Что такое глубокое обучение и нейронная сеть?

Neural Networks и Deep Learning - это в настоящее время два горячих слова, которые используются в настоящее время с использованием искусственного интеллекта. Недавние события в мире Искусственного интеллекта можно отнести к этим двум, поскольку они сыграли значительную роль в улучшении интеллекта ИИ.

Осмотритесь, и вы найдете все больше и больше интеллектуальных машин. Благодаря нейронным сетям и глубокому обучению, рабочие места и возможности, которые когда-то считались фортой людей, теперь выполняются машинами. Сегодня Машины больше не используются, чтобы потреблять более сложные алгоритмы, но вместо этого их кормят, чтобы превратиться в автономные системы самообучения, способные революционизировать многие отрасли вокруг.

Neural Networks и Deep Обучение принесло огромные успехи исследователям в таких задачах, как распознавание образов, распознавание речи, поиск более глубоких отношений в наборах данных. Благодаря наличию огромного количества данных и вычислительной мощности машины могут распознавать объекты, транслировать речь, обучать себя, чтобы идентифицировать сложные шаблоны, научиться разрабатывать стратегии и составлять планы на случай непредвиденных обстоятельств в реальном времени.

Итак, как именно это Работа? Знаете ли вы, что как нейтральные сети, так и глубокое обучение связаны, по сути, с пониманием глубокого обучения, вы должны сначала понять о нейронных сетях? Читайте дальше, чтобы узнать больше.

Что такое нейронная сеть

Нейронная сеть - это в основном шаблон программирования или набор алгоритмов, которые позволяют компьютеру учиться на данных наблюдений. Нейронная сеть похожа на мозг человека, который работает, признавая закономерности. Сенсорные данные интерпретируются с использованием машинного восприятия, маркировки или кластеризации исходного ввода. Признанные шаблоны являются численными, заключенными в векторы, в которые переводятся такие данные, как изображения, звук, текст и т. Д.

Think Neural Network! Подумайте, как функция человеческого мозга

Как упоминалось выше, нейронная сеть функционирует точно так же, как человеческий мозг; он приобретает все знания через учебный процесс. После этого синаптические веса хранят приобретенные знания. Во время учебного процесса синаптические веса сети реформируются для достижения желаемой цели.

Как и мозг человека, нейронные сети работают как нелинейные параллельные системы обработки информации, которые быстро выполняют вычисления, такие как распознавание образов и восприятие. В результате эти сети работают очень хорошо в таких областях, как распознавание речи, звука и изображений, где входы / сигналы по своей природе нелинейны.

Простыми словами вы можете вспомнить Neural Network как нечто, способное хранить знания как человека мозг и использовать его для прогнозирования.

Структура нейронных сетей

(Image Credit: Mathworks)

Нейронные сети включают в себя три слоя,

1. Входной слой,
2. Скрытый слой и
3. Выходной уровень.

Каждый слой состоит из одного или нескольких узлов, как показано на диаграмме ниже маленькими кругами. Линии между узлами указывают поток информации от одного узла к другому. Информация поступает от входа к выходу, т.е. слева направо (в некоторых случаях это может быть справа налево или в обоих направлениях).

Узлы входного слоя пассивны, то есть они не изменяют данные, Они получают единственное значение на своем входе и дублируют значение на свои множественные выходы. В то время как узлы скрытого и выходного уровней активны. Таким образом, они могут изменять данные.

В взаимосвязанной структуре каждое значение из входного уровня дублируется и отправляется всем скрытым узлам. Значения, вводимые в скрытый узел, умножаются на веса, набор заданных чисел, хранящихся в программе. Затем взвешенные входы добавляются для создания одного номера. Нейронные сети могут иметь любое количество слоев и любое количество узлов на слой. Большинство приложений используют трехслойную структуру с максимум несколькими сотнями входных узлов

Пример нейронной сети

Рассмотрим нейронную сеть, распознающую объекты в звуковом сигнале, и на ПК хранится 5000 образцов сигналов. ПК должен выяснить, являются ли эти образцы подводной лодкой, китом, айсбергом, морскими породами или вообще ничего? Обычные методы DSP будут подходить к этой проблеме с математикой и алгоритмами, такими как анализ корреляции и частотного спектра.

