Neuronske mreže so računalniški modeli povezanih enot ali vozlišč, namenjenih za prenos, obdelavo in učenje iz podatkov (podatkov) na podoben način, kako delujejo nevroni (živčne celice) pri ljudeh.
Umetna nevronska omrežja
V tehnologiji se nevronske mreže pogosto imenujejo umetne nevronske mreže (ANN) ali nevronske mreže, ki se razlikujejo od bioloških nevronskih mrež, po katerih so po modelu. Glavna ideja ANN-jeva je, da so človeški možgani najbolj kompleksni in inteligentni "računalniki", ki obstajajo. Z modeliranjem ANN-jev čim bližje strukturi in sistemu obdelave informacij, ki so jih uporabili možgani, so raziskovalci upali, da bodo ustvarjali računalnike, ki so približali ali presegli človeško inteligenco. Neuronske mreže so ključna sestavina sedanjih napredovanj v umetni inteligenci (AI), strojno učenje (ML) in globoko učenje.
Kako deluje nevarna omrežja: primerjava
Da bi razumeli, kako delujejo nevronske mreže in razlike med obema vrstama (biološkim in umetnim), uporabimo primer 15-stavne pisarne, telefonske linije in stikalne omarice, ki potujejo po celotni zgradbi, posameznih nadstropjih in posameznih pisarnah. Vsaka posamezna pisarna v naši 15-nadstropni poslovni zgradbi predstavlja nevron (vozlišče v računalniškem omrežju ali živčne celice v biologiji). Stavba sama je struktura, ki vsebuje niz pisarn, urejenih v sistemu 15 nadstropij (nevronska mreža).
Uporaba primera za biološke nevronske mreže ima stikalno ploščo, ki sprejema klice, linije za povezavo s katerokoli pisarno na katerem koli nadstropju v celotni zgradbi. Poleg tega ima vsak urad linije, ki jo povezujejo z vsemi drugimi uradi v celotni zgradbi na vsakem nadstropju. Predstavljajte si, da klic pride v (vhod) in stikalo ga prenese v pisarno na 3rd nadstropje, ki ga prenese neposredno v pisarno na 11. stoletjuth nadstropje, ki ga nato neposredno prenese v pisarno na 5th nadstropje. V možganih lahko vsaka nevronska ali živčna celica (pisarna) neposredno poveže s katerimkoli drugim nevronom v svojem sistemu ali nevronskem omrežju (zgradbi). Informacije (klic) se lahko pošljejo kateremu koli drugemu nevronu (pisarna), da obdelajo ali se naučijo, kaj je potrebno, dokler ni odgovora ali resolucije (izhod).
Ko ta primer uporabimo za ANN, postane precej bolj zapleteno. Vsako nadstropje stavbe zahteva svojo stikalno ploščo, ki se lahko poveže samo s pisarnami v istem nadstropju, kot tudi stikalne plošče na tleh nad in pod njim. Vsak urad se lahko neposredno poveže z drugimi pisarnami v istem nadstropju in stikalno ploščo za tla. Vsi novi klici se morajo začeti s stikalno ploščo v 1. nadstropju in jih je treba prenesti v vsako posamezno nadstropje v številčnem zaporedju do 15th pred koncem klica. Vzemimo ga, da vidimo, kako deluje.
Predstavljajte si, da klic pride v (vnos) na 1st talna stikalna plošča in se pošlje v pisarno na 1st tla (vozlišče). Klic se nato prenese neposredno med druge pisarne (vozlišča) na 1st tla, dokler ni pripravljen za pošiljanje v naslednje nadstropje. Potem je treba klic poslati nazaj na 1st talna stikalna plošča, ki jo nato prenese na 2nd talna stikalna plošča. Ti isti koraki ponovijo eno nadstropje hkrati, pri čemer se klic pošilja s tem procesom na vsakem nadstropju vse do tla 15.
