Ένας πλήρης οδηγός για το τεχνητό νευρικό δίκτυο στη μηχανική μάθηση

complete guide artificial neural network machine learning

Αυτό το σεμινάριο εξηγεί τι είναι τεχνητό νευρωνικό δίκτυο, πώς λειτουργεί ένα ANN, δομή και τύποι αρχιτεκτονικής ANN & Neural Network:

ποιο είναι το καλύτερο λογισμικό βάσης δεδομένων

Σε αυτό Εκπαίδευση μηχανικής εκμάθησης για όλους , εξερευνήσαμε τα πάντα Τύποι μηχανικής μάθησης στο προηγούμενο σεμινάριό μας.

Εδώ, σε αυτό το σεμινάριο, συζητήστε τους διάφορους αλγόριθμους των Neural Networks, μαζί με τη σύγκριση μεταξύ της μηχανικής μάθησης και του ANN. Πριν μάθουμε πώς συμβάλλει το ANN στη μηχανική μάθηση, πρέπει να γνωρίζουμε τι είναι ένα Τεχνητό Νευρωνικό Δίκτυο και σύντομες γνώσεις σχετικά με τη μηχανική μάθηση.

Ας διερευνήσουμε περισσότερα σχετικά με τη Μηχανική Εκμάθηση και το Τεχνητό Νευρωνικό Δίκτυο !!

=> Διαβάστε ολόκληρη τη σειρά εκπαίδευσης μηχανικής εκμάθησης

Τι θα μάθετε:

• Τι είναι η μηχανική εκμάθηση;
• Τι είναι ένα τεχνητό νευρικό δίκτυο;
• Δομή ενός βιολογικού νευρικού δικτύου
• Σύγκριση βιολογικού νευρώνα και τεχνητού νευρώνα
• Χαρακτηριστικά του ANN
• Δομή του ANN
• Λειτουργία ενεργοποίησης
• Τι είναι ένας τεχνητός νευρώνας;
• Πώς λειτουργεί το τεχνητό νευρώνα;
  • # 1) Λειτουργία ταυτότητας
  • # 2) Λειτουργία δυαδικών βημάτων
  • # 4) Σιγμοειδής συνάρτηση
  • # 5) Λειτουργία Ramp
• Βασικά μοντέλα του ANN
• Αρχιτεκτονική νευρωνικών δικτύων
  • # 1) Δίκτυο τροφοδοσίας προώθησης μονής στρώσης
  • # 2) Δίκτυο τροφοδοσίας προώθησης πολλαπλών επιπέδων
  • # 3) Ενιαίος κόμβος με τα δικά του σχόλια
  • # 4) Επαναλαμβανόμενο δίκτυο μίας στρώσης
  • # 5) Επαναλαμβανόμενο δίκτυο πολλαπλών επιπέδων
• Παράδειγμα δικτύου τεχνητού νευρώνα
• Σύγκριση μεταξύ μηχανικής μάθησης και ANN
• Νευρωνικά δίκτυα και βαθιά μάθηση
• Εφαρμογές τεχνητού νευρικού δικτύου
• Περιορισμοί νευρωνικών δικτύων
• συμπέρασμα
• Συνιστώμενη ανάγνωση

Τι είναι η μηχανική εκμάθηση;

Η Μηχανική Μάθηση είναι ένα πεδίο της επιστήμης που επιτρέπει στους υπολογιστές τη δυνατότητα να μαθαίνουν και να ενεργούν χωρίς να προγραμματίζονται ρητά. Είναι ένα υποπεδίο της Τεχνητής Νοημοσύνης.

Τι είναι ένα τεχνητό νευρικό δίκτυο;

Το ANN είναι ένα μη γραμμικό μοντέλο που χρησιμοποιείται ευρέως στη Μηχανική Εκμάθηση και έχει πολλά υποσχόμενο μέλλον στον τομέα της Τεχνητής Νοημοσύνης.

