Was ist Deep Learning und Neuronales Netzwerk

Inhaltsverzeichnis:

Video: Was ist Deep Learning und Neuronales Netzwerk

Video: Was ist Deep Learning und Neuronales Netzwerk
Video: How to benchmark your computer running Windows Winsat command 2024, März
Was ist Deep Learning und Neuronales Netzwerk
Was ist Deep Learning und Neuronales Netzwerk
Anonim

Neuronale Netze und Tiefes Lernen sind derzeit die zwei heißesten Schlagworte, die heutzutage mit künstlicher Intelligenz verwendet werden. Die jüngsten Entwicklungen in der Welt der künstlichen Intelligenz lassen sich auf diese beiden zurückführen, da sie maßgeblich zur Verbesserung der Intelligenz der KI beigetragen haben.

Schauen Sie sich um und Sie werden immer mehr intelligente Maschinen finden. Dank neuronaler Netze und Deep Learning werden Jobs und Fähigkeiten, die einst als menschliche Stärke galten, von Maschinen ausgeführt. Heute werden Maschinen nicht mehr für komplexere Algorithmen entwickelt, sondern entwickeln sich zu einem autonomen, autodidaktischen System, das in der Lage ist, viele Industrien rund um zu revolutionieren.

Neuronale Netze und Tiefes Lernen haben den Forschern enorme Erfolge bei Aufgaben wie der Bilderkennung, der Spracherkennung und der Suche nach tieferen Beziehungen in Datensätzen verliehen. Mithilfe der Verfügbarkeit riesiger Datenmengen und Rechenleistung können Maschinen Objekte erkennen, Sprache übersetzen, sich selbst trainieren, um komplexe Muster zu erkennen, Strategien zu entwickeln und Notfallpläne in Echtzeit zu erstellen.

Wie funktioniert das genau? Wissen Sie, dass sowohl neutrale Netzwerke als auch tiefes Lernen in der Tat zum Verständnis des tiefen Lernens verwandt sind, müssen Sie zuerst Neural Networks verstehen. Lesen Sie weiter, um mehr zu erfahren.

Was ist ein neuronales Netzwerk?

Ein neuronales Netzwerk ist im Wesentlichen ein Programmiermuster oder ein Satz von Algorithmen, mit dem ein Computer aus den Beobachtungsdaten lernen kann. Ein neuronales Netzwerk ähnelt einem menschlichen Gehirn, das die Muster erkennt. Die Sensordaten werden mithilfe einer Maschinenwahrnehmung, Etikettierung oder Gruppierung von Rohdaten interpretiert. Die erkannten Muster sind numerisch und in Vektoren eingeschlossen, in die Daten wie Bilder, Ton, Text usw. übersetzt werden.

Denken Sie an ein neuronales Netzwerk! Überlegen Sie, wie ein menschliches Gehirn funktioniert

Wie oben erwähnt, funktioniert ein neuronales Netzwerk wie ein menschliches Gehirn. Es erwirbt das gesamte Wissen durch einen Lernprozess. Danach speichern synaptische Gewichte das erworbene Wissen. Während des Lernprozesses werden die synaptischen Gewichte des Netzwerks reformiert, um das gewünschte Ziel zu erreichen.

Genau wie das menschliche Gehirn funktionieren neuronale Netze wie nichtlineare parallele Informationsverarbeitungssysteme, die schnell Berechnungen wie Mustererkennung und -wahrnehmung durchführen. Infolgedessen funktionieren diese Netzwerke sehr gut in Bereichen wie der Sprach-, Audio- und Bilderkennung, in denen die Eingänge / Signale von Natur aus nichtlinear sind.

In einfachen Worten können Sie sich an Neural Network als etwas erinnern, das in der Lage ist, Wissen wie ein menschliches Gehirn aufzufüllen und es für Vorhersagen zu nutzen.

Struktur neuronaler Netze

(Bildnachweis: Mathworks)
(Bildnachweis: Mathworks)

Neuronale Netze bestehen aus drei Schichten,

  1. Eingabeschicht,
  2. Verborgene Schicht und
  3. Ausgabeschicht

Jede Ebene besteht aus einem oder mehreren Knoten, wie in der folgenden Abbildung durch kleine Kreise dargestellt. Die Linien zwischen den Knoten geben den Informationsfluss von einem Knoten zum nächsten an. Die Informationen fließen von der Eingabe zur Ausgabe, d. H. Von links nach rechts (in einigen Fällen können sie von rechts nach links oder in beide Richtungen sein).

Die Knoten der Eingabeschicht sind passiv, dh sie ändern die Daten nicht. Sie erhalten einen einzelnen Wert an ihrer Eingabe und duplizieren den Wert auf ihre mehreren Ausgänge. Die Knoten der verborgenen und der Ausgabeschicht sind dagegen aktiv. So können sie die Daten ändern.

In einer verbundenen Struktur wird jeder Wert aus der Eingabeebene dupliziert und an alle ausgeblendeten Knoten gesendet. Die Werte, die in einen verborgenen Knoten eintreten, werden mit Gewichtungen multipliziert, einem Satz vorbestimmter Zahlen, die im Programm gespeichert sind. Die gewichteten Eingaben werden dann addiert, um eine einzelne Zahl zu erzeugen. Neuronale Netzwerke können eine beliebige Anzahl von Schichten und eine beliebige Anzahl von Knoten pro Schicht haben. Die meisten Anwendungen verwenden die dreischichtige Struktur mit maximal einigen hundert Eingangsknoten

Beispiel für ein neuronales Netzwerk

Stellen Sie sich ein neuronales Netzwerk vor, das Objekte in einem Sonarsignal erkennt, und im PC sind 5000 Signalabtastwerte gespeichert. Der PC muss herausfinden, ob diese Proben ein U-Boot, Wal, Eisberg, Meeresfelsen oder gar nichts darstellen? Konventionelle DSP-Methoden würden dieses Problem mit Mathematik und Algorithmen wie Korrelations- und Frequenzspektrumanalyse angehen.

