Sieci neuronowe są komputerowymi modelami połączonych jednostek lub węzłów zaprojektowanych do przesyłania, przetwarzania i uczenia się z informacji (danych) w podobny sposób, jak działają neurony (komórki nerwowe) u ludzi.
Sztuczne sieci neuronowe
W technologii sieci neuronowe są często nazywane sztucznymi sieciami neuronowymi (SSN) lub sieciami neuronowymi w celu odróżnienia od biologicznych sieci neuronowych, na których są wzorowane. Główną ideą ANNs jest to, że ludzki mózg jest najbardziej złożonym i inteligentnym "komputerem", który istnieje. Poprzez możliwie najdokładniejsze modelowanie SSN do struktury i systemu przetwarzania informacji wykorzystywanych przez mózg naukowcy mieli nadzieję stworzyć komputery, które zbliżyłyby się lub przekroczyły ludzką inteligencję. Sieci neuronowe są kluczowym elementem obecnych postępów w sztucznej inteligencji (AI), uczenia maszynowego (ML) i głębokiego uczenia się.
Jak działają sieci neuronowe: porównanie
Aby zrozumieć, jak działają sieci neuronowe i jakie są różnice między tymi dwoma typami (biologicznym i sztucznym), skorzystajmy z przykładu 15-piętrowego budynku biurowego oraz linii telefonicznych i rozdzielnic, które kierują połączenia w całym budynku, poszczególnych piętrach i poszczególnych biurach. Każde pojedyncze biuro w naszym 15-piętrowym biurowcu reprezentuje neuron (węzeł sieci komputerowej lub komórkę nerwową w biologii). Sam budynek to struktura zawierająca zestaw biur rozmieszczonych w systemie 15 pięter (sieć neuronowa).
Przykładując do biologicznych sieci neuronowych, centrala, która odbiera połączenia, ma linie do połączenia z dowolnym biurem na dowolnym piętrze w całym budynku. Dodatkowo każde biuro ma linie łączące je z każdym innym biurem w całym budynku na dowolnym piętrze. Wyobraź sobie, że przychodzi połączenie (wejście), a centrala przekazuje je do biura na 3r & D podłoga, która przenosi ją bezpośrednio do biura na 11th podłoga, która następnie przenosi ją bezpośrednio do biura na 5th podłoga. W mózgu każdy neuron lub komórka nerwowa (biuro) może bezpośrednio łączyć się z dowolnym innym neuronem w jego systemie lub sieci neuronowej (budynku). Informacje (połączenie) mogą być przesyłane do dowolnego innego neuronu (biura) w celu przetworzenia lub nauczenia się, co jest potrzebne, dopóki nie pojawi się odpowiedź lub rozdzielczość (wyjście).
Kiedy zastosujemy ten przykład do SSN, staje się on nieco bardziej skomplikowany. Każde piętro budynku wymaga własnej rozdzielni, która może łączyć się tylko z biurami na tym samym piętrze, a także z tablicami rozdzielczymi na podłogach nad i pod nim. Każde biuro może tylko połączyć się bezpośrednio z innymi biurami na tym samym piętrze i centralą dla tego piętra. Wszystkie nowe połączenia muszą rozpoczynać się od centrali na 1 piętrze i muszą być przenoszone na poszczególne piętra w kolejności numerycznej do 15th piętro przed zakończeniem połączenia. Włączmy to, aby zobaczyć, jak to działa.
Wyobraź sobie, że połączenie przychodzi (wejście) do 1ul podłoga i jest wysyłana do biura na 1ul piętro (węzeł). Połączenie jest następnie przekazywane bezpośrednio między innymi biurami (węzłami) na 1ul piętro, dopóki nie będzie gotowe do wysłania na następne piętro. Następnie połączenie musi zostać odesłane do 1ul podłogowa, która następnie przekazuje ją do 2nd podłogowa tablica rozdzielcza. Te same kroki powtarzają się na jednym piętrze, a wywołanie jest wysyłane w ten sposób na każdym piętrze, aż do piętnastego piętra.
