаша, която съдържа кафе, което е бяло и изключително горещо.



Всички чаши няма да имат свойствата като тази в този пример и можем да свържем различни неврони към чашата (например чай вместо кафе). Възможността два неврона да бъдат свързани се определя от силата на съответния синапс, който ги свързва.

Въпреки това, при сценарий, при който чашите не се използват редовно за пренасяне на топли напитки, броят на горещите чаши ще намалее значително, което също би намалило силата на синапсите, свързващи чашите с топлината.

Така:

Невронни мрежи

става:

Основи на невронната мрежа

Какво е перцептрон?

Персептрониса основният модел на невронна мрежа. Той използва множество двоични входове (x1, x2 и т.н.), за да произведе един двоичен изход. Като този:

Персептрон

За да разберем по-добре тази невронна мрежа, нека използваме аналогия.

Да предположим, че ходиш пеша до работа. Това решение да отидете на работа може да се основава на два основни фактора: времето и дали е делничен ден или не. Въпреки че факторът на времето е управляем, работата през уикендите (често) нарушава сделката. Тъй като тук работим с двоични входове, нека предложим условията под формата на въпроси с да или не.

Времето хубаво ли е? Едно за да, нула за не. Делничен ден ли е? Едно да, нула за не.

Имайте предвид, че не можем да информираме невронната мрежа за тези състояния в самото начало. Мрежата ще трябва да ги научи сама. Как мрежата ще реши приоритета на тези фактори при вземане на решение? С помощта на това, което е известно като тежести. Теглата са числено представяне на предпочитанията. По-високото тегло ще накара невронната мрежа да приеме, че входът е с по-висок приоритет от останалите. Това е представено от w1, w2... в блок-схемата, показана по-горе.

Стойността на невронните мрежи

Всяка система, която се нуждае машинно обучение препраща към невронна мрежа за помощ и има много причини за това:

  1. С помощта на невронни мрежи потребителите могат да решават проблеми, за които традиционен алгоритмичен метод или не съществува, или е твърде скъп за прилагане.
  2. Невронните мрежи се учат чрез пример, намалявайки нуждата от допълнителни програми.
  3. Невронните мрежи са значително по-бързи и по-точни от конвенционалните методи.

Приложения в реалния живот на невронни мрежи

Дълбокото обучение с помощта на невронни мрежи е намерило широко приложение в следните области:

Гласово разпознаване

За добър пример за това, не търсете повече отAmazon Echo Dot, което позволява на потребителите да получават новини и актуализации за времето, да поръчват храна или да завършат покупка онлайн само с говорене.

Разпознаване на почерк

Невронните мрежи са обучени да разбират модели в почерка на човек иПриложението за въвеждане на ръкописен текст на Googleизползва това, за да преобразува драсканиците в смислени текстове.

Разпознаване на лица

От подобряване на сигурността на преносимите устройства до различниSnapchat филтри, разпознаването на лица е навсякъде. Добър пример е технологията, която Facebook използва, за да предложи на хората да маркират, когато снимка е качена на сайта.

За да обобщим, невронните мрежи съставляват гръбнака на голямо разнообразие от иновативни технологии, използвани днес. Всъщност да си представим инициатива за дълбоко/машинно обучение без тях е почти невъзможно и това само ще се увеличава с времето.

Научете повече за BrainStation’s Курс за сертификат за машинно обучение и Диплома за наука за данни .