Шта је вештачка неуронска мрежа? Ево свега што треба да знате

Ако сте провели неко време читајући о вештачка интелигенција, скоро сигурно сте чули за вештачке неуронске мреже. Али шта је тачно један? Уместо да се упишете на свеобухватни курс информатике или да задубите у неке од детаљнијих ресурса који су доступно на мрежи, погледајте наш практични водич за лаике да бисте добили брз и лак увод у овај невероватан облик машине учење.

Шта је вештачка неуронска мрежа?

Вештачке неуронске мреже су један од главних алата који се користе у машинском учењу. Као што „неурални“ део њиховог имена сугерише, они су системи инспирисани мозгом који имају за циљ да реплицирају начин на који ми људи учимо. Неуронске мреже се састоје од улазних и излазних слојева, као и (у већини случајева) скривеног слоја који се састоји од јединица које трансформишу улаз у нешто што излазни слој може да користи. Они су одлични алати за проналажење образаца који су превише сложени или бројни да би их програмер могао издвојити и научити машину да препозна.

Док неуронске мреже (такође назване „перцептрони“) постоје од 1940-их, тек у последњих неколико деценија они су постали главни део вештачке интелигенције. Ово је због доласка технике која се зове „позадинско ширење“, која омогућава мрежама да прилагоде своје скривене слојеве неурона у ситуацијама где се исход не поклапа са оним чему се креатор нада - попут мреже дизајниране да препозна псе, која погрешно идентификује мачку, за пример.

Још један важан напредак био је долазак неуронских мрежа дубоког учења, у којима се разликују слојеви вишеслојне мреже издвајају различите карактеристике док не препознају шта траже за.

Звучи прилично сложено. Можете ли то објаснити као да имам пет година?

За основну идеју о томе како неуронска мрежа дубоког учења учи, замислите фабричку линију. Након што се сировине (скуп података) унесу, они се затим преносе низ транспортну траку, са сваким следећим заустављањем или слојем који издваја другачији скуп карактеристика високог нивоа. Ако је мрежа намењена да препозна објекат, први слој би могао да анализира осветљеност његових пиксела.

Следећи слој би тада могао да идентификује све ивице на слици, на основу линија сличних пиксела. После овога, други слој може препознати текстуре и облике итд. Док се достигне четврти или пети слој, мрежа дубоког учења ће створити комплексне детекторе карактеристика. Може открити да се одређени елементи слике (као што су пар очију, нос и уста) обично налазе заједно.

Када се то уради, истраживачи који су обучили мрежу могу да дају ознаке излазу, а затим да користе пропагацију уназад да исправе све грешке које су направљене. Након неког времена, мрежа може да обавља сопствене задатке класификације без потребе за људима да сваки пут помогну.

Осим тога, постоје различите врсте учења, као нпр под надзором или учење без надзора или учење поткрепљења, у којој мрежа учи сама за себе покушавајући да максимизира свој резултат — како то незаборавно изводи Гоогле ДеепМинд-ов Атари бот за играње игара.

Колико типова неуронске мреже постоји?

Постоји више типова неуронских мрежа, од којих свака има своје специфичне случајеве употребе и нивое сложености. Најосновнији тип неуронске мреже је нешто што се зове а феедфорвард неуронска мрежа, у којој информације путују само у једном правцу од улаза до излаза.

Више коришћени тип мреже је рекурентна неуронска мрежа, у којој подаци могу тећи у више праваца. Ове неуронске мреже поседују веће способности учења и широко се користе за сложеније задатке као што су учење рукописа или препознавање језика.

Постоје конволуционе неуронске мреже, Болцманове машинске мреже, Хопфиелд мреже, и низ других. Одабир праве мреже за ваш задатак зависи од података са којима морате да је обучите и специфичне апликације коју имате на уму. У неким случајевима може бити пожељно користити више приступа, као што би био случај са изазовним задатком као што је препознавање гласа.

Које врсте задатака може да уради неуронска мрежа?

Брзо скенирање наше архиве сугерише да би право питање овде требало да буде „који задаци не могу неуронска мрежа? Од чинећи да се аутомобили аутономно возе на путевима, до генеришући шокантно реалистична ЦГИ лица, до машинског превођења, до откривања превара, до читајући наше мисли, до препознавања када а мачка је у башти и укључује прскалице; неуронске мреже стоје иза многих највећих напретка у АИ.

Уопштено говорећи, међутим, они су дизајнирани за уочавање образаца у подацима. Специфични задаци могу укључивати класификацију (класификовање скупова података у унапред дефинисане класе), груписање (класификовање података у различите недефинисане категорије) и предвиђање (користећи прошле догађаје за погађање будућих, попут берзе или филмске кутије канцеларија).

Како тачно „уче“ ствари?

На исти начин на који учимо из искуства у нашим животима, неуронске мреже захтевају податке за учење. У већини случајева, што се више података може бацити на неуронску мрежу, то ће она постати тачнија. Замислите то као сваки задатак који радите изнова и изнова. Временом постепено постајете ефикаснији и правите мање грешака.

Када истраживачи или компјутерски научници крену да тренирају неуронску мрежу, они обично деле своје податке у три сета. Прво је скуп за обуку, који помаже мрежи да успостави различите тежине између својих чворова. Након тога, они га фино подешавају користећи скуп података за валидацију. Коначно, они ће користити скуп тестова да виде да ли може успешно да претвори улаз у жељени излаз.

Да ли неуронске мреже имају ограничења?

На техничком нивоу, један од већих изазова је количина времена која је потребна за обуку мрежа, што може захтевати значајну количину рачунарске снаге за сложеније задатке. Највећи проблем је, међутим, то што су неуронске мреже „црне кутије“, у које корисник уноси податке и добија одговоре. Они могу прецизно да подесе одговоре, али немају приступ тачном процесу доношења одлука.

Ово је проблем многих истраживача активно ради на, али ће то постати само хитније како вештачке неуронске мреже играју све већу улогу у нашим животима.

Препоруке уредника

• Лаптопови за пуњење УСБ-Ц: Ево шта треба да знате
• Шта је ГДДР7? Све што треба да знате о ВРАМ-у следеће генерације
• Замена МацБоок Про батерије: све што треба да знате
• Шта је Ви-Фи 7: Све што треба да знате о 802.11бе
• ИоуТубе покреће ручке. Ево шта треба да знате