Наш мозг - невероятная машина для распознавания образов. Он обрабатывает «входные данные» из внешнего мира, классифицирует их (это собака; это кусок пиццы; о, это автобус, идущий ко мне!), А затем генерирует «результат» (гладим собаку; кусаем пиццу, стараемся убраться с дороги автобуса!).
Все это происходит с небольшим сознательным усилием, почти импульсивно. Это та же самая система, которая определяет, злится ли кто-то на нас, невольно замечает сигнал остановки, когда мы проезжаем мимо него. Психологи называют этот способ мышления «Системой 1», и он включает в себя врожденные навыки, такие как восприятие и страх. (Существует также «Система 2», чтобы узнать больше об этом, ознакомьтесь с чрезвычайно информативным « Мышление, быстрое и медленное» Даниэля Канемана ).
Вы спрашиваете, как все это связано с нейронными сетями? Подождите, мы доберемся через секунду. Посмотрите на изображение выше, это обычные числа, только искаженные, для того чтобы лучше объяснить принцип обучения нейронной сети.
Даже взглянув мельком, ваш ум подскажет вам цифру «192». Вы, конечно, не сказали: «Ах, это похоже на прямую линию, я думаю, что это 1». Вы не стали вычислять это - это произошло мгновенно. Увлекательно, правда? Для этого есть очень простая причина - вы столько раз сталкивались с цифрой в своей жизни, что методом проб и ошибок ваш мозг автоматически распознает эту цифру, если вы дадите ей что-то даже отдаленно близкое к цифре.
Что такое нейронная сеть ? Как это работает?
По определению, нейронная сеть - это система аппаратного или программного обеспечения, созданная по образцу работы нейронов в мозге человека. По сути, это помогает компьютерам думать и учиться как люди. Пример прояснит ситуацию:
будучи ребенком, если мы когда-либо касались кружки горячего кофе, и она нас обжигала, мы старались больше не трогать горячую кружку. Но было ли у нас в сознании такое понятие вреда, прежде чем мы коснулись его? На самом деле, нет.
Эта корректировка наших знаний и понимания окружающего нас мира основана на распознавании закономерностей. И, как и мы, компьютеры тоже учатся через тот же тип распознавания образов. Это обучение составляет всю основу работы нейронных сетей .
Традиционные компьютерные программы работают на логических деревьях - если происходит А, то происходит Б. Все потенциальные результаты для каждой из систем могут быть предварительно запрограммированы. Однако это исключает возможности гибкости. Там нет обучения.
И вот тут приходят Нейронные сети! Нейронная сеть построена без какой - либо конкретной логики. По сути, это система, которая обучена искать и адаптироваться к шаблонам в данных. Он моделируется именно так, как работает наш собственный мозг. Каждый нейрон связан через синапсы. Каждый синапс имеет значение, которое представляет вероятность или вероятность возникновения связи между двумя нейронами. Взгляните на изображение ниже:
Что такое нейроны, спросите вы?
Проще говоря, нейрон - это единичное понятие. Кружка, цвет белый, чай - ощущение жжения от прикосновения к горячей кружке, в основном все что угодно. Все это возможные нейроны. Все они могут быть связаны, и сила их связи определяется значением их синапса. Чем выше значение, тем лучше связь.
Давайте рассмотрим одно базовое соединение нейронной сети, чтобы вы лучше поняли:
каждый нейрон - это узел, а соединяющие их линии - синапсы. Значение синапса представляет вероятность того, что один нейрон будет найден вместе с другим. Итак, довольно ясно, что диаграмма, показанная на изображении выше, описывает кружку с кофе, белого цвета и очень горячую.
Все кружки не имеют таких свойств, как рассматриваемая. Мы можем подключить много других нейронов к кружке. Чай, например, чаще встречается, чем кофе. Вероятность соединения двух нейронов определяется силой соединяющего их синапса. Чем больше горячих кружек мы тронем, тем сильнее синапс.
Однако в мире, где кружки не используются для хранения горячих напитков, количество горячих кружек резко уменьшится. Кстати, это уменьшение также приведет к снижению прочности синапсов, соединяющих кружки с теплом.
Итак, это небольшое и, казалось бы, неважное описание кружки представляет собой ядро построения нейронных сетей .
