Neuroniniai tinklai yra prijungtų vienetų ar mazgų kompiuteriniai modeliai, skirti perduoti, apdoroti ir mokytis iš informacijos (duomenų) panašiai, kaip neuronai (nervų ląstelės) veikia žmonėms.
Dirbtiniai neuroniniai tinklai
Technologijoje neuroniniai tinklai dažnai vadinami dirbtiniais neuroniniais tinklais (NN) arba neuroniniais tinklais, kurie skiriasi nuo biologinių neuronų tinklų, kuriuose jie modeliuojami. Pagrindinė "ANN" idėja yra tai, kad žmogaus smegenys yra sudėtingiausias ir protingesnis "kompiuteris", kuris egzistuoja. Modeliuodamos internetinius tinklus kuo arčiau smegenų naudojamos informacijos apdorojimo sistemos ir sistemos, mokslininkai tikėjosi sukurti kompiuterius, kurie priartėjo ar viršijo žmogaus intelektą. Neuroniniai tinklai yra esminis dabartinio pažangumo dirbtinio intelekto (AI), mašininio mokymosi (ML) ir gilaus mokymosi pasiekimų komponentas.
Kaip veikia neuroniniai tinklai: palyginimas
Norėdami suprasti, kaip veikia neuroniniai tinklai, ir skirtumų tarp dviejų tipų (biologinių ir dirbtinių), pamėginkime naudoti 15 aukštų biurų pastato ir telefono linijų bei skirstomųjų skydų pavyzdį, kuris paskatintų skambučius visame pastate, atskirose grindyse ir atskiruose biuruose. Kiekvienas mūsų biurų pastato 15 aukštų biuras yra neuronas (kompiuterinių tinklų mazgas arba biologijos nervų ląstelė). Pastatas pats yra struktūra, kurioje yra biurų, įrengtų 15 aukštų sistemoje (neuroninis tinklas), rinkinys.
Pavyzdžiui taikydami biologinius neuroninius tinklus, skydelyje, kuris gauna skambučius, skambučių linijos jungiasi prie bet kurio biuro bet kuriame pastato aukšte. Be to, kiekviename biure yra linijos, jungiančios ją su bet kokiu kitu pastatu bet kuriame aukšte. Įsivaizduokite, kad skambutis yra (įvesties), o komutatorius perkelia jį į biurą 3rd grindys, kuris tiesiogiai perkeliamas į biurą 11 dth grindys, o po to tiesiogiai perkeliamos į biurą 5 dth grindys. Smegenyse kiekvienas neuronas arba nervų ląstelė (biuras) gali tiesiogiai prisijungti prie bet kurio kito neurono savo sistemoje arba neuroniniame tinkle (pastatas). Informacija (skambutis) gali būti perduodama bet kuriam kitam neuronui (biure), kad būtų galima apdoroti ar sužinoti, ko reikia, kol bus atsakymas arba rezoliucija (išvestis).
Kai mes taikome šį pavyzdį ANN, jis tampa kur kas sudėtingesnis. Kiekviename pastato aukšte reikalingas atskiras skirstomasis skydas, kuris gali jungtis tik prie patalpos toje pačioje grindyse, taip pat ant aukštų ir žemiau esančių grindų skirstomųjų skydų. Kiekviena biure gali tiesiogiai tiesiogiai prisijungti prie kitų patalpų toje pačioje grindų esančių biurų ir to grindų skirstomojo skydo. Visi nauji skambučiai turi prasidėti nuo pirmame aukšte esančio skirstomojo skydo ir turi būti perkelti į kiekvieną atskirą aukštą skaitmenimis iki 15th grindys prieš pokalbį gali baigtis. Paimkime, kaip tai veikia.
Įsivaizduokite, kad skambutis yra (įvestis) į 1st grindų skydas ir siunčiamas į biurą 1 dst grindys (mazgas). Skambutis perduodamas tiesiai tarp kitų 1 punkte esančių biurų (mazgų)st grindis, kol ji bus paruošta išsiųsti į kitą aukštą. Tada skambutis turi būti siunčiamas atgal į 1st grindų skydas, kuris po to perveda į 2nd grindų skydas. Šie patys veiksmai pakartoja vieną aukštą vienu metu, kai šis procesas siunčiamas kiekviename aukšte iki 15 aukšto.