Το Τεχνητό Νευρωνικό Δίκτυο είναι ανάλογο με ένα βιολογικό νευρωνικό δίκτυο. Ένα βιολογικό νευρωνικό δίκτυο είναι μια δομή δισεκατομμυρίων διασυνδεδεμένων νευρώνων στον ανθρώπινο εγκέφαλο. Ο ανθρώπινος εγκέφαλος αποτελείται από νευρώνες που στέλνουν πληροφορίες σε διάφορα μέρη του σώματος ως απόκριση σε μια ενέργεια που εκτελείται.

Παρόμοιο με αυτό, ένα τεχνητό νευρικό δίκτυο (ANN) είναι ένα υπολογιστικό δίκτυο στην επιστήμη που μοιάζει με τα χαρακτηριστικά ενός ανθρώπινου εγκεφάλου. Το ANN μπορεί να μοντελοποιηθεί ως οι αρχικοί νευρώνες του ανθρώπινου εγκεφάλου, επομένως τα μέρη επεξεργασίας ANN ονομάζονται τεχνητοί νευρώνες.

Το ANN αποτελείται από μεγάλο αριθμό διασυνδεδεμένων νευρώνων που εμπνέονται από τη λειτουργία του εγκεφάλου. Αυτοί οι νευρώνες έχουν τη δυνατότητα να μάθουν, να γενικεύσουν τα εκπαιδευτικά δεδομένα και να αντλήσουν αποτελέσματα από περίπλοκα δεδομένα.

Αυτά τα δίκτυα χρησιμοποιούνται στους τομείς ταξινόμησης και πρόβλεψης, ταυτοποίησης μοτίβων & τάσεων, προβλημάτων βελτιστοποίησης κ.λπ. Το ANN μαθαίνει από τα εκπαιδευτικά δεδομένα (γνωστή είσοδος και έξοδος στόχου) χωρίς προγραμματισμό.

Το εκπαιδευμένο νευρωνικό δίκτυο ονομάζεται ειδικό σύστημα με τη δυνατότητα ανάλυσης πληροφοριών και απαντήσεων στις ερωτήσεις ενός συγκεκριμένου πεδίου.

Ο επίσημος ορισμός του ANN που δίνεται από τον Dr.Robert Hecht-Nielson, εφευρέτη ενός πρώτου υπολογιστή neuro είναι:

«… Ένα υπολογιστικό σύστημα που αποτελείται από έναν αριθμό απλών, πολύ διασυνδεδεμένων στοιχείων επεξεργασίας, τα οποία επεξεργάζονται πληροφορίες με τη δυναμική τους απόκριση σε εξωτερικές εισόδους».

Δομή ενός βιολογικού νευρικού δικτύου

Ένα βιολογικό νευρωνικό δίκτυο αποτελείται από:

• Soma: Αυτό ονομάζεται επίσης το κυτταρικό σώμα. Εκεί βρίσκεται ο πυρήνας του κυττάρου.
• Δενδρίτες: Αυτά είναι δέντρα που μοιάζουν με δέντρα και συνδέονται με το σώμα των κυττάρων. Είναι κατασκευασμένο από νευρικές ίνες.
• Άξον: Ο Axon μεταφέρει το σήμα από το σώμα του κυττάρου. Χωρίζεται σε σκέλη και κάθε σκέλος καταλήγει σε μια δομή τύπου λαμπτήρα που ονομάζεται synapse. Τα ηλεκτρικά σήματα περνούν μεταξύ της σύναψης και των δενδριτών.

