Co to jest głębokie uczenie i sieć neuronowa

Sieci neuronowe(Neural Networks) i głębokie uczenie(Deep Learning) to obecnie dwa popularne hasła, które są obecnie używane w przypadku sztucznej inteligencji(Artificial Intelligence) . Ostatnie zmiany w świecie sztucznej inteligencji można przypisać tym dwóm, ponieważ odegrały one znaczącą rolę w poprawie inteligencji sztucznej inteligencji.

Rozejrzyj się, a znajdziesz wokół siebie coraz bardziej inteligentne maszyny. Dzięki sieciom neuronowym(Neural Networks) i głębokiemu uczeniu się(Deep Learning) , zadania i możliwości, które kiedyś uważano za mocną stronę człowieka, są teraz wykonywane przez maszyny. Dziś maszyny nie są już stworzone do zjadania bardziej złożonych algorytmów, ale zamiast tego rozwijają się w autonomiczny, samouczący się system, który jest w stanie zrewolucjonizować wiele branż na całym świecie.

Sieci neuronowe(Neural Networks) i głębokie uczenie(Deep Learning ) przyniosły badaczom ogromny sukces w zadaniach takich jak rozpoznawanie obrazów, rozpoznawanie mowy, znajdowanie głębszych relacji w zbiorach danych. Dzięki dostępności ogromnych ilości danych i mocy obliczeniowej maszyny mogą rozpoznawać obiekty, tłumaczyć mowę, szkolić się w identyfikowaniu złożonych wzorców, uczyć się opracowywania strategii i tworzenia planów awaryjnych w czasie rzeczywistym.

Jak dokładnie to działa? Czy wiesz, że zarówno sieci (Networks)neutralne(Neutral) , jak i głębokie uczenie(Deep-Learning) są związane w rzeczywistości, aby zrozumieć głębokie(Deep) uczenie, musisz najpierw zrozumieć sieci neuronowe(Neural Networks) ? Czytaj dalej, aby dowiedzieć się więcej.

Co to jest sieć neuronowa

Sieć neuronowa(Neural) to w zasadzie wzorzec programowania lub zestaw algorytmów, które umożliwiają komputerowi uczenie się na podstawie danych obserwacyjnych. Sieć neuronowa(Neural) jest podobna do ludzkiego mózgu, który działa poprzez rozpoznawanie wzorców. Dane sensoryczne są interpretowane za pomocą percepcji maszynowej, etykietowania lub grupowania surowych danych wejściowych. Rozpoznawane wzorce są numeryczne, zamknięte w wektorach, na które tłumaczone są dane, takie jak obrazy, dźwięk, tekst itp.

Think Neural Network! Think how a human brain function

Jak wspomniano powyżej, sieć neuronowa działa jak ludzki mózg; zdobywa całą wiedzę poprzez proces uczenia się. Następnie wagi synaptyczne przechowują zdobytą wiedzę. Podczas procesu uczenia się, wagi synaptyczne sieci są reformowane, aby osiągnąć pożądany cel.

Podobnie jak ludzki mózg, sieci neuronowe(Neural Networks) działają jak nieliniowe równoległe systemy przetwarzania informacji, które szybko wykonują obliczenia, takie jak rozpoznawanie wzorców i percepcja. W rezultacie sieci te działają bardzo dobrze w obszarach takich jak rozpoznawanie mowy, dźwięku i obrazu, w których wejścia/sygnały są z natury nieliniowe.

Mówiąc prościej, możesz zapamiętać sieć neuronową jako coś, co jest w stanie gromadzić wiedzę jak ludzki mózg i używać jej do przewidywania.(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)

Struktura sieci neuronowych

Głębokie uczenie i sieć neuronowa

(Źródło zdjęcia: Mathworks)

Sieci(Networks) neuronowe składają się z trzech warstw,

  1. Warstwa wejściowa,
  2. Ukryta warstwa i
  3. Warstwa wyjściowa.

Każda warstwa składa się z jednego lub więcej węzłów, jak pokazano na poniższym schemacie za pomocą małych kółek. Linie między węzłami wskazują przepływ informacji z jednego węzła do następnego. Informacja przepływa od wejścia do wyjścia, czyli od lewej do prawej (w niektórych przypadkach może to być od prawej do lewej lub w obie strony).

Węzły warstwy wejściowej są pasywne, co oznacza, że ​​nie modyfikują danych. Otrzymują pojedynczą wartość na swoim wejściu i powielają ją na wielu wyjściach. Natomiast(Whereas) węzły warstwy ukrytej i wyjściowej są aktywne. W ten sposób mogą modyfikować dane.

W połączonej strukturze każda wartość z warstwy wejściowej jest duplikowana i wysyłana do wszystkich ukrytych węzłów. Wartości wprowadzane do ukrytego węzła są mnożone przez wagi, zbiór z góry określonych liczb przechowywanych w programie. Ważone dane wejściowe są następnie dodawane w celu uzyskania jednej liczby. Sieci neuronowe mogą mieć dowolną liczbę warstw i dowolną liczbę węzłów na warstwę. Większość aplikacji wykorzystuje strukturę trójwarstwową z maksymalnie kilkuset węzłami wejściowymi

Przykład sieci neuronowej(Example of Neural Network)

Rozważmy sieć neuronową rozpoznającą obiekty w sygnale sonaru, aw komputerze PC przechowywanych jest 5000 próbek sygnału. Komputer musi dowiedzieć się, czy te próbki reprezentują łódź podwodną, ​​wieloryba, górę lodową, skały morskie, czy w ogóle nic? Konwencjonalne(Conventional DSP) metody DSP podejmą ten problem za pomocą matematyki i algorytmów, takich jak analiza korelacji i widma częstotliwości.