Bei einem neuronalen Netzwerk würden die 5000 Abtastwerte der Eingabeschicht zugeführt, was dazu führt, dass Werte von der Ausgabeschicht springen. Durch Auswahl der richtigen Gewichte kann die Ausgabe so konfiguriert werden, dass eine Vielzahl von Informationen gemeldet wird. Zum Beispiel gibt es Ausgaben für: U-Boot (Ja / Nein), Meeresgestein (Ja / Nein), Wal (Ja / Nein) usw.

Bei anderen Gewichtungen können die Ausgaben die Objekte als Metall oder Nichtmetall, biologisch oder nichtbiologisch, feindlich oder verbündet usw. klassifizieren. Keine Algorithmen, keine Regeln, keine Verfahren; Nur eine Beziehung zwischen Eingabe und Ausgabe, die durch die Werte der ausgewählten Gewichtungen bestimmt wird.

Verstehen wir nun das Konzept des Deep Learning.

Was ist ein tiefes Lernen?

Deep Learning ist im Grunde eine Teilmenge neuronaler Netze. Vielleicht kann man ein komplexes neuronales Netzwerk mit vielen verborgenen Schichten sagen.

Technisch gesehen kann Deep Learning auch als leistungsfähige Techniken zum Lernen in neuronalen Netzwerken definiert werden. Es bezieht sich auf künstliche neuronale Netzwerke (ANN), die aus vielen Schichten, massiven Datensätzen und leistungsfähiger Computerhardware bestehen, um ein kompliziertes Trainingsmodell zu ermöglichen.Es enthält die Klasse von Methoden und Techniken, bei denen künstliche neuronale Netzwerke mit mehreren Schichten mit immer umfangreicherer Funktionalität verwendet werden.

Struktur des Lernnetzwerks

Deep-Learning-Netzwerke verwenden meistens neuronale Netzwerkarchitekturen und werden daher oft als tiefe neuronale Netzwerke bezeichnet. Die Verwendung von "tief" bezieht sich auf die Anzahl der verborgenen Schichten im neuronalen Netzwerk. Ein herkömmliches neuronales Netzwerk enthält drei verborgene Schichten, während tiefe Netzwerke bis zu 120-150 haben können.

Bei Deep Learning müssen einem Computersystem viele Daten zugeführt werden, anhand derer Entscheidungen über andere Daten getroffen werden können. Diese Daten werden, wie beim maschinellen Lernen, über neuronale Netze eingespeist. Deep-Learning-Netzwerke können Features direkt aus den Daten lernen, ohne dass eine manuelle Extraktion von Features erforderlich ist.

Beispiele für Deep Learning

Deep Learning wird derzeit in fast allen Branchen eingesetzt, angefangen bei Automobile, Aerospace und Automation bis hin zu Medical. Hier einige Beispiele.

  • Google, Netflix und Amazon: Google verwendet es in seinen Sprach- und Bilderkennungsalgorithmen. Netflix und Amazon verwenden auch tiefes Lernen, um zu entscheiden, was Sie als Nächstes ansehen oder kaufen möchten
  • Fahren ohne Fahrer: Forscher nutzen tiefe Lernnetzwerke, um Objekte wie Stoppschilder und Ampeln automatisch zu erkennen. Durch tiefes Lernen werden auch Fußgänger erkannt, wodurch Unfälle verringert werden.
  • Luft- und Raumfahrt und Verteidigung: Durch tiefes Lernen werden Objekte von Satelliten identifiziert, die interessierende Gebiete lokalisieren und sichere oder unsichere Gebiete für Truppen identifizieren.
  • Dank Deep Learning erkennt und markiert Facebook automatisch Freunde in Ihren Fotos. Skype kann gesprochene Mitteilungen in Echtzeit und ziemlich genau übersetzen.
  • Medizinische Forschung: Medizinische Forscher nutzen tiefes Lernen, um Krebszellen automatisch zu erkennen
  • Industrielle Automatisierung: Durch tiefes Lernen wird die Arbeitersicherheit in der Nähe schwerer Maschinen verbessert, indem automatisch erkannt wird, wenn sich Personen oder Gegenstände in einer unsicheren Entfernung von Maschinen befinden.
  • Elektronik: Beim automatisierten Hören und bei der Sprachübersetzung wird tiefes Lernen eingesetzt.

Fazit

Das Konzept der Neuronalen Netze ist nicht neu und die Forscher hatten in den letzten zehn Jahren einen mäßigen Erfolg. Aber der wahre Spielwandler war die Entwicklung der neuronalen Netzwerke von Deep.

Indem sie die traditionellen Ansätze des maschinellen Lernens übertraf, zeigte sich, dass tiefe neuronale Netzwerke nicht nur von wenigen Forschern trainiert und erprobt werden können, sondern dass multinationale Technologieunternehmen die Möglichkeit haben, in naher Zukunft bessere Innovationen zu entwickeln.

Dank Deep Learning und Neural Network erledigt AI nicht nur die Aufgaben, sondern hat angefangen zu denken!

Empfohlen: