Комплетан водич за вештачку неуронску мрежу у машинском учењу

complete guide artificial neural network machine learning

Овај водич објашњава шта је вештачка неуронска мрежа, како АНН ради, структура и типови архитектуре АНН-а и неуронске мреже:

У ово Обука за машинско учење за све , истражили смо све о томе Врсте машинског учења у нашем претходном упутству.

Овде, у овом упутству, разговарајте о различитим алгоритмима у неуронским мрежама, заједно са поређењем машинског учења и АНН-а. Пре него што сазнамо како АНН доприноси машинском учењу, морамо знати шта је вештачка неуронска мрежа и кратко знање о машинском учењу.

Истражимо више о машинском учењу и вештачкој неуронској мрежи !!

=> Прочитајте комплетну серију обука за машинско учење

Шта ћете научити:

• Шта је машинско учење?
• Шта је вештачка неуронска мрежа?
• Структура биолошке неуронске мреже
• Поређење биолошког и вештачког неурона
• Карактеристике АНН-а
• Структура АНН
• Функција активирања
• Шта је вештачки неурон?
• Како делује вештачки неурон?
  • # 1) Функција идентитета
  • # 2) Бинарна функција корака
  • # 4) Сигмоидна функција
  • # 5) РампФунцтион
• Основни модели АНН-а
• Архитектура неуронске мреже
  • # 1) Једнослојна мрежа за прослеђивање
  • # 2) Вишеслојна мрежа за прослеђивање унапред
  • # 3) Појединачни чвор са сопственим повратним информацијама
  • # 4) Једнослојна понављајућа мрежа
  • # 5) Вишеслојна мрежа која се понавља
• Пример вештачке неуронске мреже
• Поређење између машинског учења и АНН-а
• Неуронске мреже и дубоко учење
• Примене вештачке неуронске мреже
• Ограничења неуронских мрежа
• Закључак
• Препоручено читање

Шта је машинско учење?

Машинско учење је област науке која омогућава рачунарима способност учења и деловања без изричитог програмирања. То је потпоље вештачке интелигенције.

Шта је вештачка неуронска мрежа?

АНН је нелинеарни модел који се широко користи у машинском учењу и има перспективну будућност у пољу вештачке интелигенције.

Вештачка неуронска мрежа је аналогна биолошкој неуронској мрежи. Биолошка неуронска мрежа је структура милијарди међусобно повезаних неурона у људском мозгу. Људски мозак се састоји од неурона који шаљу информације различитим деловима тела као одговор на извршену радњу.

Слично овоме, вештачка неуронска мрежа (АНН) је рачунарска мрежа у науци која подсећа на карактеристике људског мозга. АНН може да моделира као изворни неурони људског мозга, па се стога делови за обраду АНН-а називају вештачким неуронима.

АНН се састоји од великог броја међусобно повезаних неурона који су инспирисани радом мозга. Ови неурони имају способност учења, уопштавања података о тренингу и извлачења резултата из сложених података.

Ове мреже се користе у областима класификације и предвиђања, идентификације образаца и трендова, проблема са оптимизацијом итд. АНН учи на основу података обуке (познати улазни и циљни излаз) без икаквог програмирања.

Научена неуронска мрежа назива се ан експерт систем са способношћу да анализира информације и одговори на питања из одређене области.

Формална дефиниција АНН коју је дао др. Роберт Хецхт-Ниелсон, проналазач једног од првих неуро рачунара је:

„… Рачунарски систем који се састоји од низа једноставних, међусобно међусобно повезаних процесних елемената, који обрађују информације својим динамичким одзивом стања на спољне улазе“.

Структура биолошке неуронске мреже

Биолошку неуронску мрежу чине:

• Сома: Ово се назива и ћелијским телом. Ту се налази ћелијско језгро.
• Дендрити: То су мреже налик дрвету које су повезане са ћелијским телом. Направљен је од нервних влакана.
• Акон: Акон преноси сигнал из тела ћелије. Она се дели на нити и свака се завршава у структури налик на сијалицу која се назива синапса. Електрични сигнали се преносе између синапсе и дендрита.

(слика извор )

Поређење биолошког и вештачког неурона

Карактеристике АНН-а

• Нелинеарност: Механизам који се користи у АНН за генерисање улазног сигнала је нелинеаран.
• Надгледано учење: Улаз и излаз се мапирају, а АНН се обучава помоћу скупа података за обуку.
• Учење без надзора: Циљни излаз није дат, па ће АНН сам учити откривањем карактеристика у уносним обрасцима.
• Прилагодљива природа: Пондери везе у чворовима АНН-а могу се сами прилагодити дајући жељени излаз.
• Аналогија биолошких неурона: АНН има структуру и функционалност инспирисану људским мозгом.
• Толеранција грешке: Ове мреже су изузетно толерантне јер се информације дистрибуирају у слојевима и рачунање се одвија у реалном времену.

Структура АНН

Вештачке неуронске мреже обрађују елементе у облику алгоритама или хардверских уређаја по узору на неуронску структуру мождане коре људског мозга.

Ове мреже се такође називају и неуронским мрежама. НН је формиран из многих слојева. Вишеструко повезани слојеви често се називају „вишеслојни перцептрон“. Неурони у једном слоју називају се „чворови“. Ови чворови имају „функцију активирања“.

АНН има 3 главна слоја:

• Улазни слој: Улазни обрасци доводе се до улазних слојева. Постоји један улазни слој.
• Скривени слојеви: Може бити један или више скривених слојева. Обрада која се одвија у унутрашњим слојевима назива се „скривени слојеви“. Скривени слојеви израчунавају излаз на основу „пондера“ који је „збир пондерисаних веза синапсе“. Скривени слојеви побољшавају улаз уклањањем сувишних информација и шаљу их следећем скривеном слоју на даљу обраду.
• Излазни слој: Овај скривени слој повезује се са „излазним слојем“ где је излаз приказан.

Функција активирања

Функција активације је унутрашње стање неурона. То је функција улаза који неурон прима. Функција активирања користи се за претварање улазног сигнала на чвору АНН у излазни сигнал.

Шта је вештачки неурон?

Вештачка неуронска мрежа састоји се од високо међусобно повезаних процесних елемената који се називају чворови или неурони.

Ови неурони раде паралелно и организовани су у архитектури. Чворови су међусобно повезани везама везе. Сваки неурон носи тежину која садржи информације о улазном сигналу.

Како делује вештачки неурон?

Вештачки неурон прима улаз. Ови улази имају тежину која се назива „синапса“. Ови неурони (такође названи чворови) имају „функцију активације“. Ова функција активације ради на улазу и обрађује га дајући излаз.

Пондерисани збир улаза постаје улазни сигнал у функцију активирања дајући један излаз. Те улазне тежине су подесиве тако да неуронска мрежа може прилагодити своје параметре дајући жељени излаз.

Неколико уобичајених функција активирања које се користе у вештачкој неуронској мрежи су:

# 1) Функција идентитета

Може се дефинисати као ф (к) = к за све вредности к. Ово је линеарна функција где је излаз исти као и улаз.

# 2) Бинарна функција корака

Ова функција се користи у једнослојним мрежама за претварање нето улаза у излаз. Излаз је бинарни, тј. 0 или 1. Т представља граничну вредност.

(слика извор )

# 3) Биполарна функција корака

Функција биполарног корака има биполарне излазе (+1 или -1) за нето улаз. Т представља граничну вредност.

# 4) Сигмоидна функција

Користи се у мрежама за размножавање.

Има две врсте:

• Бинарна сигмоидна функција: Такође се назива и униполарна сигмоидна функција или логистичка сигмоидна функција. Распон сигмоидног функционалног је 0 до 1.

• Биполарни сигмоид: Биполарна сигмоидна функција креће се од -1 до +1. Слична је функцији хиперболичког тангента.

(слика извор )

# 5) РампФунцтион

Тхе пондерисани збир улаза означава „производ тежине улаза и вредности уноса“ сумиран заједно за све улазе.

Нека је И = {И1, И2, И3… Ин} образац за унос неурона.

Нека је В = {В1, В2, В3… Вн} тежина повезана са сваким улазом у чвор.

