Med framstegen inom maskininlärning, har tagit en hög väg. Deep Learning anses vara den mest avancerade tekniken som byggts för att lösa komplexa problem som använder massiva datamängder. Denna blogg om vad som är ett neuralt nätverk kommer att presentera dig för de grundläggande begreppen för neurala nätverk och hur de kan lösa komplexa datadrivna problem.
För att få djupgående kunskaper om artificiell intelligens och djupt lärande kan du anmäla dig till live av Edureka med support dygnet runt och livstidsåtkomst.
Här är en lista med ämnen som kommer att behandlas i detta Blogg:
- Vad är ett neuralt nätverk?
- Vad är Deep Learning?
- Skillnaden mellan AI, ML och, DL
- Behov av djup inlärning
- Användningsfall för Deep Learning
- Hur neurala nätverk fungerar?
- Neurala nätverk förklarade med exempel
Enkel definition av ett neuralt nätverk
Modellerad i enlighet med den mänskliga hjärnan, a Neural Network byggdes för att härma funktionaliteten hos en mänsklig hjärna . Den mänskliga hjärnan är ett neuralt nätverk som består av flera neuroner, på samma sätt består ett artificiellt neuralt nätverk (ANN) av flera perceptroner (förklaras senare).
Ett neuralt nätverk består av tre viktiga lager:
- Ingångslager: Som namnet antyder accepterar detta lager alla ingångar från programmeraren.
- Hidden Layer: Mellan ingången och utgångsskiktet finns en uppsättning lager som kallas dolda lager. I detta lager utförs beräkningar som resulterar i utdata.
- Utgångslager: Ingångarna går igenom en serie transformationer via det dolda lagret som slutligen resulterar i den utmatning som levereras via detta lager.
Innan vi kommer in i djupet av hur ett neuralt nätverk fungerar, låt oss förstå vad Deep Learning är.
Vad är djupinlärning?
Deep Learning är ett avancerat fält för maskininlärning som använder begreppen Neural Networks för att lösa mycket beräkningsanvändningsfall som involverar analys av flerdimensionell data. Det automatiserar processen för att extrahera funktioner och ser till att mycket minimalt mänskligt ingripande behövs.
Så vad är egentligen Deep Learning?
Deep Learning är ett avancerat delfält av maskininlärning som använder algoritmer inspirerade av hjärnans struktur och funktion som kallas artificiella neurala nätverk.
Skillnaden mellan AI, ML och DL (Artificiell intelligens vs Machine Learning vs Deep Learning)
Människor tenderar ofta att tänka det , och Djup lärning är desamma eftersom de har vanliga applikationer. Till exempel är Siri en applikation av AI, maskininlärning och djupinlärning.
Så hur är dessa tekniker relaterade?
- Artificiell intelligens är vetenskapen att få maskiner att efterlikna människors beteende.
- Maskininlärning är en delmängd av artificiell intelligens (AI) som fokuserar på att få maskiner att fatta beslut genom att mata dem data.
- Djup lärning är en delmängd av maskininlärning som använder begreppet neurala nätverk för att lösa komplexa problem.
För att sammanfatta AI är maskininlärning och djupinlärning sammankopplade fält. Maskininlärning och djupinlärning hjälper artificiell intelligens genom att tillhandahålla en uppsättning algoritmer och neurala nätverk att lösa datadrivna problem.
Nu när du är bekant med grunderna, låt oss förstå vad som ledde till behovet av Deep Learning.
Behov av djupt lärande: Begränsningar av traditionella maskininlärningsalgoritmer och tekniker
Machine Learning var ett stort genombrott i den tekniska världen, det ledde till automatisering av monotona och tidskrävande uppgifter, det hjälpte till att lösa komplexa problem och fatta smartare beslut. Det fanns dock några nackdelar med maskininlärning som ledde till framväxten av Deep Learning.
Här är några begränsningar för maskininlärning:
- Det går inte att bearbeta högdimensionella data: Machine Learning kan endast bearbeta små dimensioner av data som innehåller en liten uppsättning variabler. Om du vill analysera data som innehåller 100-tal variabler kan inte Machine Learning användas.
- Funktionsteknik är manuell: Tänk på ett användningsfall där du har 100 prediktorvariabler och du behöver begränsa endast de signifikanta. För att göra detta måste du manuellt studera förhållandet mellan var och en av variablerna och ta reda på vilka som är viktiga för att förutsäga utdata. Denna uppgift är extremt tråkig och tidskrävande för en utvecklare.
- Inte perfekt för att utföra objektdetektering och bildbehandling: Eftersom objektdetektering kräver högdimensionell data kan Machine Learning inte användas för att bearbeta bilddatauppsättningar, det är bara idealiskt för datamängder med ett begränsat antal funktioner.
Innan vi hamnar i djupet av Neurala nätverk, låt oss överväga ett verkligt användningsfall där Deep Learning implementeras.
Deep Learning användningsfall / applikationer
Visste du att PayPal behandlar över 235 miljarder dollar i betalningar från fyra miljarder transaktioner från sina över 170 miljoner kunder? Den använder denna enorma mängd data för att identifiera eventuella bedrägliga aktiviteter bland annat.
Med hjälp av Deep Learning-algoritmer bryter PayPal data från kundens inköpshistoria förutom att granska mönster för troligt bedrägeri som lagras i dess databaser för att förutsäga om en viss transaktion är bedräglig eller inte.
Företaget har litat på Deep Learning & Machine Learning-teknik i cirka tio år. Inledningsvis använde teamet för bedrägeriövervakning enkla, linjära modeller. Men genom åren bytte företaget till en mer avancerad maskininlärningsteknik, Deep Learning.
