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

(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!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

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.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

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

Related posts

• Organizator SMS: Aplikacja SMS oparta na uczeniu maszynowym

• Czym są uczenie maszynowe i uczenie głębokie w sztucznej inteligencji

• Jak zainstalować Drupala za pomocą WAMP w systemie Windows

• Najlepsze oprogramowanie i sprzęt Portfele Bitcoin dla Windows, iOS, Android

• Skonfiguruj darmową internetową stację radiową na komputerze z systemem Windows

• Co to jest link Magnet i jak otwierać linki Magnet w przeglądarce

• Plik zip jest zbyt duży błąd podczas pobierania plików z DropBox

• Czym są Big Data — proste wyjaśnienie z przykładem

• Jak zrobić kartę zaproszenia na komputerze z systemem Windows

• Dziewięć Nostalgic Tech Sounds, których prawdopodobnie nie słyszałeś od lat

• Zablokowany dostęp do Plex Server i ustawień serwera? Oto poprawka!

• Najlepsze narzędzia do wysyłania SMS-ów za darmo z komputera

• Etykieta wideokonferencji, wskazówki i zasady, których należy przestrzegać

• Aplikacje OpenGL nie działają na wyświetlaczu bezprzewodowym Miracast w systemie Windows 11/10

• Co to są wirtualne karty kredytowe oraz jak i gdzie je zdobyć?

• 10 najlepszych lamp USB LED do laptopów

• Jak tworzyć certyfikaty SSL z podpisem własnym w systemie Windows 11/10?

• Jak chronić i zabezpieczać dokumenty PDF hasłem za pomocą LibreOffice

• Wystąpił błąd podczas sprawdzania aktualizacji w VLC

• Wskazówki, narzędzia i usługi dotyczące zarządzania reputacją online