(εικόνα πηγή )

Σύγκριση βιολογικού νευρώνα και τεχνητού νευρώνα

Χαρακτηριστικά του ANN

• Μη γραμμικότητα: Ο μηχανισμός που ακολουθείται στο ANN για τη δημιουργία του σήματος εισόδου είναι μη γραμμικός.
• Εποπτευόμενη μάθηση: Η είσοδος και η έξοδος χαρτογραφούνται και το ANN εκπαιδεύεται με το σύνολο δεδομένων εκπαίδευσης.
• Μη επιτηρούμενη μάθηση: Η έξοδος στόχου δεν δίνεται, οπότε το ANN θα μάθει μόνος του ανακαλύπτοντας τα χαρακτηριστικά στα μοτίβα εισαγωγής.
• Προσαρμοστική φύση: Τα βάρη σύνδεσης στους κόμβους του ANN είναι ικανά να προσαρμοστούν για να δώσουν την επιθυμητή έξοδο.
• Βιολογική αναλογία νευρώνων: Το ANN έχει δομή και λειτουργικότητα εμπνευσμένη από τον ανθρώπινο εγκέφαλο.
• Ανοχή σε σφάλματα: Αυτά τα δίκτυα είναι πολύ ανεκτικά καθώς οι πληροφορίες διανέμονται σε επίπεδα και ο υπολογισμός γίνεται σε πραγματικό χρόνο.

Δομή του ANN

Τα τεχνητά νευρικά δίκτυα επεξεργάζονται στοιχεία είτε με τη μορφή αλγορίθμων είτε συσκευών υλικού που έχουν διαμορφωθεί σύμφωνα με τη νευρωνική δομή ενός εγκεφαλικού φλοιού ανθρώπινου εγκεφάλου.

Αυτά τα δίκτυα ονομάζονται επίσης απλά Neural Networks. Το ΝΝ αποτελείται από πολλά στρώματα. Τα πολλαπλά στρώματα που διασυνδέονται ονομάζονται συχνά «Πολυστρωματικά Perceptron». Οι νευρώνες σε ένα στρώμα ονομάζονται «Κόμβοι». Αυτοί οι κόμβοι έχουν «λειτουργία ενεργοποίησης».

Το ANN έχει 3 κύρια επίπεδα:

• Επίπεδο εισόδου: Τα μοτίβα εισόδου τροφοδοτούνται στα επίπεδα εισόδου. Υπάρχει ένα επίπεδο εισόδου.
• Κρυμμένα επίπεδα: Μπορεί να υπάρχουν ένα ή περισσότερα κρυμμένα επίπεδα. Η επεξεργασία που πραγματοποιείται στα εσωτερικά στρώματα ονομάζεται «κρυμμένα στρώματα». Τα κρυμμένα επίπεδα υπολογίζουν την έξοδο με βάση τα 'βάρη' που είναι το 'άθροισμα των σταθμισμένων συνδέσεων συνάψεων'. Τα κρυμμένα επίπεδα βελτιώνουν την είσοδο αφαιρώντας περιττές πληροφορίες και στέλνουν τις πληροφορίες στο επόμενο κρυφό επίπεδο για περαιτέρω επεξεργασία.
• Επίπεδο εξόδου: Αυτό το κρυφό επίπεδο συνδέεται με το 'επίπεδο εξόδου' όπου εμφανίζεται η έξοδος.

Λειτουργία ενεργοποίησης

Η λειτουργία ενεργοποίησης είναι μια εσωτερική κατάσταση ενός νευρώνα. Είναι μια συνάρτηση της εισόδου που λαμβάνει ο νευρώνας. Η λειτουργία ενεργοποίησης χρησιμοποιείται για τη μετατροπή του σήματος εισόδου στον κόμβο του ANN σε σήμα εξόδου.

Τι είναι ένας τεχνητός νευρώνας;

Ένα Τεχνητό Νευρωνικό Δίκτυο αποτελείται από πολύ διασυνδεδεμένα στοιχεία επεξεργασίας που ονομάζονται κόμβοι ή νευρώνες.

