Через наши пять чувств наша биологическая сеть мозга способна получать опыт, генерируемый внешним миром. После этого нейроны передают эти ощущения остальным нервным клеткам нашего тела. Точно так же искусственные нейронные сети (ИНС) принимают данные в качестве входных данных, а затем нейроны компилируют всю полученную информацию. Взаимосвязи в искусственной нейронной сети (ИНС) изменяют входные данные внутри скрытых слоев так же, как это делают синапсы в биологических нейронных сетях. Выходные данные ИНС создаются аналогично процессам, отвечающим за распределение выходных данных в биологических нейронных сетях.

Стоимость курса по науке о данных может доходить до 4 лакхов индийских рупий.

ОСНОВНЫЕ ОСНОВЫ НЕЙРОННЫХ СЕТЕЙ

В первую очередь важно иметь фундаментальное представление о компонентах, из которых состоит нейронная сеть, чтобы использовать ее в будущем. Эти компоненты включают персептрон, функции активации, веса и смещения в дополнение к трем слоям сети: входному, скрытому и выходному.

Входные, скрытые и выходные слои

Единственный входной слой принимает внешние независимые факторы, которые помогают делать точные прогнозы конечного результата. Входной слой состоит из каждой из независимых переменных модели в их соответствующих формах. Конфигурация скрытых слоев нейронной сети, связанных «один ко многим», определяется целью, которой будет служить сеть, например, идентификация и категоризация объектов посредством визуального распознавания и обработки естественного языка (NLP). Выход скрытых слоев определяется взвешенной суммой входных данных или предикторов. Каждая скрытая единица в сети с несколькими скрытыми слоями является функцией взвешенной суммы единиц в слое ниже нее, которая является функцией скрытых единиц в слое ниже этого. Целевые переменные, также известные как зависимые переменные, расположены в выходном слое, который является функцией скрытых слоев.

Персептрон

Психолог-экспериментатор из Корнелла по имени Фрэнк Розенблатт был очарован способностью нейронов к обучению. Он придумал концепцию базового персептрона, который состоял из множества входов, одного процессора и одного выхода. В результате персептрон является компонентом первого слоя нейронной сети, который служит строительным блоком.

Несколько известных институтов предлагают курс по науке о данных в Индии.

Функции активации

Амплитуда выходного сигнала нейрона находится под контролем функции активации, которую иногда называют передаточной функцией. Функция активации — это компонент глубокой нейронной сети, который связывает взвешенные суммы единиц в одном слое со значениями единиц в слое, следующем за ним. Такие сети включают в себя многочисленные скрытые слои. Каждый из скрытых слоев использует одну и ту же функцию активации. Рекомендуется использовать функцию активации ReLU в случае, если есть какая-либо неопределенность в отношении того, какую функцию активации использовать, которая лучше всего подходит для вашего варианта использования. Это связано с тем, что функция активации ReLU помогает преодолеть проблему исчезающего градиента и позволяет лучше обучать модели.

Вес и наклон

Значимость связанной характеристики (входной переменной) в процессе прогнозирования выпуска обозначается весом. В дополнение к этому они объясняют связь между вышеупомянутой чертой и желаемым результатом. Формула для расчета выхода показана на следующем рисунке: x (вход), умноженный на w0 (вес соединения) плюс b (смещение), умноженный на w1 (вес соединения).

Веса аналогичны константам в линейном уравнении y = mx+c, где c обозначает смещение, а m обозначает веса. Если смещения нет, модель будет проходить только через начало координат, что является нереалистичным представлением того, что произойдет на самом деле. В результате смещение способствует легкости транспонирования линии и делает модель более гибкой.

Онлайн-курс по науке о данных предоставит вам гибкие возможности обучения.