Пондерисани збир улаза = И = (? Ви * Ии) за и = 1 до н

Основни модели АНН-а

Модели вештачке неуронске мреже састоје се од 3 целине:

• Тегови или синаптичке везе
• Правило учења које се користи за подешавање тежине
• Активационе функције неурона

Архитектура неуронске мреже

У АНН су неурони међусобно повезани и излаз сваког неурона је повезан са следећим неуроном преко тегова. Архитектура ових међусобних веза је важна у АНН-у. Овај распоред је у облику слојева, а веза између слојева и унутар слоја је архитектура неуронске мреже.

Најчешће познате мрежне архитектуре су:

1. Једнослојна мрежа за прослеђивање
2. Вишеслојна мрежа за прослеђивање унапред
3. Појединачни чвор са сопственим повратним информацијама
4. Једнослојна рекурентна мрежа
5. Вишеслојна рекурентна мрежа

Погледајмо их детаљно.

# 1) Једнослојна мрежа за прослеђивање

Слој је мрежа формирана од неурона. Ови неурони су повезани са осталим неуронима следећег слоја. За један слој постоје само улазни и излазни слојеви. Улазни слој је повезан са чворовима излазног слоја теговима.

Сви улазни чворови повезани су на сваки од излазних чворова. Израз прослеђивање унапред приказује да нема повратне информације послате са излазног слоја на улазни слој. Ово чини једнослојну мрежу за прослеђивање.

(слика извор )

# 2) Вишеслојна мрежа за прослеђивање унапред

Вишеслојна мрежа састоји се од једног или више слојева између улаза и излаза. Улазни слој само прима сигнал и баферује га док излазни слој приказује излаз. Слојеви између улаза и излаза називају се скривени слојеви.

Скривени слојеви нису у контакту са спољним окружењем. Са већим бројем скривених слојева, излазни одговор је ефикаснији. Чворови у претходном слоју повезани су са сваким чвором у следећем слоју.

Како не постоји излазни слој повезан са улазним или скривеним слојевима, он формира вишеслојну мрежу за прослеђивање унапред.

# 3) Појединачни чвор са сопственим повратним информацијама

Мреже на којима се излазни слој шаље натраг као улаз на улазни слој или други скривени слојеви називају се мрежама за повратне информације. У системима повратних информација са једним чвором постоји један улазни слој где се излаз преусмерава назад као повратна спрега.

# 4) Једнослојна понављајућа мрежа

У једнослојној рекурентној мрежи, мрежа повратних информација чини затворену петљу. У овом моделу, један неурон прима повратне информације о себи или о осталим неуронима у мрежи или обома.

# 5) Вишеслојна мрежа која се понавља

У вишеслојној рекурентној мрежи постоји више скривених слојева и излаз се преусмерава назад на неуроне претходних слојева и друге неуроне у истим слојевима или на исти неурон.

Пример вештачке неуронске мреже

Узмимо доњу мрежу са датим улазом и израчунајмо нето улазни неурон и добијемо излаз неурона И са функцијом активације као бинарни сигмоидни.

Улаз има 3 неурона Кс1, Кс2 и Кс3 и један излаз И.

Пондери повезани са улазима су: {0,2, 0,1, -0,3}

Улази = {0,3, 0,5, 0,6}

Нето улаз = {к1 * в1 + к2 * в2 + к3 * в3}

Нето улаз = (0,3 * 0,2) + (0,5 * 0,1) + (0,6 * -0,3)

Нето унос = -0,07

Излаз за бинарни сигмоид:

Кс је -0,07

Излаз је 0,517

Поређење између машинског учења и АНН-а

Неуронске мреже и дубоко учење

Мреже дубоког учења садрже неколико скривених слојева између улаза и излаза. Ове мреже се разликују по дубини скривених слојева у њима. Улазни подаци пролазе кроз више корака пре него што се прикаже излаз.

Ове мреже се разликују од ранијих НН, попут перцептрона који је имао један скривени слој и звао се Плитке мреже. Сваки скривени слој у мрежи дубоког учења обучава податке са одређеним карактеристикама на основу резултата претходног слоја.

Подаци пролазе кроз многе слојеве нелинеарне функције на чвору. Што је већи број слојева, то се могу препознати сложеније карактеристике јер ће следећи слој извршити агрегацију обележја из претходних слојева.

