Аннотация:

Машинное обучение и ИИ — новые животрепещущие темы этой эпохи. Новые инновации и открытия происходят в этих областях практически каждый день. В последние годы большинство новых технологий, таких как распознавание речи, виртуальные помощники и многое другое, являются дарами разработок в области машинного обучения и искусственного интеллекта. Наиболее важной вехой ML являются искусственные нейронные сети. Именно благодаря разработке этого алгоритма человечество смогло достичь вершин искусственного интеллекта.

Ключевые слова:

● Регрессия

● Тренировочный набор.

● Матрица параметров

● Функция активации

● Логистическая регрессия

Введение:

Нейронные сети представляют собой набор алгоритмов, основанных на структуре человеческого мозга. Головной мозг человека состоит из нейронов, которые связаны между собой посредством аксонов и дендритов. Дендриты получают входные данные от датчиков, а аксон дает выходные данные, обработанные нейронами. Эти нейроны заботятся о потоке электрических сигналов, которые посылают решения, принятые нашим мозгом, в другие части тела, а также получают и обрабатывают информацию от датчиков нашего тела.

Алгоритмы нейронных сетей основаны на структуре мозга. Они интерпретируют сенсорные данные посредством своего рода машинного восприятия, маркируя или группируя исходные данные. Образцы, которые они распознают, являются числовыми, содержащимися в векторах, в которые должны быть переведены все данные реального мира, будь то изображения, звук, текст или временные ряды.

Нейронные сети помогают нам решать проблемы, связанные с классификацией и кластеризацией. Учитывая набор неконтролируемых или контролируемых данных, нейронные сети могут решить почти все проблемы, связанные с классификацией. Они также могут дать многообещающие результаты для большинства задач регрессии.

Очень распространенным примером классификации может быть алгоритм фильтрации электронной почты, который отфильтровывает электронные письма как спам или не спам. Мы также можем подумать о наличии более двух классов, подобно тому, как выглядят почтовые ящики Gmail.

Предыдущие исследования:

Утверждается, что машинное обучение является недавней областью развития. Самый простой из известных алгоритмов машинного обучения — это линейная регрессия. Алгоритмы линейной регрессии при обучении на наборе данных смогли решить множество вычислительных задач. Например, линейная регрессия может быть применена компанией, которая должна открыть новую франчайзинговую точку и хочет оценить свою прибыль от этого предстоящего предприятия, не инвестируя в него сначала. Это можно сделать, снабдив алгоритм регрессии обучающим набором, состоящим из сведений о предыдущих торговых точках в разных городах. Получается, что алгоритм учится на обучающей выборке и прогнозирует прибыль.

Другими этапами построения до разработки искусственных нейронных сетей были такие алгоритмы, как логистическая регрессия, K-NN и т. д. Это алгоритмы классификации, то есть они дают дискретные результаты вместо непрерывных значений, как в задачах регрессии. Эти дискретные значения можно визуализировать как 0 или 1. Как и в предыдущей задаче фильтрации электронной почты, мы можем визуализировать спам как 0, а не спам как 1. Поскольку машинное обучение развивается и является совсем новой областью, а в современном мире ИИ с открытым исходным кодом требуется шаг каждый день.

Обсуждения:

Нейронную сеть можно представить аналогично нейронам в человеческом мозгу. Он состоит из двух основных слоев — входного слоя, аналогичного дендритам, который в основном представляет собой обучающие данные, данные алгоритму, и выходного слоя, аналогичного аксону, который обеспечивает конечный результат. Между ними есть слои, которые выполняют вычисления. Глубина этих слоев способствует сложности сети. Гибкость добавления необходимого количества слоев позволяет решать широкий спектр задач. Ниже приведена демонстрация трехслойной нейронной сети.

Каждый уровень связан с функцией активации, которая вычисляет значение, которое передается на следующий уровень, связанный с весом. Эти веса представляют собой матрицы параметров, которые умножаются на входные данные, а затем передаются функции активации, и этот цикл продолжается до тех пор, пока мы не достигнем выходного слоя.

Допустим, обучающий набор сначала умножается на веса, то есть на матрицу параметров, а затем это подается в качестве входных данных для следующего слоя, а затем активируется функцией активации, и его данные передаются на следующий уровень и т. д. до последнего слоя. Этот процесс называется алгоритмом прямого распространения, когда мы движемся от входной стороны к выходной стороне.

Но этот алгоритм нейронной сети нового поколения не может быть реализован без алгоритма обратного распространения. Любой алгоритм ML неполноценен без функции стоимости, т.е. Стоимость его реализации и минимизация стоимости Этот алгоритм перемещается от выхода к входу, вычисляя вычислительную ошибку в каждом слое, начиная с n-го слоя и заканчивая 1-м скрытым слоем. Все виды задач классификации, будь то бинарная или мультиклассовая, возможны с использованием нейронных сетей.

Глубокое обучение: его можно представить как стек из множества нейронных сетей вместе. По мере увеличения глубины скрытых слоев мы называем это глубокой нейронной сетью. Каждый слой узлов обучает отдельный набор функций, который является результатом предыдущего слоя. Эти алгоритмы глубокого обучения на шаг впереди нейронных сетей

Вывод:

Нейронные сети — очень эффективные алгоритмы машинного обучения. Развитие нейронных сетей оказалось большим открытием в области искусственного интеллекта и машинного обучения. Успех нейронных сетей, алгоритмов, которые оказались очень полезными в распознавании изображений и распознавании рукописного ввода. Эта разработка является строительным блоком современных голосовых помощников, цифровых помощников, настраиваемой ленты и многого другого. Дальнейшие разработки в этой области продолжаются. По следующей ссылке перечислены самые последние журналы и статьи о разработках в этой области — Недавние исследования

Ссылки:

  1. https://pathmind.com/wiki/нейронная сеть
  2. https://www.coursera.org/learn/machine-learning/home/welcome (Машинное обучение на Coursera, Эндрю Нг)
  3. Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и методы создания интеллектуальных систем