Што треба да знаете за да ја разберете промената на технологијата околу вас
Невронските мрежи се компјутерски модели на поврзани единици или јазли дизајнирани да пренесуваат, обработуваат и учат од информации (податоци) на сличен начин како функционираат невроните (нервните клетки) кај луѓето.
Вештачки нервни мрежи
Во технологијата, нервните мрежи често се нарекуваат вештачки нервни мрежи (ANNs) или нервни мрежи за да се разликуваат од биолошките нервни мрежи по кои тие се моделираат. Главната идеја зад ANNs е дека човечкиот мозок е најсложениот и интелигентен "компјутер" што постои. Со моделирање на ANN колку што е можно поблиску до структурата и системот на процесирање на информации што ги користи мозокот, истражувачите се надеваа дека ќе создадат компјутери кои се приближуваа или ја надминаа човечката интелигенција. Невралните мрежи се клучна компонента на тековните достигнувања во вештачката интелигенција (АИ), машинско учење (МЛ) и длабоко учење .
Како функционираат нервните мрежи: споредба
За да разбереме како функционираат нервните мрежи и разликите помеѓу двата вида (биолошки и вештачки), да го искористиме примерот на 15-катната зграда и телефонските линии и разводни центри што разгледуваат низ целата зграда, индивидуалните подови и индивидуалните канцеларии. Секоја поединечна канцеларија во нашата 15-катна зграда претставува неврон (јазол во компјутерско вмрежување или нервна ќелија во биологијата). Самата зграда е структура која содржи множество канцеларии распоредени во систем од 15 спрата (нервна мрежа).
Применувајќи го примерот на биолошките нервни мрежи, разводната табла која прима повици има линии за поврзување со која било канцеларија на кој било кат во целата зграда. Покрај тоа, секоја канцеларија има линии кои го поврзуваат со секоја друга канцеларија во целата зграда на секој кат. Замислете дека се јавува повик (влез) и централата го префрла во канцеларија на 3- ти кат, која ја пренесува директно во канцеларија на 11 -ти кат, која потоа директно ја префрла во канцеларија на 5 -ти кат. Во мозокот, секоја невронска или нервна клетка (канцеларија) може директно да се поврзе со кој било друг неврон во неговиот систем или нервната мрежа (зградата). Информацијата (повикот) може да се пренесе на било кој друг неврон (канцеларија) за да се процесира или да научи што е потребно додека не се добие одговор или резолуција (излез).
Кога ќе го примениме овој пример за ANNs, станува многу покомплексен. Секој кат на зградата бара своја централа, која може да се поврзе само со канцелариите на ист кат, како и разводни плочи на подот и под него. Секоја канцеларија може директно да се поврзе со други канцеларии на ист кат и разводната табла за тој кат. Сите нови повици мора да започнат со разводната табла на првиот кат и мора да се пренесат на секој поединечен под во нумерички редослед до 15 -ти кат пред да заврши повикот. Ајде да го ставиме во движење за да видиме како работи.
Замислете дека повикот доаѓа во (влез) на 1- ви кат централа и е испратен во канцеларија на 1- ви кат (јазол). Повикот потоа се пренесува директно меѓу другите канцеларии (јазли) на првиот кат, додека не биде подготвен да биде испратен на следниот спрат. Тогаш повикот мора да биде вратен на 1- ви кат централа, која потоа ја пренесува на 2 -ри кат централа. Истите исти чекори повторуваат еден кат одеднаш, при што повикот се испраќа преку овој процес на секој кат сè до подот 15.
Во ANNs, јазли (канцеларии) се наредени во слоеви (подови на зградата). Информациите (повик) секогаш доаѓаат преку влезниот слој ( првиот кат и неговата табла) и мора да бидат испратени и обработени од секој слој (под) пред да се префрли на следниот. Секој слој (под) обработува специфичен детал за тој повик и го испраќа резултатот заедно со повикот до следниот слој. Кога повикот ќе го достигне излезниот слој (15 -ти кат и неговата табла), ги вклучува информациите за обработка од слоеви 1-14. Јазли (канцеларии) на 15 -тиот слој (подот) ги користат влезните и обработуваните информации од сите други слоеви (подови) за да дојдат до одговор или резолуција (излез).
Невронски мрежи и Машинско учење
Невроните мрежи се еден вид технологија во категоријата за учење на машини. Всушност, напредокот во истражувањето и развојот на нервните мрежи е цврсто поврзан со појавите и протокот на напредокот во МЛ. Невроните мрежи ги прошируваат можностите за обработка на податоци и ја зголемуваат компјутерската моќ на ML, зголемувајќи го обемот на податоци кои можат да се обработуваат, но исто така и способноста за извршување на посложени задачи.
Првиот документиран компјутерски модел за ANNs беше создаден во 1943 година од страна на Волтер Питс и Ворен МекКлух. Првичниот интерес и истражување во невронските мрежи и машинското учење на крајот забави и беше повеќе или помалку затворен до 1969 година, со само мали изливи на обновен интерес. Компјутерите од времето едноставно немале доволно доволно или доволно големи процесори да ги унапредат овие области уште повеќе, а огромното количество на податоци потребни за ML и нервните мрежи во тоа време не било достапно.
Масовните зголемувања на компјутерската моќ со текот на времето, заедно со растот и проширувањето на интернетот (а со тоа и пристапот до огромни количини на податоци преку интернет) ги решија тие почетни предизвици. Неуралните мрежи и ML сега се инструментални за технологиите што ги гледаме и ги користиме секој ден, како што се препознавање на лице , обработка на слики и пребарување и превод на јазичен превод во реално време - за да именуваме само неколку.
Примери на невралната мрежа во секојдневниот живот
АНН е прилично сложена тема во технологијата, но вреди да поминеме извесно време да се истражиме поради зголемениот број на начини на кои секојдневно влијае врз нашите животи. Еве уште неколку примери на начини на кои невралните мрежи во моментов ги користат различни индустрии:
- Финансии: Неурните мрежи се користат за да се предвидат девизните курсеви. Тие исто така се користат во технологијата зад автоматските системи за тргување кои се користат на берзата.
- Медицина: Можностите за обработка на слики на нервните мрежи придонесоа за технологија која попрецизно помага при екранот и откривањето на раната фаза и тешко се идентификуваат типови на рак. Еден таков вид на рак е инвазивен меланом, најсериозен и смртоносен облик на рак на кожата. Идентификувањето на меланомот во претходните фази, пред да се прошири, им дава на пациентите со овој вид на рак најдобри шанси да го победат.
- Време: Способноста за откривање на атмосферски промени кои укажуваат на потенцијално сериозен и опасен временски настан што е можно побрзо и попрецизно е од суштинско значење за спасување на животот. Неуралните мрежи се вклучени во процесирањето на сателитски и радарски слики во реално време, кои не само што го откриваат раното формирање на урагани и циклони, туку и откриваат ненадејни промени во брзината и насоката на ветерот што укажуваат на формирање торнадо. Торнадоте се некои од најсилните и најопасните временски настани на рекорд - честопати повеќе ненадејни, деструктивни и смртоносни од урагани.