V ANN-jih so vozlišča (pisarne) urejene v plasteh (tla stavbe). Informacije (klic) vedno pridejo skozi vhodni sloj (1st tla in stikalne plošče), ki jih je treba poslati in predelati po vsaki plasti (tla), preden se lahko premaknejo na naslednjo. Vsak sloj (tla) obdeluje natančno podrobnost o tem klicu in pošlje rezultat skupaj s klicem na naslednji sloj. Ko klic doseže izhodno plast (15th tla in stikalne plošče), vključuje podatke o obdelavi iz plasti 1-14. Vozlišča (pisarne) na 15th plast (tla) uporabite podatke za vnos in obdelavo iz vseh drugih slojev (tla), da bi dobili odgovor ali ločljivost (izhod).
Nevronska omrežja in strojno učenje
Neuronske mreže so ena vrsta tehnologije v kategoriji strojnega učenja. Pravzaprav je napredek pri raziskavah in razvoju nevronskih mrež tesno povezan z ebbs in tokovi napredka v ML. Neuralne mreže širijo zmogljivosti za obdelavo podatkov in povečujejo računalniško moč ML, povečujejo količino podatkov, ki jih je mogoče obdelati, pa tudi sposobnost opravljanja zahtevnejših nalog.
Prvi dokumentiran računalniški model za ANN je leta 1943 ustvaril Walter Pitts in Warren McCulloch. Začetni interes in raziskave v nevronskih mrežah in strojnem učenju so se sčasoma upočasnile in do leta 1969 so bile bolj ali manj odpravljene, le z majhnimi novimi zanimanji. Računalniki časa preprosto niso imeli dovolj hitrih ali dovolj velikih procesorjev, da bi ta področja še naprej napredovali, in velika količina podatkov, potrebnih za ML in nevronske mreže, v tistem času ni bila na voljo.
Veliko povečanje računalniške moči sčasoma skupaj z rastjo in širitvijo interneta (in s tem dostopom do velikih količin podatkov prek interneta) so rešile te zgodnje izzive. Neuronske mreže in ML so zdaj ključnega pomena za tehnologije, ki jih vidimo in uporabljamo vsak dan, kot so prepoznavanje obraza, obdelava slik in iskanje ter jezikovno prevajanje v realnem času - za samo nekaj.
Primeri nevronske mreže v vsakdanjem življenju
ANN je precej zapletena tematika v tehnologiji, vendar je vredno vzeti nekaj časa, da bi raziskali zaradi vedno večjega števila načinov, kako to vpliva na naša življenja vsak dan. Tukaj je še nekaj primerov, kako različne nevronske mreže uporabljajo različne industrije:
- Finance: Neuronske mreže se uporabljajo za napovedovanje menjalnih tečajev. Uporabljajo se tudi v tehnologiji samodejnih sistemov trgovanja, ki se uporabljajo na borzi.
- Medicina: Zmožnosti za obdelavo slik nevronskih mrež so prispevale k tehnologiji, ki omogoča natančnejši pregled in odkrivanje zgodnjih stopenj in težko prepoznavanje vrst raka. Ena taka vrsta raka je invazivni melanom, najbolj resna in smrtonosna oblika kožnega raka. Zaznavanje melanoma v zgodnejših fazah, preden se širi, daje bolnikom s to vrsto raka najboljše možnosti, da ga premaga.
- Vreme: Sposobnost zaznavanja atmosferskih sprememb, ki kažejo potencialno resne in nevarne vremenske dogodke čim hitreje in natančneje, je bistvenega pomena za reševanje življenj. Neuronske mreže sodelujejo pri obdelavi satelitskih in radarskih slik v realnem času, ki ne zaznavajo samo zgodnjega oblikovanja orkanov in ciklonov, temveč zaznavajo tudi nenadne spremembe v hitrosti in smeri vetra, ki kažejo tornado, ki tvori tvorbo. Tornadi so nekateri najmočnejši in najnevarnejši vremenski dogodki v zapisu - pogosto bolj nenadni, uničujoči in smrtonosni kot orkani.