Αυτοί οι νευρώνες λειτουργούν παράλληλα και είναι οργανωμένοι σε αρχιτεκτονική. Οι κόμβοι συνδέονται μεταξύ τους με συνδέσμους σύνδεσης. Κάθε νευρώνας φέρει βάρος που περιέχει πληροφορίες σχετικά με το σήμα εισόδου.

Πώς λειτουργεί το τεχνητό νευρώνα;

Ένας τεχνητός νευρώνας λαμβάνει μια είσοδο. Αυτές οι είσοδοι έχουν ένα βάρος που ονομάζεται «synapse». Αυτοί οι νευρώνες (ονομάζονται επίσης κόμβοι) έχουν «λειτουργία ενεργοποίησης». Αυτή η λειτουργία ενεργοποίησης λειτουργεί στην είσοδο και την επεξεργάζεται για να δώσει έξοδο.

Το σταθμισμένο άθροισμα των εισόδων γίνεται σήμα εισόδου στη λειτουργία ενεργοποίησης για να δώσει μία έξοδο. Αυτά τα βάρη εισόδου είναι ρυθμιζόμενα έτσι ώστε το νευρικό δίκτυο να μπορεί να προσαρμόσει τις παραμέτρους του για να δώσει την επιθυμητή έξοδο.

Λίγες κοινές λειτουργίες ενεργοποίησης που χρησιμοποιούνται σε τεχνητό νευρικό δίκτυο είναι:

# 1) Λειτουργία ταυτότητας

Μπορεί να οριστεί ως f (x) = x για όλες τις τιμές του x. Αυτή είναι μια γραμμική συνάρτηση όπου η έξοδος είναι ίδια με την είσοδο.

# 2) Λειτουργία δυαδικών βημάτων

Αυτή η λειτουργία χρησιμοποιείται σε δίκτυα ενός επιπέδου για τη μετατροπή της καθαρής εισόδου σε έξοδο. Η έξοδος είναι δυαδική δηλ. 0 ή 1. Το t αντιπροσωπεύει την τιμή κατωφλίου.

(εικόνα πηγή )

# 3) Διπολική λειτουργία βημάτων

Η λειτουργία διπολικού βήματος έχει διπολικές εξόδους (+1 ή -1) για την καθαρή είσοδο. Το Τ αντιπροσωπεύει την τιμή κατωφλίου.

# 4) Σιγμοειδής συνάρτηση

Χρησιμοποιείται σε δίκτυα backpropagation.

Είναι δύο τύπων:

• Λειτουργία δυαδικού σιγμοειδούς: Ονομάζεται επίσης ως μονοπολική σιγμοειδής συνάρτηση ή λογιστική σιγμοειδής συνάρτηση. Το εύρος του σιγμοειδούς λειτουργικού είναι 0 έως 1.

• Διπολικό σιγμοειδές: Η διπολική σιγμοειδής συνάρτηση κυμαίνεται από -1 έως +1. Είναι παρόμοιο με τη συνάρτηση υπερβολικής εφαπτομένης.

(εικόνα πηγή )

# 5) Λειτουργία Ramp

ο σταθμισμένο άθροισμα εισόδων σημαίνει το «προϊόν του βάρους της εισόδου και της αξίας των εισροών» που συνοψίζονται για όλες τις εισόδους.

Αφήστε το I = {I1, I2, I3… In} να είναι το μοτίβο εισόδου στο νευρώνα.

Ας W = {W1, W2, W3… Wn} να είναι το βάρος που σχετίζεται με κάθε είσοδο στον κόμβο.