W przypadku sieci neuronowej 5000 próbek zostałoby przekazanych do warstwy wejściowej, co spowodowałoby wyskakiwanie wartości z warstwy wyjściowej. Wybierając odpowiednie wagi, wyjście można skonfigurować tak, aby raportowało szeroki zakres informacji. Na przykład mogą istnieć dane wyjściowe dla: łodzi podwodnej (tak/nie), skały morskiej (tak/nie), wieloryba (tak/nie) itp.

Przy innych wagach wyjścia mogą klasyfikować obiekty jako metalowe lub niemetalowe, biologiczne lub niebiologiczne, wróg lub sojusznik itp. Bez algorytmów, bez reguł, bez procedur; tylko związek między wejściem i wyjściem podyktowany wartościami wybranych wag.

Teraz zrozummy pojęcie Deep Learning.(Now, let’s understand the concept of Deep Learning.)

Co to jest głębokie uczenie

Głębokie uczenie jest zasadniczo podzbiorem sieci neuronowych(Neural Networks) ; być może można powiedzieć, że jest to złożona sieć neuronowa(Neural Network) z wieloma ukrytymi warstwami.

Technicznie rzecz biorąc, uczenie głębokie(Deep) można również zdefiniować jako potężny zestaw technik uczenia się w sieciach neuronowych. Odnosi się do sztucznych sieci neuronowych ( ANN ), które składają się z wielu warstw, ogromnych zbiorów danych, potężnego sprzętu komputerowego, aby umożliwić skomplikowany model treningowy. Zawiera klasę metod i technik wykorzystujących sztuczne sieci neuronowe z wieloma warstwami o coraz bogatszej funkcjonalności.

Struktura sieci głębokiego uczenia(Structure of Deep learning network)

Sieci głębokiego(Deep) uczenia się najczęściej wykorzystują architektury sieci neuronowych i dlatego są często określane jako głębokie sieci neuronowe. Użycie pracy „głębokiej” odnosi się do liczby warstw ukrytych w sieci neuronowej. Konwencjonalna sieć neuronowa zawiera trzy warstwy ukryte, podczas gdy sieci głębokie mogą mieć ich nawet 120-150.

Głębokie (Deep) uczenie(Learning) polega na dostarczaniu systemowi komputerowemu dużej ilości danych, które może wykorzystać do podejmowania decyzji dotyczących innych danych. Dane te są zasilane przez sieci neuronowe, tak jak w przypadku uczenia maszynowego. Sieci uczenia głębokiego(Deep) mogą uczyć się funkcji bezpośrednio z danych bez konieczności ręcznego wyodrębniania funkcji.

Przykłady Deep Learning(Examples of Deep Learning)

Głębokie uczenie jest obecnie wykorzystywane w prawie każdej branży, od samochodowej(Automobile) , lotniczej(Aerospace) i automatyki(Automation) po medyczną(Medical) . Oto kilka przykładów.

  • Google , Netflix i Amazon : Google używa go w swoich algorytmach rozpoznawania głosu i obrazu. Netflix i Amazon również korzystają z głębokiego uczenia się, aby decydować, co chcesz obejrzeć lub kupić dalej
  • Jazda bez kierowcy: naukowcy wykorzystują sieci głębokiego uczenia się do automatycznego wykrywania obiektów, takich jak znaki stopu i sygnalizacja świetlna. Głębokie(Deep) uczenie jest również wykorzystywane do wykrywania pieszych, co pomaga zmniejszyć liczbę wypadków.
  • Lotnictwo i obrona: Głębokie uczenie służy do identyfikowania obiektów z satelitów, które lokalizują obszary zainteresowania i identyfikowania bezpiecznych lub niebezpiecznych stref dla żołnierzy.
  • Dzięki Deep Learning Facebook automatycznie wyszukuje i oznacza znajomych na Twoich zdjęciach. Skype może tłumaczyć komunikaty głosowe w czasie rzeczywistym i dość dokładnie.
  • Badania medyczne: naukowcy medyczni wykorzystują głębokie uczenie do automatycznego wykrywania komórek rakowych
  • Automatyka przemysłowa(Industrial Automation) : Głębokie uczenie pomaga poprawić bezpieczeństwo pracowników wokół ciężkich maszyn poprzez automatyczne wykrywanie osób lub przedmiotów znajdujących się w niebezpiecznej odległości od maszyn.
  • Elektronika: Głębokie(Deep) uczenie jest wykorzystywane w automatycznym tłumaczeniu słuchu i mowy.

Przeczytaj(Read) : Co to jest uczenie maszynowe i uczenie głębokie(Machine Learning and Deep Learning) ?

Wniosek(Conclusion)

Koncepcja sieci neuronowych(Neural Networks) nie jest nowa, a naukowcy odnieśli umiarkowany sukces w ciągu ostatniej dekady. Jednak prawdziwym przełomem była ewolucja głębokich(Deep) sieci neuronowych.

Przewyższając tradycyjne podejścia do uczenia maszynowego, pokazał, że głębokie sieci neuronowe mogą być trenowane i testowane nie tylko przez nielicznych badaczy, ale ma również możliwość przyjęcia go przez międzynarodowe firmy technologiczne, aby w niedalekiej przyszłości wprowadzać lepsze innowacje.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!



About the author

Jestem inżynierem oprogramowania z ponad 10-letnim doświadczeniem w branży Xbox. Specjalizuję się w tworzeniu gier i testowaniu bezpieczeństwa. Jestem także doświadczonym recenzentem i pracowałem nad projektami dla największych nazwisk w branży gier, w tym Ubisoft, Microsoft i Sony. W wolnym czasie lubię grać w gry wideo i oglądać programy telewizyjne.



Related posts