МАШИННОЕ ОБУЧЕНИЕ
Введение в нейронные сети
Искусственный интеллект повсюду и затронул почти все аспекты нашей жизни.
В современном мире искусственный интеллект повсюду и затронул почти все аспекты нашей жизни. Искусственный интеллект присутствует повсюду, от персонализированных предложений на веб-сайтах электронной коммерции до беспилотных автомобилей.
Машинное обучение, глубокое обучение, которое является частью более широкого семейства методов машинного обучения на основе искусственных нейронных сетей для достижения искусственного интеллекта и нейронных сетей, является сердцем глубокого обучения. Тяжелые слова да !!
Раньше, когда я думал о нейронных сетях, я думал о гигантском черном ящике, а затем начал свой курс на получение стипендии с Конкурса на получение стипендии Bertelsmann - Программа AI Track Nanodegree и понял, что это намного сложнее. Гигантская древовидная структура с таким количеством узлов и подузлов.
Но после объяснений я понял, что нейронные сети просто классифицируют два разных типа точек данных (простое определение). Он ищет лучшую границу для разделения данных, и разделительная линия между точками данных называется граничной линией. Просто чем сложнее граница, тем сложнее алгоритм их разделения.
И в этой статье мы разберемся с основами линейных граничных линий.
В данном опыте сбоку я классифицировал точки и точки треугольников с помощью граничной линии, и любая точка, которая опускается выше линии, классифицируется как точка, а точка, которая опускается ниже, как треугольник. Хотя в некоторых точках может быть ошибка, от правильности классификации зависит эффективность модели. Эта линия является нашей моделью, и ее можно представить в виде линейного уравнения.
Теперь вопрос, как найти эту строчку. См. Вывод ниже
ДВУХМЕРНЫЕ ДАННЫЕ:
Рассмотрим точку на оси X как X1, а на оси Y как X2. Тогда линейное уравнение для линии будет:
w1.x1 + w2.x2 + b = 0
Где X = (x1, x2) - точка графика, W = (w1, w2) - веса, а bi - значение смещения. .
Теперь, если мы поместим значение (x1, x2) в уравнение, результат будет называться SCORE. Основываясь на Score, мы обнаруживаем ПРОГНОЗ.
Прогноз обозначается как LABEL т.е. Y ’= 0 или 1.
Если оценка больше, чем равна 0, тогда прогноз будет ПОЛОЖИТЕЛЬНЫМ (т. Е. Метка равна 1 или мы рассматриваем его как треугольник), а если оценка меньше 0, то прогноз будет ОТРИЦАТЕЛЬНЫМ ( т.е. метка равна 0 или мы рассматриваем его как точки).
Мы также можем упростить уравнение как Wx + b = 0.
В случае двухмерной плоскости, то есть двух столбцов данных, граничная линия представляет собой одномерную прямую линию.
ТРЕХМЕРНЫЕ ДАННЫЕ:
Для трехмерного измерения давайте рассмотрим три точки, то есть (x1, x2, x3). Это сделает 3 столбца данных. Теперь уравнение граничной линии будет выглядеть следующим образом:
w1.x1 + w2.x2 + w3.x3 + b = 0
Условие для поиска SCORE и PREDICTION LABEL останется прежним, а граничная линия будет двухмерной плоскостью.
ДАННЫЕ БОЛЬШЕГО РАЗМЕРА
Точно так же для более высоких измерений (например, n-Dimension) он создаст набор данных из n столбцов с граничным уравнением:
w1.x1 + w2.x2 +……+wn.xn + + b = 0
На этот раз граничная линия станет (n-1) мерной гиперплоскостью, а размеры для входных данных будут w: (1xN), x: (nx1), b: (1x1).
Итак, это все об основах. В следующей статье мы обсудим персептроны в нейронных сетях. А пока следите за обновлениями. Удачного кодирования!