Σταθμισμένο άθροισμα εισόδων = Y = (? Wi * Ii) για i = 1 έως n

Βασικά μοντέλα του ANN

Τα μοντέλα τεχνητού νευρικού δικτύου αποτελούνται από 3 οντότητες:

• Βάρη ή συναπτικές συνδέσεις
• Ο κανόνας εκμάθησης που χρησιμοποιείται για την προσαρμογή των βαρών
• Λειτουργίες ενεργοποίησης του νευρώνα

Αρχιτεκτονική νευρωνικών δικτύων

Στο ANN οι νευρώνες αλληλοσυνδέονται και η έξοδος κάθε νευρώνα συνδέεται με τον επόμενο νευρώνα μέσω βαρών. Η αρχιτεκτονική αυτών των διασυνδέσεων είναι σημαντική σε ένα ANN. Αυτή η διάταξη έχει τη μορφή στρωμάτων και η σύνδεση μεταξύ των στρωμάτων και εντός της στρώσης είναι η αρχιτεκτονική του νευρικού δικτύου.

Οι πιο γνωστές αρχιτεκτονικές δικτύου είναι:

1. Δίκτυο τροφοδοσίας μίας στρώσης
2. Δίκτυο τροφοδοσίας πολλαπλών επιπέδων
3. Ενιαίος κόμβος με τα δικά του σχόλια
4. Επαναλαμβανόμενο δίκτυο μίας στρώσης
5. Επαναλαμβανόμενο δίκτυο πολλαπλών επιπέδων

Ας ρίξουμε μια ματιά σε καθένα από αυτά λεπτομερώς.

oracle sql ερωτήσεις συνέντευξης για έμπειρους

# 1) Δίκτυο τροφοδοσίας προώθησης μονής στρώσης

Ένα στρώμα είναι ένα δίκτυο που αποτελείται από νευρώνες. Αυτοί οι νευρώνες συνδέονται με τους άλλους νευρώνες του επόμενου στρώματος. Για ένα μόνο επίπεδο, υπάρχουν μόνο τα επίπεδα εισόδου και εξόδου. Το επίπεδο εισόδου συνδέεται στους κόμβους επιπέδου εξόδου με βάρη.

Όλοι οι κόμβοι εισόδου είναι συνδεδεμένοι σε καθέναν από τους κόμβους εξόδου. Ο όρος feed-forward απεικονίζει ότι δεν αποστέλλεται ανάδραση από το επίπεδο εξόδου στο επίπεδο εισόδου. Αυτό σχηματίζει ένα δίκτυο τροφοδοσίας προώθησης ενός επιπέδου.

(εικόνα πηγή )

# 2) Δίκτυο τροφοδοσίας προώθησης πολλαπλών επιπέδων

Το δίκτυο πολλαπλών επιπέδων αποτελείται από ένα ή περισσότερα επίπεδα μεταξύ της εισόδου και της εξόδου. Το επίπεδο εισόδου λαμβάνει απλώς ένα σήμα και το προσωρινά αποθηκεύει ενώ το επίπεδο εξόδου εμφανίζει την έξοδο. Τα επίπεδα μεταξύ της εισόδου και της εξόδου ονομάζονται κρυμμένα επίπεδα.

Τα κρυμμένα στρώματα δεν έρχονται σε επαφή με το εξωτερικό περιβάλλον. Με μεγαλύτερο αριθμό κρυφών επιπέδων, η απόκριση εξόδου είναι πιο αποτελεσματική. Οι κόμβοι στο προηγούμενο επίπεδο συνδέονται με κάθε κόμβο στο επόμενο επίπεδο.

Δεδομένου ότι δεν υπάρχει επίπεδο εξόδου συνδεδεμένο με την είσοδο ή τα κρυφά στρώματα, σχηματίζει ένα δίκτυο τροφοδοσίας πολλαπλών επιπέδων.

# 3) Ενιαίος κόμβος με τα δικά του σχόλια

Τα δίκτυα στα οποία η έξοδος του επιπέδου εξόδου αποστέλλεται ως είσοδος στο επίπεδο εισόδου ή στα άλλα κρυφά στρώματα ονομάζεται Δίκτυα Ανατροφοδότησης. Σε συστήματα ανατροφοδότησης ενός κόμβου, υπάρχει ένα στρώμα εισόδου όπου η έξοδος ανακατευθύνεται ως ανάδραση.

