Apakah Rangkaian Pembelajaran Deep dan Neural

Rangkaian Neural dan Pembelajaran Deep saat ini adalah dua kata kunci panas yang sedang digunakan saat ini dengan Kecerdasan Buatan. Perkembangan baru-baru ini di dunia kecerdasan Buatan boleh dikaitkan dengan kedua-dua ini kerana mereka telah memainkan peranan penting dalam meningkatkan kecerdasan AI.

Lihatlah, dan anda akan mendapat lebih banyak mesin pintar. Terima kasih kepada Rangkaian Neural dan Pembelajaran Jernih, pekerjaan dan keupayaan yang pernah dianggap sebagai daya tarikan manusia kini sedang dilakukan oleh mesin. Hari ini, Mesin tidak lagi dibuat untuk memakan algoritma yang lebih kompleks, tetapi mereka diberi makan untuk membentuk sistem autonomi, kendiri yang mampu merevolusikan banyak industri di sekeliling.

Rangkaian Neural dan Deep Pembelajaran telah memberikan kejayaan besar kepada para penyelidik dalam tugas-tugas seperti pengenalan imej, pengecaman pertuturan, mencari hubungan yang lebih dalam dalam set data. Dibantu dengan adanya jumlah besar data dan kuasa pengiraan, mesin boleh mengenali objek, menterjemahkan ucapan, melatih diri untuk mengenal pasti corak kompleks, belajar bagaimana merangka strategi dan membuat rencana kontingensi secara real time.

Jadi, betapa tepatnya ini kerja? Adakah anda tahu bahawa kedua-dua rangkaian Neutral dan pembelajaran Deep berkaitan, sebenarnya, untuk memahami pembelajaran Deep, anda mesti terlebih dahulu memahami Neural Networks? Baca terus untuk mengetahui lebih lanjut.

Apakah Rangkaian Neural

Rangkaian neural pada dasarnya adalah corak pengaturcaraan atau satu set algoritma yang membolehkan komputer untuk belajar dari data pemerhatian. Rangkaian saraf adalah serupa dengan otak manusia, yang berfungsi dengan mengenali corak. Data deria ditafsirkan menggunakan persepsi mesin, pelabelan atau clustering input mentah. Corak yang diiktiraf adalah berangka, tertutup dalam vektor, di mana data seperti gambar, bunyi, teks, dan lain-lain diterjemahkan.

Fikirkan Neural Network! Fikirkan bagaimana fungsi otak manusia

Seperti yang disebutkan di atas, fungsi rangkaian saraf seperti otak manusia; ia memperoleh semua pengetahuan melalui proses pembelajaran. Selepas itu, berat sinaptik menyimpan pengetahuan yang diperoleh. Dalam proses pembelajaran, bobot sinaptik rangkaian diperbaharui untuk mencapai matlamat yang diinginkan.

Sama seperti otak manusia, Neural Networks berfungsi seperti sistem pemprosesan maklumat selari bukan linear yang cepat melakukan perhitungan seperti pengenalan pola dan persepsi. Hasilnya, rangkaian ini berfungsi dengan sangat baik dalam bidang seperti ucapan, audio dan pengiktirafan imej di mana input / isyaratnya secara tidak wajar.

Secara ringkas, anda boleh mengingati Network Neural sebagai sesuatu yang dapat menyimpan pengetahuan seperti manusia

Struktur Rangkaian Neural

(Image Credit: Mathworks)

Rangkaian Neural terdiri daripada tiga lapisan,

1. Lapisan input,
2. Lapisan tersembunyi, dan
3. Lapisan keluaran.

Setiap lapisan terdiri daripada satu atau lebih nod, seperti ditunjukkan dalam gambar di bawah oleh kalangan kecil. Garis antara nod menunjukkan aliran maklumat dari satu nod ke seterusnya. Maklumat ini mengalir dari input ke output, iaitu dari kiri ke kanan (dalam beberapa kes ia mungkin dari kanan ke kiri atau kedua-dua cara).

Nod lapisan masukan adalah pasif, yang bermaksud mereka tidak mengubah suai data. Mereka menerima satu nilai pada input mereka dan menduplikasi nilai kepada keluaran berganda mereka. Manakala, nod lapisan tersembunyi dan keluaran aktif. Oleh itu, mereka boleh mengubah suai data.

Dalam struktur yang saling berkaitan, setiap nilai dari lapisan masukan disalin dan dihantar ke semua nod yang tersembunyi. Nilai-nilai yang memasuki nod tersembunyi didarabkan dengan berat, satu set nombor yang telah ditetapkan di dalam program. Input berwajaran kemudian ditambah untuk menghasilkan nombor tunggal. Rangkaian saraf boleh mempunyai beberapa lapisan, dan bilangan nod setiap lapisan. Kebanyakan aplikasi menggunakan struktur tiga lapisan dengan maksimum beberapa ratus nod input

Contoh Rangkaian Neural

Pertimbangkan rangkaian saraf yang mengiktiraf objek dalam isyarat sonar, dan terdapat 5000 sampel isyarat yang disimpan dalam PC. PC perlu memikirkan jika sampel ini mewakili kapal selam, ikan paus, gunung es, batu laut, atau apa-apa sama sekali? Kaedah DSP konvensional akan mendekati masalah ini dengan matematik dan algoritma, seperti analisis spektrum korelasi dan kekerapan.