В то время как с нейронной сетью 5000 образцов будут подаваться на входной уровень, что приводит к появлению значений из выходного уровня. Выбрав правильные весы, выход можно настроить для сообщения широкого спектра информации. Например, могут быть выходы для: подводной лодки (да / нет), морской породы (да / нет), кита (да / нет) и т. Д.

С другими весами выходы могут классифицировать объекты как металлические или не- -металл, биологический или небиологический, враг или союзник и т. д. Нет алгоритмов, правил, процедур; только связь между входом и выходом, определяемая значениями выбранных весов.

Теперь давайте разобраться в концепции Deep Learning.

Что такое глубокое обучение

Глубокое обучение - это в основном подмножество Neural Networks; возможно, вы можете сказать сложную нейронную сеть со многими скрытыми слоями в ней.

С технической точки зрения, глубокое обучение также можно определить как мощный набор методов обучения в нейронных сетях. Это относится к искусственным нейронным сетям (ANN), которые состоят из множества слоев, массивных наборов данных, мощного компьютерного оборудования, чтобы сделать сложную модель обучения возможной.

Структура сети глубокого обучения

Сети глубокого обучения в основном используют нейронные сетевые архитектуры и поэтому часто называют глубокими нейронными сетями, Использование работы «глубоко» относится к числу скрытых слоев в нейронной сети. Обычная нейронная сеть содержит три скрытых слоя, в то время как глубокие сети могут иметь до 120-150.

Глубокое обучение включает в себя подачу компьютерной системы большого количества данных, которые она может использовать для принятия решений о других данных. Эти данные передаются через нейронные сети, как в случае машинного обучения.

Примеры глубокого обучения

Глубокое обучение в настоящее время используется практически в каждой отрасли, начиная с Automobile, Aerospace и Automation до Medical. Вот некоторые примеры.

• Google, Netflix и Amazon: Google использует его в своих голосах и алгоритмах распознавания изображений. Netflix и Amazon также используют глубокое обучение, чтобы решить, что вы хотите смотреть или покупать дальше
• Вождение без водителя: исследователи используют сети глубокого обучения для автоматического обнаружения объектов, таких как знаки остановки и светофоры. Глубокое обучение также используется для обнаружения пешеходов, что помогает уменьшить несчастные случаи.
• Aerospace and Defense: Глубокое обучение используется для идентификации объектов со спутников, которые определяют районы, представляющие интерес, и определения безопасных или опасных зон для войск.
• Благодаря Deep Learning, Facebook автоматически находит и подмечает друзей на ваших фотографиях. Skype может переводить разговорные разговоры в режиме реального времени и довольно точно.
• Медицинские исследования: медицинские исследователи используют глубокое обучение для автоматического выявления раковых клеток
• Промышленная автоматизация: глубокое обучение помогает улучшить безопасность работников вокруг тяжелой техники автоматически обнаружение, когда люди или объекты находятся на небезопасном расстоянии от машин.
• Электроника: глубокое обучение используется в автоматическом переводе речи и речи.

Заключение

Концепция нейронных сетей не нова, и исследователи встретились с умеренным успехом за последнее десятилетие или около того. Но реальный игровой чейнджер был эволюцией глубоких нейронных сетей.

Избавляя традиционные подходы к компьютерному обучению, он продемонстрировал, что глубокие нейронные сети могут обучаться и тестироваться не только несколькими исследователями, но и имеют возможность будут приняты многонациональными технологическими компаниями, чтобы в ближайшем будущем прийти к лучшим инновациям.

Благодаря Deep Learning и Neural Network, AI не просто выполняет задачи, но он начал думать!