# 4) Επαναλαμβανόμενο δίκτυο μίας στρώσης

Σε ένα επαναλαμβανόμενο δίκτυο ενός επιπέδου, το δίκτυο ανατροφοδότησης σχηματίζει έναν κλειστό βρόχο. Σε αυτό το μοντέλο, ένας μόνο νευρώνας λαμβάνει ανατροφοδότηση για τον εαυτό του ή για τους άλλους νευρώνες στο δίκτυο ή και τα δύο.

# 5) Επαναλαμβανόμενο δίκτυο πολλαπλών επιπέδων

Στο επαναλαμβανόμενο δίκτυο πολλαπλών επιπέδων, υπάρχουν πολλά κρυφά στρώματα και η έξοδος ανακατευθύνεται στους νευρώνες των προηγούμενων στρωμάτων και σε άλλους νευρώνες στα ίδια στρώματα ή στον ίδιο τον νευρώνα.

Παράδειγμα δικτύου τεχνητού νευρώνα

Ας πάρουμε το παρακάτω δίκτυο με τη δεδομένη είσοδο και να υπολογίσουμε τον καθαρό νευρώνα εισόδου και να αποκτήσουμε την έξοδο του νευρώνα Υ με λειτουργία ενεργοποίησης ως δυαδικό σιγμοειδές.

Η είσοδος έχει 3 νευρώνες X1, X2 και X3, και μία έξοδο Y.

Τα βάρη που σχετίζονται με τις εισόδους είναι: {0,2, 0,1, -0,3}

Είσοδοι = {0,3, 0,5, 0,6}

Καθαρή είσοδος = {x1 * w1 + x2 * w2 + x3 * w3}

Καθαρή είσοδος = (0,3 * 0,2) + (0,5 * 0,1) + (0,6 * -0,3)

Καθαρή είσοδος = -0.07

Έξοδος για δυαδικό σιγμοειδές:

Το Χ είναι -0.07

Η έξοδος είναι 0,517

απροσδιόριστη αναφορά στη συνάρτηση c ++

Σύγκριση μεταξύ μηχανικής μάθησης και ANN

Νευρωνικά δίκτυα και βαθιά μάθηση

Τα δίκτυα Deep Learning περιέχουν πολλά κρυφά επίπεδα μεταξύ της εισόδου και της εξόδου. Αυτά τα δίκτυα διακρίνονται από το βάθος των κρυφών επιπέδων σε αυτά. Τα δεδομένα εισόδου περνούν από πολλά βήματα πριν εμφανιστεί η έξοδος.

Αυτά τα δίκτυα διαφέρουν από το προηγούμενο NN, όπως το perceptron που είχε ένα μόνο κρυφό επίπεδο και ονομάστηκε Shallow Networks. Κάθε κρυφό επίπεδο στο δίκτυο βαθιάς μάθησης εκπαιδεύει τα δεδομένα με συγκεκριμένες δυνατότητες με βάση την έξοδο του προηγούμενου επιπέδου.

Τα δεδομένα περνούν από πολλά επίπεδα μη γραμμικής συνάρτησης στον κόμβο. Όσο περισσότερο ο αριθμός των επιπέδων, τόσο πιο πολύπλοκα χαρακτηριστικά μπορούν να αναγνωριστούν, καθώς το επόμενο επίπεδο θα εκτελέσει συνάθροιση χαρακτηριστικών από τα προηγούμενα επίπεδα.

Πολλά κρυμμένα επίπεδα στο δίκτυο αυξάνουν την πολυπλοκότητα και την αφαίρεση. Αυτό το βάθος ονομάζεται επίσης ιεραρχία χαρακτηριστικών. Λόγω αυτού, τα δίκτυα βαθιάς μάθησης είναι ικανά να χειρίζονται δεδομένα υψηλής διαστάσεων.