ANNs, mazgai (biurai) yra išdėstyti sluoksniais (pastato aukštai). Informacija (skambutis) visada patenka per įvesties sluoksnį (1st grindys ir jo skirstomieji skydai), ir jie turi būti siunčiami ir apdorojami kiekvienu sluoksniu (grindimis), kol jis gali pereiti prie kito. Kiekvienas sluoksnis (grindys) apdoroja konkrečią informaciją apie šį skambutį ir siunčia rezultatą kartu su skambučiu į kitą sluoksnį. Kai skambutis pasiekia išėjimo sluoksnį (15th grindys ir jo skydas), ji apima apdorojimo informaciją nuo 1-14 sluoksnių. Mazgai (biurai) 15 mth sluoksnis (grindys) naudoja įvesties ir apdorojimo informaciją iš visų kitų sluoksnių (grindų), kad pateiktų atsakymą arba rezoliuciją (išvestis).
Neuroniniai tinklai ir mašinų mokymasis
Neuroniniai tinklai yra vienos rūšies technologijos pagal mašinų mokymosi kategoriją. Tiesą sakant, neuroninių tinklų tyrimų ir plėtros tobulinimas buvo glaudžiai susijęs su pakilimu ir progresavimo srautais ML. Neuroniniai tinklai išplečia duomenų apdorojimo galimybes ir padidina ML skaičiavimo galią, padidindami apdorojamų duomenų kiekį, taip pat sugebėdami atlikti sudėtingesnes užduotis.
Pirmasis dokumentuotas kompiuterinių modelių modelis, sukurtas 1943 m. Walter Pitts ir Warren McCulloch. Pradinis susidomėjimas ir tyrimas neuronų tinkluose ir mašinų mokymasis ilgainiui sulėtėjo ir 1969 m. Buvo daugiau ar mažiau likutis, tik nedideli nauji susidomėjimai. Kompiuteriai, kurie tuo metu paprastai neturėjo pakankamai greitų arba pakankamai didelių procesorių, kad toliau tobulintų šias teritorijas, tuo metu tuo metu nebuvo prieinama daug duomenų, reikalingų ML ir neuroniniams tinklams.
Dėl didelių skaičiavimų galios padidėjimo per laiką kartu su interneto augimu ir plėtojimu (taigi ir prieiga prie daugybės duomenų per internetą), išspręstos ankstyvieji iššūkiai. Neuroniniai tinklai ir ML dabar padeda kiekvieną dieną matyti ir naudoti technologijas, tokias kaip veido atpažinimas, vaizdo apdorojimas ir paieška, o realaus laiko kalbos vertimas - tik keletas vardų.
Neuronų tinklo pavyzdžiai kasdieniame gyvenime
ANN yra gana sudėtinga technologijos tema, tačiau verta skirti šiek tiek laiko, kad galėtų ištirti dėl to, kad vis dažniau įtakoja mūsų gyvenimą kiekvieną dieną. Čia pateikiami dar keletas pavyzdžių, kaip neuroniniai tinklai šiuo metu naudojami skirtingose pramonės šakose:
- Finansai: Neuroniniai tinklai naudojami norint prognozuoti valiutos keitimo kursus. Jie taip pat naudojami automatinių prekybos sistemų, naudojamų vertybinių popierių rinkoje, technologijoje.
- Medicina: Neuroninių tinklų vaizdo apdorojimo galimybės prisidėjo prie technologijų, padedančių tiksliau aptikti ankstyvosios ir sunkios formos vėžio formas. Vienas iš tokių vėžio tipų yra invazinė melanoma - sunkiausia ir mirtiniausia odos vėžio forma. Melanomos nustatymas ankstesniuose stadijose, prieš tai pasklidus, suteikia pacientams, sergantiems šio tipo vėžiu, geriausias galimybes jį įveikti.
- Orai: Gebėjimas aptikti atmosferos pokyčius, kurie rodo, kad potencialiai rimtas ir pavojingas oro įvykis yra kuo greičiau ir tiksliau, yra gyvybiškai svarbu išgelbėti. Neuroniniai tinklai yra įtraukti į realaus laiko apdorojimą palydovinių ir radarų vaizdus, kurie ne tik aptinka ankstyvą uraganų ir ciklonų formavimą, bet taip pat aptinka staigius vėjo greičio ir krypties pokyčius, kurie rodo formuojantį tornadą. Tornadai yra keletas stipriausių ir labiausiai pavojingų įvykių oro sąlygomis - dažniau staigūs, žalingi ir mirtini, nei uraganai.