W SSN węzły (biura) są ułożone warstwowo (podłogi budynku). Informacja (połączenie) zawsze przychodzi przez warstwę wejściową (1ul podłoga i jej rozdzielnia) i muszą zostać wysłane i przetworzone przez każdą warstwę (podłogę), zanim będzie mogła przejść do następnej. Każda warstwa (piętro) przetwarza określony szczegół dotyczący tego połączenia i wysyła wynik wraz z wywołaniem do następnej warstwy. Gdy połączenie dotrze do warstwy wyjściowej (15th podłoga i jego tablica rozdzielcza), zawiera informacje o przetwarzaniu z warstw 1-14. Węzły (biura) na 15th layer (floor) używaj informacji wejściowych i przetwarzania ze wszystkich innych warstw (pięter), aby wymyślić odpowiedź lub rozdzielczość (wyjście).
Sieci neuronowe i uczenie maszynowe
Sieci neuronowe są jednym z rodzajów technologii w kategorii uczenia maszynowego. W rzeczywistości postęp w badaniach i rozwoju sieci neuronowych był ściśle związany z przypływami i przepływami postępu w ML. Sieci neuronowe zwiększają możliwości przetwarzania danych i zwiększają moc obliczeniową ML, zwiększając objętość danych, które mogą być przetwarzane, ale także zdolność wykonywania bardziej złożonych zadań.
Pierwszy udokumentowany model komputerowy dla ANNs został stworzony w 1943 roku przez Waltera Pittsa i Warrena McCullocha. Początkowe zainteresowanie i badania w sieciach neuronowych i uczeniu maszynowym ostatecznie zwolniły i zostały mniej lub bardziej odłożone na półkę do 1969 r., Z niewielkimi impulsami ponownego zainteresowania. Komputery w tamtym czasie po prostu nie miały wystarczająco szybkiego lub wystarczająco dużego procesora, aby dalej rozwijać te obszary, a ogromna ilość danych potrzebnych do ML i sieci neuronowych nie była dostępna w tym czasie.
Ogromne wzrosty mocy obliczeniowej w czasie wraz z rozwojem i ekspansją internetu (a tym samym dostępem do ogromnych ilości danych przez Internet) rozwiązały te wczesne wyzwania. Siatki neuronowe i ML są obecnie instrumentalne w technologiach, które widzimy i używamy na co dzień, takich jak rozpoznawanie twarzy, przetwarzanie obrazu i wyszukiwanie oraz tłumaczenia w czasie rzeczywistym w czasie rzeczywistym - aby wymienić tylko kilka.
Przykłady sieci neuronowych w codziennym życiu
SSN to dość złożony temat w obrębie technologii, jednak warto poświęcić trochę czasu na analizę ze względu na rosnącą liczbę sposobów, które wpływają na nasze codzienne życie. Oto kilka przykładów sposobów wykorzystania sieci neuronowych przez różne gałęzie przemysłu:
- Finanse: Sieci neuronowe są używane do przewidywania kursów wymiany walut. Wykorzystywane są również w technologii zautomatyzowanych systemów transakcyjnych używanych na rynku akcji.
- Lekarstwo: Zdolności przetwarzania obrazu sieci neuronowych przyczyniły się do technologii, która pomaga dokładniej monitorować i wykrywać wczesne etapy oraz trudne do zidentyfikowania typy nowotworów. Jednym z takich nowotworów jest inwazyjny czerniak, najpoważniejsza i najniebezpieczniejsza forma raka skóry. Rozpoznanie czerniaka na wcześniejszych etapach, zanim się rozprzestrzeni, daje pacjentom z tym nowotworem największe szanse na pokonanie go.
- Pogoda: Zdolność do wykrywania zmian atmosferycznych, które wskazują potencjalnie poważne i niebezpieczne zdarzenia pogodowe tak szybko i dokładnie, jak to możliwe, jest niezbędna do ratowania życia. Siatki neuronowe są zaangażowane w przetwarzanie w czasie rzeczywistym obrazów satelitarnych i radarowych, które nie tylko wykrywają wczesne powstawanie huraganów i cyklonów, ale także wykrywają nagłe zmiany prędkości i kierunku wiatru, które wskazują na powstające tornado. Tornada to jedne z najsilniejszych i najniebezpieczniejszych zdarzeń pogodowych - niejednokrotnie bardziej nagłe, niszczycielskie i zabójcze niż huragany.