Μερικά παραδείγματα δικτύων βαθιάς μάθησης περιλαμβάνουν τη συγκέντρωση εκατομμυρίων εικόνων με βάση τα χαρακτηριστικά και τις ομοιότητές του, φιλτράρισμα μηνυμάτων email, εφαρμογή φίλτρων σε μηνύματα στο CRM, αναγνώριση ομιλίας κ.λπ.

Τα Deep Learning Networks μπορούν να εκπαιδευτούν τόσο σε σύνολο δεδομένων όσο και σε ετικέτες. Για το σύνολο δεδομένων χωρίς ετικέτα, τα δίκτυα όπως οι μηχανές επιλογής Boltzmann εκτελούν αυτόματη εξαγωγή χαρακτηριστικών.

Το δίκτυο μαθαίνει αυτόματα αναλύοντας την είσοδο μέσω δειγματοληψίας και ελαχιστοποιώντας τη διαφορά στην έξοδο και τη διανομή της εισόδου. Το νευρικό δίκτυο βρίσκει εδώ συσχετίσεις μεταξύ των χαρακτηριστικών και των αποτελεσμάτων.

Τα δίκτυα βαθιάς μάθησης που έχουν εκπαιδευτεί σε δεδομένα με ετικέτα μπορούν να εφαρμοστούν σε μη δομημένα δεδομένα. Όσο περισσότερα δεδομένα εκπαίδευσης τροφοδοτούνται στο δίκτυο, τόσο ακριβέστερα θα γίνουν.

Η ικανότητα του δικτύου να μαθαίνει από δεδομένα χωρίς ετικέτα είναι ένα πλεονέκτημα έναντι των άλλων αλγορίθμων μάθησης.

Εφαρμογές τεχνητού νευρικού δικτύου

Τα νευρικά δίκτυα έχουν χρησιμοποιηθεί με επιτυχία σε μια ποικιλία λύσεων όπως φαίνεται παρακάτω.

# 1) Αναγνώριση προτύπων: Το ANN χρησιμοποιείται στην αναγνώριση προτύπων, στην αναγνώριση εικόνων, στην οπτικοποίηση εικόνων, στο χειρόγραφο, στην ομιλία και σε άλλες τέτοιες εργασίες.

# 2) Προβλήματα βελτιστοποίησης: Προβλήματα όπως η εύρεση της συντομότερης διαδρομής, ο προγραμματισμός και η κατασκευή όπου πρέπει να ικανοποιηθούν οι περιορισμοί προβλημάτων και πρέπει να επιτευχθούν βέλτιστες λύσεις είναι η χρήση NN.

# 3) Πρόβλεψη: Η ΝΝ μπορεί να προβλέψει το αποτέλεσμα για καταστάσεις αναλύοντας τις προηγούμενες τάσεις. Εφαρμογές όπως τραπεζικές συναλλαγές, χρηματιστήριο, πρόβλεψη καιρού χρησιμοποιούν Neural Networks.

# 4) Συστήματα ελέγχου: Τα συστήματα ελέγχου όπως τα προϊόντα υπολογιστών, τα χημικά προϊόντα και η ρομποτική χρησιμοποιούν νευρωνικά δίκτυα.

Περιορισμοί νευρωνικών δικτύων

Παρατίθενται παρακάτω μερικά από τα μειονεκτήματα των Neural Networks.

• Αυτά τα δίκτυα είναι μαύρα κουτιά για τον χρήστη καθώς ο χρήστης δεν έχει ρόλους εκτός από την τροφοδοσία της εισόδου και την παρατήρηση της εξόδου. Ο χρήστης δεν γνωρίζει την εκπαίδευση που πραγματοποιείται στον αλγόριθμο.
• Αυτοί οι αλγόριθμοι είναι αρκετά αργοί και απαιτούν πολλές επαναλήψεις (ονομάζονται επίσης εποχές) για να δώσουν ακριβή αποτελέσματα. Αυτό συμβαίνει επειδή η CPU υπολογίζει τα βάρη, τη λειτουργία ενεργοποίησης κάθε κόμβου ξεχωριστά, κάνοντας έτσι να καταναλώνει χρόνο καθώς και πόρους. Προκαλεί επίσης πρόβλημα με μεγάλο αριθμό δεδομένων.