Walaupun dengan rangkaian saraf, 5000 sampel akan diberi kepada lapisan masukan, menghasilkan nilai-nilai yang muncul dari lapisan output. Dengan memilih berat yang tepat, output dapat dikonfigurasi untuk melaporkan pelbagai maklumat. Sebagai contoh, mungkin terdapat output untuk: kapal selam (ya / tidak), batu laut (ya / tidak), ikan paus (ya / tidak), dan sebagainya.

Dengan berat lain, output dapat mengklasifikasikan objek sebagai logam atau bukan -metal, biologi atau bukan biologi, musuh atau sekutu, dll. Tiada algoritma, tiada peraturan, tiada prosedur; hanya hubungan antara input dan output yang ditentukan oleh nilai-nilai berat yang dipilih.

Sekarang, mari kita memahami konsep Deep Learning.

Apa Pembelajaran Deep

Pembelajaran dalam pada dasarnya adalah subset dari Rangkaian Neural; mungkin anda boleh mengatakan rangkaian neural kompleks dengan banyak lapisan tersembunyi di dalamnya.

Secara teknikal, pembelajaran yang mendalam juga boleh ditakrifkan sebagai satu set teknik yang kuat untuk pembelajaran dalam rangkaian saraf. Ia merujuk kepada rangkaian neural buatan (ANN) yang terdiri daripada banyak lapisan, set data besar, perkakasan komputer yang kuat untuk membuat model latihan rumit mungkin. Ia mengandungi kelas kaedah dan teknik yang menggunakan rangkaian neural buatan dengan pelbagai lapisan fungsi yang lebih kaya.

Struktur rangkaian pembelajaran Deep

Rangkaian pembelajaran dalam kebanyakannya menggunakan seni bina rangkaian neural dan oleh itu sering dirujuk sebagai rangkaian saraf yang mendalam. Penggunaan kerja "mendalam" merujuk kepada bilangan lapisan tersembunyi dalam rangkaian saraf. Rangkaian neural konvensional mengandungi tiga lapisan tersembunyi, manakala rangkaian dalam dapat mempunyai sebanyak 120-150.

Pembelajaran Deep melibatkan pemakanan sistem komputer banyak data, yang dapat digunakan untuk membuat keputusan tentang data lain. Data ini disalurkan melalui rangkaian saraf, seperti halnya dalam pembelajaran mesin. Rangkaian pembelajaran mendalam boleh mempelajari ciri-ciri terus dari data tanpa memerlukan pengekstrakan ciri manual.

Contoh Pembelajaran Deep

Pembelajaran mendalam kini digunakan di hampir setiap industri bermula dari Automobil, Aeroangkasa, dan Automasi ke Perubatan. Berikut adalah beberapa contoh.

• Google, Netflix, dan Amazon: Google menggunakannya dalam algoritma suara dan pengiktirafan imejnya. Netflix dan Amazon juga menggunakan pembelajaran mendalam untuk menentukan apa yang ingin anda tonton atau beli seterusnya
• Memandu tanpa pemandu: Para penyelidik menggunakan rangkaian pembelajaran mendalam untuk mengesan objek secara automatik seperti tanda berhenti dan lampu isyarat. Pengetahuan mendalam juga digunakan untuk mengesan pejalan kaki, yang membantu mengurangkan kemalangan.
• Aerospace dan Pertahanan: Pengetahuan mendalam digunakan untuk mengenal pasti objek dari satelit yang mencari tempat yang menarik, dan mengenal pasti zon yang selamat atau tidak selamat untuk tentera.
• Terima kasih kepada Pembelajaran Deep, Facebook secara automatik mencari dan menanda rakan dalam foto anda. Skype boleh menterjemahkan komunikasi lisan secara tepat masa dan juga dengan tepat.
• Penyelidikan Perubatan: Penyelidik perubatan menggunakan pembelajaran mendalam untuk mengesan sel-sel kanser secara automatik
• Otomasi Perindustrian: Pembelajaran yang mendalam membantu meningkatkan keselamatan pekerja di sekitar jentera berat secara automatik mengesan apabila orang atau objek berada dalam jarak yang tidak selamat mesin.
• Elektronik: Pembelajaran yang mendalam sedang digunakan dalam terjemahan automatik dan terjemahan pertuturan

Kesimpulan

Konsep Neural Networks tidak baru, dan penyelidik telah bertemu dengan kejayaan sederhana dalam dekad yang lalu atau lebih. Tetapi penukar permainan sebenar telah menjadi evolusi rangkaian saraf Deep. Dengan 99% melakukan pendekatan pembelajaran mesin tradisional, ia telah menunjukkan bahawa rangkaian saraf yang mendalam boleh dilatih dan diuji bukan hanya oleh beberapa penyelidik, tetapi ia mempunyai ruang lingkup untuk diadopsi oleh syarikat teknologi multinasional untuk datang dengan inovasi yang lebih baik dalam masa terdekat.

Terima kasih kepada Deep Learning dan Rangkaian Neural, AI bukan sahaja melakukan tugas-tugas, tetapi ia mula berfikir!