Asas Pembelajaran Mendalam: Apakah Rangkaian Neural?

Otak manusia ialah mesin pengecam corak yang hebat. Ia memproses input luaran, mengkategorikannya, dan menjana output, dengan usaha sedar yang minimum.Pada terasnya, pembelajaran mendalam (dan lebih luas kecerdasan buatan) cuba meniru proses otak ini. Pemetaan sebenar, bagaimanapun,berlaku dengan sesuatu yang dipanggil rangkaian saraf.

Rangkaian saraf adalah salah satu kaedah paling popular untuk menyelesaikan masalah dalam pembelajaran mesin. Memandangkan pekerjaan sains data meningkat dalam permintaan di hab teknologi seperti Toronto dan New York , memahami cara menggunakan konsep ini akan menjadi kritikal. BrainStation Bootcamp Sains Data akan mengajar anda kemahiran ini dan menyediakan anda untuk kerjaya dalam data. Tetapi mari kita kembali ke permulaan:

Apakah Rangkaian Neural dan Bagaimana Ia Berfungsi?

Rangkaian saraf ialah sistem perkakasan dan kod yang bercorak cara neuron berfungsi dalam otak manusia. Ia membantu komputer berfikir, memahami dan belajar seperti manusia.

Sebagai contoh, fikirkan tentang seorang kanak-kanak menyentuh sesuatu yang panas (katakan secawan kopi), yang menyebabkan melecur. Dalam kebanyakan kes, ini akan menghalang kanak-kanak daripada menyentuh secawan kopi panas lagi. Walau bagaimanapun, selamat untuk mengatakan bahawa kanak-kanak itu tidak mempunyai pemahaman sedar tentang kesakitan seperti ini sebelum menyentuh cawan.

Pengubahsuaian pengetahuan dan pemahaman seseorang tentang dunia luar adalah berdasarkan mengenali dan memahami corak. Sama seperti manusia, komputer juga belajar melalui kaedah pengecaman corak yang sama. Ini membentuk asas cara rangkaian saraf berfungsi.

Terdahulu, program komputer tradisional bekerja pada pokok logik, yang bermaksud jika A berlaku maka B berlaku. Semua hasil yang berpotensi untuk setiap sistem boleh dipraprogramkan. Ini, bagaimanapun, menghapuskan sebarang kebebasan untuk fleksibiliti.

Rangkaian saraf, sebaliknya, dibina tanpa sebarang logik yang telah ditetapkan; ia hanyalah sistem yang dilatih untuk mencari dan menyesuaikan diri dengan corak yang terkandung dalam data. Ini dimodelkan pada cara otak manusia berfungsi, di mana setiap neuron atau idea disambungkan melalui sinaps. Sinaps termasuk nilai yang mewakili kebarangkalian sambungan berlaku antara dua neuron.

Neuron adalah konsep tunggal. Cawan, warna putih, teh, rasa terbakar apabila menyentuh cawan panas — semua ini boleh dianggap sebagai neuron yang mungkin, dan setiap satu daripada ini boleh disambungkan. Kekuatan sambungan ditentukan oleh nilai sinaps masing-masing. Lebih tinggi kos, lebih baik bon.

Berikut ialah contoh sambungan rangkaian saraf penting yang membantu membentuk pemahaman yang lebih baik:

Dalam rajah di atas, neuron diwakili oleh nod, dengan garis yang menghubungkannya mewakili sinaps. Nilai sinaps menandakan kemungkinan bahawa satu neuron ditemui bersama yang lain. Jadi, dalam contoh ini, gambar rajah mewakili cawan yang mengandungi kopi, yang berwarna putih dan sangat panas.

Semua cawan tidak akan mempunyai sifat seperti dalam contoh ini, dan kita boleh menyambung neuron yang berbeza ke cawan (contohnya, teh dan bukannya kopi). Kemungkinan dua neuron disambungkan ditentukan oleh kekuatan sinaps yang sepadan yang menghubungkannya.