συμπέρασμα

Σε αυτό το σεμινάριο, μάθαμε για το Τεχνητό Νευρωνικό Δίκτυο, την αναλογία του με το Βιολογικό Νευρώνα και τους Τύπους του Νευρωνικού Δικτύου.

Το ANN εμπίπτει στη μηχανική εκμάθηση. Είναι ένα υπολογιστικό μοντέλο που αποτελείται από πολλαπλούς κόμβους νευρώνων. Αυτοί οι κόμβοι λαμβάνουν είσοδο, επεξεργάζονται την είσοδο χρησιμοποιώντας τη λειτουργία ενεργοποίησης και μεταβιβάζουν την έξοδο στα επόμενα επίπεδα.

Οι είσοδοι σχετίζονται με βάρη συνδέσμου σύνδεσης που ονομάζονται synapse. Ένα βασικό ANN αποτελείται από ένα επίπεδο εισόδου, βάρη, συνάρτηση ενεργοποίησης, κρυφό στρώμα και ένα επίπεδο εξόδου.

Οι λειτουργίες ενεργοποίησης χρησιμοποιούνται για τη μετατροπή της εισόδου στην έξοδο. Μερικά από αυτά είναι δυαδική, διπολική, σιγμοειδής και λειτουργία ράμπας. Υπάρχουν διάφοροι τύποι ANN, όπως το Single-Layer Feed Forward, το Multilayer Feed Forward, τα επαναλαμβανόμενα δίκτυα κ.λπ. με βάση τον αριθμό των κρυφών επιπέδων και των μηχανισμών ανάδρασης.

ANN με πολλά κρυφά στρώματα μεταξύ της εισόδου και της εξόδου από το δίκτυο βαθιάς μάθησης. Τα δίκτυα βαθιάς μάθησης έχουν υψηλή πολυπλοκότητα και επίπεδο αφαίρεσης που τα καθιστά ικανά να υπολογίζουν δεδομένα υψηλής διαστάσεων με χιλιάδες παραμέτρους.

Το ANN χρησιμοποιείται στον τομέα των προβλέψεων, της επεξεργασίας εικόνων, των συστημάτων ελέγχου κ.λπ. Αυτά έχουν εφαρμοστεί με επιτυχία ως λύση στο φάσμα των προβλημάτων στην επιστήμη.

Ελπίζουμε ότι αυτό το σεμινάριο εξήγησε όλα όσα πρέπει να γνωρίζετε για τα Τεχνητά Νευρωνικά Δίκτυα !!

=> Επισκεφθείτε εδώ για τη σειρά αποκλειστικής μηχανικής εκμάθησης

Συνιστώμενη ανάγνωση

• Data Mining Vs Machine Learning Vs Artificial Intelligence Vs Deep Learning
• Δοκιμή ασφάλειας δικτύου και καλύτερα εργαλεία ασφάλειας δικτύου
• Τύποι μηχανικής μάθησης: Εποπτευόμενη μάθηση χωρίς επίβλεψη
• 11 πιο δημοφιλή εργαλεία λογισμικού μηχανικής εκμάθησης το 2021
• Εκμάθηση μηχανικής εκμάθησης: Εισαγωγή στο ML και τις εφαρμογές του
• Οδηγός για Subnet Mask (Subnetting) & Υπολογιστής υποδικτύου IP
• Οδηγός αξιολόγησης και διαχείρισης ευπάθειας δικτύου
• 15 καλύτερα εργαλεία σάρωσης δικτύου (σαρωτής δικτύου και IP) του 2021