Bedrägeririskchef och datavetare på PayPal, Ke Wang, citerade:
”Det vi njuter av mer modern, avancerad maskininlärning är dess förmåga att konsumera mycket mer data, hantera lager och lager av abstraktion och kunna” se ”saker som en enklare teknik inte skulle kunna se, även människor kanske inte kunna se. ”
En enkel linjär modell kan konsumera cirka 20 variabler. Men med Deep Learning-teknik kan man köra tusentals datapunkter. Därför genom att genomföra Deep Learning-teknik, PayPal kan äntligen analysera miljontals transaktioner för att identifiera bedrägliga aktivitet.
Låt oss nu gå in i djupet av ett neuralt nätverk och förstå hur de fungerar.
Hur fungerar ett neuralt nätverk?
För att förstå neurala nätverk måste vi bryta ner det och förstå den mest grundläggande enheten i ett neuralt nätverk, dvs. en Perceptron.
Vad är en Perceptron?
En Perceptron är ett neuralt nätverk i ett lager som används för att klassificera linjära data. Den har fyra viktiga komponenter:
fjärrmetoden anrop java exempel
- Ingångar
- Vikter och partiskhet
- Summationsfunktion
- Aktivering eller transformation Funktion
Grundlogiken bakom en Perceptron är som följer:
Ingångarna (x) som tas emot från ingångsskiktet multipliceras med deras tilldelade vikter w. De multiplicerade värdena läggs sedan till för att bilda den viktade summan. Den vägda summan av ingångarna och deras respektive vikter appliceras sedan på en relevant aktiveringsfunktion. Aktiveringsfunktionen mappar ingången till respektive utgång.
Vikter och fördomar i djupt lärande
Varför måste vi tilldela vikter till varje ingång?
När en ingångsvariabel matas till nätverket tilldelas ett slumpmässigt valt värde som vikten på den ingången. Vikten av varje indatapunkt indikerar hur viktig ingången är för att förutsäga resultatet.
Bias-parametern, å andra sidan, låter dig justera aktiveringsfunktionskurvan på ett sådant sätt att en exakt utgång uppnås.
Summationsfunktion
När ingångarna har tilldelats en viss vikt tas produkten från respektive ingång och vikt. Att lägga till alla dessa produkter ger oss den viktade summan. Detta görs genom summeringsfunktionen.
Aktiveringsfunktion
Huvudsyftet med aktiveringsfunktionerna är att mappa den viktade summan till utgången. Aktiveringsfunktioner som tanh, ReLU, sigmoid och så vidare är exempel på transformationsfunktioner.
För att lära dig mer om Perceptrons funktioner kan du gå igenom detta Blogg.
Innan vi avsluta den här bloggen, låt oss ta ett enkelt exempel för att förstå hur ett neuralt nätverk fungerar.
Neurala nätverk förklarade med ett exempel
Tänk på ett scenario där du ska bygga ett artificiellt neuralt nätverk (ANN) som klassificerar bilder i två klasser:
- Klass A: Innehåller bilder av icke-sjuka löv
- Klass B: Innehåller bilder av sjuka löv
Så hur skapar du ett neuralt nätverk som klassificerar bladen i sjuka och icke-sjuka grödor?
Processen börjar alltid med att bearbeta och transformera ingången på ett sådant sätt att den lätt kan bearbetas. I vårt fall kommer varje bladbild att delas upp i pixlar beroende på bildens dimension.
Om bilden till exempel består av 30 gånger 30 pixlar, blir det totala antalet pixlar 900. Dessa pixlar representeras som matriser, som sedan matas in i ingångsskiktet i Neural Network.
Precis som hur våra hjärnor har nervceller som hjälper till att bygga och koppla tankar, har ett ANN perceptroner som accepterar ingångar och bearbetar dem genom att skicka dem vidare från ingångsskiktet till det dolda och slutligen utgångslaget.
När ingången skickas från ingångsskiktet till det dolda skiktet tilldelas varje ingång en initial slumpmässig vikt. Ingångarna multipliceras sedan med motsvarande vikter och deras summa skickas som ingång till nästa dolda lager.
Här tilldelas varje perceptron ett numeriskt värde som kallas bias, vilket är associerat med vikten för varje ingång. Vidare passeras varje perceptron genom aktivering eller en transformationsfunktion som avgör om en viss perceptron aktiveras eller inte.
En aktiverad perceptron används för att överföra data till nästa lager. På detta sätt förökas data (Framåtutbredning) genom det neurala nätverket tills perceptronerna når utlagret.
Vid utgångsskiktet härleds en sannolikhet som avgör om data tillhör klass A eller klass B.
Det låter enkelt, eller hur? Tja, konceptet bakom Neural Networks är enbart baserat på den mänskliga hjärnans funktion. Du behöver fördjupad kunskap om olika matematiska begrepp och algoritmer. Här är en lista med bloggar för att komma igång:
- Vad är Deep Learning? Komma igång med Deep Learning
- Deep Learning with Python: Beginners Guide to Deep Learning
Om du tyckte att den här bloggen var relevant, kolla in av Edureka, ett pålitligt inlärningsföretag online med ett nätverk av mer än 250 000 nöjda elever spridda över hela världen. Edureka Deep Learning with TensorFlow Certification Training-kursen hjälper eleverna att bli expert på att träna och optimera grundläggande och konvolutionsneurala nätverk genom att använda realtidsprojekt och uppdrag tillsammans med begrepp som SoftMax-funktion, Auto-kodare Neural Networks, Restricted Boltzmann Machine (RBM).