Med fremskritt innen maskinlæring, har tatt en høy vei. Deep Learning regnes som den mest avanserte teknologien som er bygget for å løse komplekse problemer som bruker enorme datasett. Denne bloggen om hva som er et nevrale nettverk vil introdusere deg til de grunnleggende konseptene til nevrale nettverk og hvordan de kan løse komplekse datadrevne problemer.
For å få inngående kunnskap om kunstig intelligens og dyp læring, kan du registrere deg for live av Edureka med 24/7 support og levetidstilgang.
Her er en liste over emner som vil bli dekket i dette Blogg:
- Hva er et nevralt nettverk?
- Hva er Deep Learning?
- Forskjellen mellom AI, ML og, DL
- Behov for dyp læring
- Deep Learning Use Case
- Hvordan fungerer nevrale nettverk?
- Nevrale nettverk forklart med eksempel
Enkel definisjon av et nevralt nettverk
Modellert i samsvar med den menneskelige hjerne, a Neural Network ble bygget for å etterligne funksjonaliteten til en menneskelig hjerne . Den menneskelige hjerne er et nevralt nettverk som består av flere nevroner, på samme måte består et kunstig nevralt nettverk (ANN) av flere perceptroner (forklart senere).
Et nevralt nettverk består av tre viktige lag:
- Inngangslag: Som navnet antyder, godtar dette laget alle inngangene som tilbys av programmereren.
- Skjult lag: Mellom inngangs- og utgangslaget er et sett med lag kjent som Skjulte lag. I dette laget utføres beregninger som resulterer i utdata.
- Utgangslag: Inngangene går gjennom en serie transformasjoner via det skjulte laget som til slutt resulterer i utgangen som leveres via dette lag.
Før vi kommer i dybden av hvordan et nevralt nettverk fungerer, la oss forstå hva Deep Learning er.
Hva er dyp læring?
Deep Learning er et avansert felt innen maskinlæring som bruker konseptene Neural Networks til å løse svært beregningsmessige brukssaker som involverer analyse av flerdimensjonale data. Det automatiserer prosessen med funksjonsutvinning, og sørger for at det er nødvendig med minimal menneskelig inngripen.
Så hva er egentlig Deep Learning?
diff mellom final endelig og finaliser
Deep Learning er et avansert underfelt av maskinlæring som bruker algoritmer inspirert av hjernens struktur og funksjon kalt Artificial Neural Networks.
Forskjellen mellom AI, ML og DL (kunstig intelligens vs maskinlæring vs dyp læring)
Folk pleier ofte å tenke det , , og Dyp læring er de samme siden de har vanlige applikasjoner. For eksempel er Siri en applikasjon av AI, maskinlæring og dyp læring.
Så hvordan er disse teknologiene relatert?
- Kunstig intelligens er vitenskapen om å få maskiner til å etterligne menneskers oppførsel.
- Maskinlæring er en delmengde av kunstig intelligens (AI) som fokuserer på å få maskiner til å ta beslutninger ved å mate dem data.
- Dyp læring er en delmengde av maskinlæring som bruker konseptet nevrale nettverk for å løse komplekse problemer.
For å oppsummere AI, er maskinlæring og dyp læring sammenkoblede felt. Maskinlæring og dyp læring hjelper kunstig intelligens ved å tilby et sett med algoritmer og nevrale nettverk å løse datadrevne problemer.
Nå som du er kjent med det grunnleggende, la oss forstå hva som førte til behovet for dyp læring.
Behov for dyp læring: Begrensninger av tradisjonelle maskinlæringsalgoritmer og teknikker
Machine Learning var et stort gjennombrudd i den tekniske verden, det førte til automatisering av monotone og tidkrevende oppgaver, det hjalp til med å løse komplekse problemer og ta smartere beslutninger. Imidlertid var det noen ulemper med maskinlæring som førte til fremveksten av dyp læring.
Her er noen begrensninger ved maskinlæring:
- Kan ikke behandle høydimensjonale data: Machine Learning kan bare behandle små dimensjoner av data som inneholder et lite sett med variabler. Hvis du vil analysere data som inneholder 100-talls variabler, kan ikke maskinlæring brukes.
- Funksjonsteknikk er manuell: Tenk på et brukstilfelle der du har 100 prediktorvariabler, og du trenger å begrense bare de viktige. For å gjøre dette må du manuelt studere forholdet mellom hver av variablene og finne ut hvilke som er viktige for å forutsi utdata. Denne oppgaven er ekstremt kjedelig og tidkrevende for en utvikler.
- Ikke ideell for å utføre gjenstandsdeteksjon og bildebehandling: Siden gjenkjenning av objekter krever høydimensjonale data, kan Machine Learning ikke brukes til å behandle bildedatasett, det er bare ideelt for datasett med et begrenset antall funksjoner.
Før vi kommer i dypet av Neural Networks, la oss vurdere en brukersak fra den virkelige verden der Deep Learning implementeres.
Deep Learning Use Case / Applications
Visste du at PayPal behandler over 235 milliarder dollar i betalinger fra fire milliarder transaksjoner fra sine mer enn 170 millioner kunder? Den bruker denne enorme mengden data for å identifisere mulige falske aktiviteter, blant andre årsaker.
Ved hjelp av Deep Learning-algoritmer, utvinnet PayPal data fra kundens innkjøpshistorikk i tillegg til å gjennomgå mønstre for sannsynlig svindel lagret i databasene for å forutsi om en bestemt transaksjon er uredelig eller ikke.
Selskapet har stole på Deep Learning & Machine Learning-teknologi i rundt 10 år. Opprinnelig brukte svindelovervåkingsteamet enkle, lineære modeller. Men i løpet av årene gikk selskapet over til en mer avansert maskinlæringsteknologi kalt Deep Learning.