Walau bagaimanapun, dalam senario di mana cawan tidak kerap digunakan untuk membawa minuman panas, bilangan cawan panas akan berkurangan dengan ketara, yang juga akan mengurangkan kekuatan sinaps yang menyambungkan cawan kepada haba.

Jadi:

menjadi:

Apakah Perceptron?

Perceptronsadalah model asas rangkaian saraf. Ia menggunakan berbilang input binari (x1, x2, dsb.) untuk menghasilkan output binari tunggal. seperti ini:

Untuk lebih memahami rangkaian saraf ini, mari kita gunakan analogi.

Andaikan anda berjalan ke tempat kerja. Keputusan untuk pergi bekerja ini boleh berdasarkan dua faktor utama: cuaca, dan sama ada hari bekerja atau tidak. Walaupun faktor cuaca boleh diurus, bekerja pada hujung minggu adalah (selalunya) pemecah perjanjian. Memandangkan kami sedang mengusahakan input binari di sini, marilah kami mencadangkan syarat dalam bentuk soalan ya atau tidak.

Adakah cuaca baik? Satu untuk ya, sifar untuk tidak. Adakah hari minggu? Satu ya, sifar untuk tidak.

Perlu diingat bahawa kami tidak boleh memaklumkan rangkaian saraf tentang keadaan ini pada awalnya. Rangkaian perlu mempelajarinya sendiri. Bagaimanakah rangkaian akan menentukan keutamaan faktor-faktor ini apabila membuat keputusan? Dengan menggunakan apa yang dikenali sebagai pemberat. Pemberat ialah perwakilan berangka bagi keutamaan. Berat yang lebih tinggi akan menjadikan rangkaian saraf menganggap bahawa input adalah keutamaan yang lebih tinggi daripada yang lain. Ini diwakili oleh w1, w2…dalam carta alir yang ditunjukkan di atas.

Nilai Rangkaian Neural

Mana-mana sistem yang perlu pembelajaran mesin merujuk rangkaian saraf untuk mendapatkan bantuan, dan terdapat banyak sebab untuk ini:

1. Dengan bantuan rangkaian saraf, pengguna boleh menyelesaikan masalah yang mana kaedah tradisional-algoritma sama ada tidak wujud atau terlalu mahal untuk dilaksanakan.
2. Rangkaian saraf belajar melalui contoh, mengurangkan keperluan untuk program tambahan.
3. Rangkaian saraf jauh lebih pantas dan lebih tepat daripada kaedah konvensional.

Aplikasi Nyata Rangkaian Neural

Pembelajaran mendalam, dengan bantuan rangkaian saraf, telah menemui penggunaan meluas dalam bidang berikut:

Pengenalan suara

Untuk contoh yang baik tentang ini, jangan lihat lebih jauh daripadaAmazon Echo Dot, yang membolehkan pengguna mendapatkan laporan berita dan kemas kini cuaca, memesan makanan atau melengkapkan pembelian dalam talian hanya dengan bercakap.

Pengecaman Tulisan Tangan

Rangkaian saraf dilatih untuk memahami corak dalam tulisan tangan seseorang, danAplikasi Input Tulisan Tangan Googlemenggunakan ini untuk menukar coretan menjadi teks yang bermakna.

Pengecaman Wajah

Daripada meningkatkan keselamatan peranti pegang tangan kepada pelbagaiPenapis Snapchat, pengecaman muka ada di mana-mana. Contoh yang baik ialah teknologi yang digunakan Facebook untuk mencadangkan orang untuk menandakan apabila foto dimuat naik ke tapak.

Ringkasnya, rangkaian saraf membentuk tulang belakang pelbagai jenis teknologi inovatif yang digunakan hari ini. Malah, membayangkan inisiatif pembelajaran mendalam/mesin tanpa mereka adalah hampir mustahil, dan itu hanya akan meningkat dengan masa.

Ketahui lebih lanjut tentang BrainStation Kursus Sijil Pembelajaran Mesin dan Diploma Sains Data .

---