Süvaõppe põhitõed: mis on närvivõrgud?
Inimese aju on fantastiline mustreid tuvastav masin. See töötleb väliseid sisendeid, kategoriseerib need ja genereerib väljundi minimaalse teadliku pingutusega.Süvaõpe (ja laiemalt tehisintellekt) püüab seda ajuprotsessi jäljendada. Tegelik kaardistamine agajuhtub midagi, mida nimetatakse närvivõrguks.
Närvivõrgud on masinõppes üks populaarsemaid probleemide lahendamise meetodeid. Kuna andmeteaduse töökohtade nõudlus kasvab sellistes tehnoloogiakeskustes nagu Toronto ja New York , on oluline mõista, kuidas neid mõisteid rakendada. BrainStation Data Science Bootcamp õpetab teile neid oskusi ja valmistab teid ette karjääriks andmete alal. Aga lähme tagasi algusesse:
Mis on närvivõrk ja kuidas see töötab?
Närvivõrk on riistvara ja koodi süsteem, mis on kujundatud vastavalt sellele, kuidas neuronid töötavad inimese ajus. See aitab arvutitel mõelda, mõista ja õppida nagu inimesed.
Mõelge näiteks sellele, kui laps puudutab midagi kuuma (näiteks tassi kohvi), mis põhjustab põletuse. Enamasti takistaks see lapsel kuuma kohvitassi uuesti puudutamast. Võib aga kindlalt öelda, et lapsel polnud enne kruusi puudutamist sellisest valust teadlikku arusaama.
See inimese teadmiste ja välismaailma mõistmise muutmine põhineb mustrite äratundmisel ja mõistmisel. Sarnaselt inimestele õpivad ka arvutid sama mustrituvastusmeetodi abil. See on närvivõrgu toimimise aluseks.
Varem töötasid traditsioonilised arvutiprogrammid loogikapuude peal, mis tähendas, et kui juhtub A, siis juhtub B. Iga süsteemi kõiki võimalikke tulemusi saab eelnevalt programmeerida. See aga välistas igasuguse paindlikkuse vabaduse.
Närvivõrgudteisest küljest on ehitatud ilma eelnevalt määratletud loogikata; need on lihtsalt süsteem, mis on koolitatud andmetes sisalduvaid mustreid otsima ja nendega kohanema. See on modelleeritud inimese aju toimimise järgi, kus iga neuron või idee on ühendatud sünapside kaudu. Sünaps sisaldab väärtust, mis näitab kahe neuroni vahelise ühenduse tekkimise tõenäosust.
Neuron on ainulaadne mõiste. Kruus, valge värv, tee, kuuma tassi puudutamisel tekkiv põletustunne – kõike seda saab võtta võimalike neuronitena ja kõiki neid saab ühendada. Ühenduse tugevuse määrab nende vastava sünapsi väärtus. Mida kõrgem on kulu, seda parem on võlakiri.
Siin on näide olulisest närvivõrgu ühendusest, mis aitab paremini mõista:
Ülaltoodud diagrammil on neuroneid esindatud sõlmedega, kusjuures neid ühendavad jooned tähistavad sünapse. Sünapsi väärtus näitab võimalust, et üks neuron leitakse teise kõrval. Nii et selles näites kujutab diagramm kruusi, mis sisaldab valget ja väga kuuma kohvi.
Kõigil tassidel ei oleks selliseid omadusi nagu selles näites ja me saame tassiga ühendada erinevaid neuroneid (näiteks kohvi asemel tee). Kahe neuroni ühendamise võimaluse määrab neid ühendava vastava sünapsi tugevus.
Sellegipoolest väheneks stsenaariumi korral, kus kruuse regulaarselt kuumade jookide kandmiseks ei kasutata, kuumade tasside arv oluliselt, mis vähendaks ka kruuse kuumusega ühendavate sünapside tugevust.
Niisiis:
Saab:
Mis on Perceptron?
Pertseptronidon närvivõrgu alusmudel. See kasutab ühe binaarväljundi tootmiseks mitut binaarset sisendit (x1, x2 jne). Nagu nii:
Selle närvivõrgu paremaks mõistmiseks kasutame analoogiat.
Oletame, et kõnnid tööle. See otsus tööle minna võib põhineda kahel peamisel teguril: ilm ja see, kas on argipäev või mitte. Kuigi ilmategur on juhitav, on nädalavahetustel töötamine (sageli) tehingute rikkuja. Kuna me töötame siin binaarsete sisenditega, pakume tingimused jah või ei küsimuste kujul.
Kas ilm on hea? Üks jah, null ei. Kas see on argipäev? Üks jah, null ei vastu.
Pidage meeles, et me ei saa närvivõrku nendest tingimustest alguses teavitada. Võrgustik peab need ise õppima. Kuidas otsustab võrgustik otsuse tegemisel nende tegurite prioriteedi? Kasutades nn raskusi. Kaalud on eelistuste arvulised esitused. Suurem kaal paneb närvivõrgu eeldama, et sisendil on suurem prioriteet kui ülejäänud. Seda tähistavad ülaltoodud vooskeemis w1, w2….
Närvivõrkude väärtus
Igasugune süsteem, mis vajab masinõpe viitab abi saamiseks närvivõrgule ja sellel on palju põhjuseid:
- Närvivõrkude abil saavad kasutajad lahendada probleeme, mille jaoks traditsioonilist-algoritmilist meetodit kas ei eksisteeri või selle rakendamine on liiga kallis.
- Närvivõrgud õpivad eeskuju järgi, vähendades vajadust lisaprogrammide järele.
- Närvivõrgud on oluliselt kiiremad ja täpsemad kui tavameetodid.
Närvivõrkude reaalsed rakendused
Närvivõrkude abil süvaõpe on leidnud laialdast kasutust järgmistes valdkondades:
Kõnetuvastus
Selle hea näite jaoks otsige rohkem kuiAmazon Echo Dot, mis võimaldab kasutajatel saada uudiseid ja ilmateateid, tellida toitu või sooritada ost veebis lihtsalt rääkides.
Käekirjatuvastus
Närvivõrgud on koolitatud mõistma inimese käekirja mustreid jaGoogle'i käsitsi kirjutamise sisestusrakenduskasutab seda kritselduse teisendamiseks tähendusrikasteks tekstideks.
Näotuvastus
Alates pihuseadmete turvalisuse parandamisest kuni erinevateSnapchati filtrid, näotuvastus on kõikjal. Hea näide on tehnoloogia, mida Facebook kasutab, et soovitada inimestel saidile foto üleslaadimisel sildistada.
Kokkuvõtteks võib öelda, et närvivõrgud moodustavad paljude tänapäeval kasutatavate uuenduslike tehnoloogiate selgroo. Tegelikult on süvaõppe/masinõppe algatuse ette kujutamine ilma nendeta peaaegu võimatu ja see aja jooksul ainult suureneb.
Lisateavet BrainStationi kohta Masinõppe tunnistuse kursus ja Andmeteaduse diplom .