Мы дотрагиваемся до кружки на столе - мы обнаруживаем, что она горячая. Это заставляет нас думать, что все кружки горячие. Затем мы дотрагиваемся до другой кружки - на этот раз той, которая держится на полке - совсем не жарко. Мы заключаем, что кружки на полке не горячие. По мере того как мы растем, мы развиваемся.
Наш мозг собирал данные все это время. Эти данные позволяют определить точную вероятность того, будет ли горячая кружка, к которой мы собираемся прикоснуться. Нейронные сети учатся точно так же.
Теперь давайте немного поговорим о первой и самой базовой модели нейронной сети : Перцептрон!
Перцептрон - это самая базовая модель нейронной сети.
Он принимает несколько двоичных входов: x1, x2,... и выдает один двоичный выход
Давайте лучше разберемся с вышеуказанной нейронной сетью с помощью аналогии. Предположим, что Вы идете на работу. Ваше решение пойти на работу основано главным образом на двух факторах: погода и будний день или нет.
Погодный фактор все еще управляем (т.е. Вы можете пойти на работу и при плохой погоде), но работать по выходным - это большая проблема! Поскольку мы должны работать с двоичными входными данными, давайте предложим условия как вопросы «да» или «нет». Погода хорошая? 1 для да, 0 для нет. Это будний день? 1 да, 0 нет.
Помните, мы не можем явно сообщить нейронной сети об этих условиях; им придется выучить их для себя. Как он будет определять приоритетность этих факторов при принятии решения? Используя что-то, известное как «вес». Веса - это просто числовое представление предпочтений. Более высокий вес заставит нейронную сеть считать, что вход имеет более высокий приоритет, чем другие. Это представлено w1, w2... на блок-схеме выше.
«Хорошо, все это довольно увлекательно, но где Нейронные сети находят работу в практическом сценарии?»
Реальные приложения нейронных сетей
Если вы еще не поняли это, нейронная сеть может делать практически все, если вы можете получить достаточно данных и эффективную машину для получения правильных параметров. Все, что даже удаленно требует машинного обучения, обращается за помощью к нейронным сетям.
Глубокое обучение является еще одной областью, которая широко использует нейронные сети. Это один из многих алгоритмов машинного обучения, который позволяет компьютеру выполнять множество задач, таких как классификация, кластеризация или прогнозирование.
1)С помощью нейронных сетей мы можем найти решение таких задач, для которых традиционно-алгоритмический метод дорог или не существует.
2)Нейронные сети могут учиться на собственном примере, поэтому нам не нужно программировать это в значительной степени.
3)Нейронные сети точны и значительно быстрее обычных.
Следите за следующей большой вещью: машинное обучение
По причинам, упомянутым выше и более, Deep Learning, используя нейронные сети , находит широкое применение в следующих областях:
4)Распознавание речи: возьмите пример Apple Hope Pods - волшебные динамики, которые позволяют вам заказывать еду, получать новости и информацию о погоде или просто покупать что-то в Интернете, просто рассказывая об этом.
5)Распознавание рукописного ввода: Нейронные сети можно научить понимать закономерности чьего-либо почерка. Взгляните на приложение ввода рукописного ввода Google, которое использует распознавание рукописного ввода, чтобы легко преобразовать ваши каракули в тексты.
6)Распознавание лиц: от повышения безопасности на вашем телефоне (Face ID) до супер-крутых фильтров Snapchat - распознавание лиц есть везде. Если вы когда-либо загружали фотографию на Facebook и вас попросили пометить людей на вашей фотографии, вы знаете, что такое распознавание лиц!
7)Обеспечение искусственного интеллекта в играх. Если вы когда-либо играли в шахматы против компьютера, вы уже знаете, как искусственный интеллект стимулирует игры и их разработку. Это в той степени, в которой игроки используют ИИ, чтобы улучшить свою тактику и попробовать свои стратегии из первых рук .
Заключение ...
Нейронные сети составляют основу практически всех крупных технологий или изобретений, которые вы видите сегодня. Справедливо будет сказать, что представить себе глубокое / машинное обучение без нейронных сетей практически невозможно. В зависимости от того, как вы реализуете сеть и какой тип обучения вы используете, вы можете добиться многого от нейронной сети по сравнению с традиционной компьютерной системой.