Fraud risk manager og Data Scientist hos PayPal, Ke Wang, sitert:
“Det vi nyter av mer moderne, avansert maskinlæring er dens evne til å konsumere mye mer data, håndtere lag og lag med abstraksjon og være i stand til å' se 'ting som en enklere teknologi ikke ville være i stand til å se, selv mennesker kan ikke være i stand til å se. ”
En enkel lineær modell er i stand til å konsumere rundt 20 variabler. Imidlertid kan man med Deep Learning-teknologi kjøre tusenvis av datapunkter. Derfor, ved å implementere Deep Learning-teknologi, PayPal kan endelig analysere millioner av transaksjoner for å identifisere falske aktivitet.
grunnleggende struktur for Java-programmet
La oss nå gå ned i dypet av et nevralt nettverk og forstå hvordan de fungerer.
Hvordan fungerer et nevralt nettverk?
For å forstå nevrale nettverk, må vi bryte det ned og forstå den mest grunnleggende enheten til et nevralt nettverk, dvs. en Perceptron.
Hva er en perseptron?
En Perceptron er et enkeltlags neuralt nettverk som brukes til å klassifisere lineære data. Den har fire viktige komponenter:
- Innganger
- Vekter og skjevhet
- Summasjonsfunksjon
- Aktivering eller transformasjon Funksjon
Den grunnleggende logikken bak en Perceptron er som følger:
Inngangene (x) mottatt fra inngangslaget multipliseres med de tildelte vektene w. De multipliserte verdiene blir deretter lagt til for å danne den vektede summen. Den vektede summen av inngangene og deres respektive vekter påføres deretter en relevant aktiveringsfunksjon. Aktiveringsfunksjonen tilordner inngangen til den respektive utgangen.
Vekter og skjevheter i dyp læring
Hvorfor må vi tildele vekter til hver inngang?
Når en inngangsvariabel er matet til nettverket, tildeles en tilfeldig valgt verdi som vekten av den inngangen. Vekten av hvert inngangsdatapunkt indikerer hvor viktig inngangen er for å forutsi resultatet.
Bias-parameteren, derimot, lar deg justere aktiveringsfunksjonskurven på en slik måte at en presis utgang oppnås.
Summasjonsfunksjon
Når inngangene er tildelt en viss vekt, blir produktet av den respektive inngangen og vekten tatt. Å legge til alle disse produktene gir oss den vektede summen. Dette gjøres av summeringsfunksjonen.
Aktiveringsfunksjon
Hovedmålet med aktiveringsfunksjonene er å kartlegge den vektede summen til utgangen. Aktiveringsfunksjoner som tanh, ReLU, sigmoid og så videre er eksempler på transformasjonsfunksjoner.
For å lære mer om funksjonene til Perceptrons, kan du gå gjennom dette Blogg.
Før vi avslutte denne bloggen, la oss ta et enkelt eksempel for å forstå hvordan et nevralt nettverk fungerer.
Nevrale nettverk forklart med et eksempel
Tenk på et scenario der du skal bygge et kunstig nevralt nettverk (ANN) som klassifiserer bilder i to klasser:
- Klasse A: Inneholder bilder av ikke-syke blader
- Klasse B: Inneholder bilder av syke blader
Så hvordan lager du et nevralt nettverk som klassifiserer bladene i syke og ikke-syke avlinger?
Prosessen begynner alltid med å behandle og transformere inngangen på en slik måte at den lett kan behandles. I vårt tilfelle vil hvert bladbilde bli brutt ned i piksler, avhengig av dimensjonen til bildet.
For eksempel, hvis bildet består av 30 x 30 piksler, vil det totale antallet piksler være 900. Disse pikslene er representert som matriser, som deretter mates inn i inngangslaget til Neural Network.
Akkurat som hvordan hjernen vår har nevroner som hjelper til med å bygge og koble tanker, har en ANN perceptroner som aksepterer innganger og behandler dem ved å føre dem videre fra inngangslaget til det skjulte og til slutt utgangslaget.
Når inngangen sendes fra inngangslaget til det skjulte laget, tildeles en innledende tilfeldig vekt til hver inngang. Inngangene multipliseres deretter med tilsvarende vekter, og summen blir sendt som input til neste skjulte lag.
Her tilordnes en numerisk verdi kalt skjevhet til hver perseptron, som er knyttet til vekten til hver inngang. Videre føres hver perseptron gjennom aktivering eller en transformasjonsfunksjon som bestemmer om en bestemt perceptron blir aktivert eller ikke.
En aktivert perceptron brukes til å overføre data til neste lag. På denne måten forplantes dataene (Fremoverforplantning) gjennom det nevrale nettverket til perseptronene når utgangslaget.
Ved utgangslaget avledes en sannsynlighet som avgjør om dataene tilhører klasse A eller klasse B.
Høres enkelt ut, ikke sant? Konseptet bak nevrale nettverk er bare basert på funksjonen til den menneskelige hjerne. Du trenger inngående kunnskap om ulike matematiske begreper og algoritmer. Her er en liste over blogger for å komme i gang:
- Hva er Deep Learning? Komme i gang med dyp læring
- Deep Learning with Python: Beginners Guide to Deep Learning
Hvis du fant denne bloggen relevant, kan du sjekke ut av Edureka, et pålitelig online læringsfirma med et nettverk av mer enn 250 000 fornøyde elever spredt over hele verden. Edureka Deep Learning with TensorFlow Certification Training-kurset hjelper elever å bli eksperter på opplæring og optimalisering av grunnleggende og konvolusjonelle nevrale nettverk ved hjelp av sanntidsprosjekter og oppgaver sammen med konsepter som SoftMax-funksjon, Auto-encoder Neural Networks, Restricted Boltzmann Machine (RBM).