Више скривених слојева у мрежи повећава сложеност и апстракцију. Ова дубина се такође назива хијерархијом карактеристика. Због тога су мреже за дубоко учење способне да обрађују податке високе димензије.

Неки примери мрежа дубоког учења укључују груписање милиона слика на основу његових карактеристика и сличности, филтрирање порука е-поште, примену филтера на поруке у ЦРМ-у, препознавање говора итд.

Мреже за дубинско учење могу се обучавати и на етикетираном и на необележеном скупу података. За необележени скуп података, мреже као што су Болтзманн машине за избор извршавају аутоматско издвајање карактеристика.

Мрежа аутоматски учи анализирајући улаз кроз узорковање и минимизирајући разлику у излазу и дистрибуцији уноса. Овде неуронска мрежа проналази корелације између карактеристика и исхода.

Мреже дубоког учења обучене на етикетираним подацима могу се применити на неструктуриране податке. Што се више података о обуци шаље мрежи, то ће она постати тачнија.

Способност мреже да учи из необележених података предност је у односу на остале алгоритме учења.

Примене вештачке неуронске мреже

Неуронске мреже успешно су коришћене у разним решењима као што је приказано у наставку.

# 1) Препознавање узорка: АНН се користи за препознавање узорака, препознавање слика, визуелизацију слика, рукопис, говор и друге такве задатке.

# 2) Проблеми са оптимизацијом: Проблеми попут проналажења најкраћег пута, распореда и производње где се морају задовољити ограничења проблема и потребно постићи оптимално решење користе се НН-овима.

шта је рачунарски оперативни систем

# 3) Предвиђање: НН може да предвиди исход за ситуације анализирајући прошле трендове. Апликације као што су банкарство, берза, прогнозе времена користе Неурал Нетворкс.

# 4) Системи управљања: Контролни системи попут рачунарских производа, хемијских производа и роботике користе неуронске мреже.

Ограничења неуронских мрежа

У наставку су наведени неки од недостатака неуронских мрежа.

• Ове мреже су црне кутије за корисника јер корисник нема никакве улоге осим храњења улаза и проматрања излаза. Корисник није упознат са обуком која се одвија у алгоритму.
• Ови алгоритми су прилично спори и захтевају много итерација (такође названих епоха) да би се добили тачни резултати. То је зато што ЦПУ израчунава тежине, функцију активирања сваког чвора посебно, чинећи га тако да троши време као и ресурсе. Такође узрокује проблем са великом количином података.

Закључак

У овом упутству смо сазнали о вештачкој неуронској мрежи, њеној аналогији са биолошким неуроном и типовима неуронске мреже.

АНН потпада под машинско учење. То је рачунски модел састављен од више неуронских чворова. Ови чворови примају улаз, обрађују улаз помоћу функције активирања и прослеђују излаз следећим слојевима.

Улази су повезани са тежинама везе везе која се назива синапса. Основни АНН састоји се од улазног слоја, пондера, функције активације, скривеног слоја и излазног слоја.

Функције активирања се користе за претварање улаза у излаз. Неки од њих су бинарни, биполарни, сигмоидални и рампни. Постоје различити типови АНН-а, као што су једнослојно прослеђивање, вишеслојно прослеђивање, поновљене мреже итд. На основу броја скривених слојева и механизама повратних информација.

АНН са много скривених слојева између улаза и излаза чине мрежу дубоког учења. Мреже дубоког учења имају високу сложеност и ниво апстракције што их чини способним за рачунање података високе димензије са хиљадама параметара.

АНН се користи у пољу предвиђања, обраде слика, контролних система итд. Они су успешно примењени као решење за низ научних проблема.

Надамо се да је овај водич објаснио све што треба да знате о вештачким неуронским мрежама !!

=> Посетите овде за ексклузивну серију машинског учења

Препоручено читање

• Дата Мининг вс Мацхине Леарнинг вс Артифициал Интеллигенце вс Дееп Леарнинг
• Тестирање мрежне сигурности и најбољи алати мрежне сигурности
• Врсте машинског учења: Надгледано против ненадгледаног учења
• 11 Најпопуларнијих софтверских алата за машинско учење 2021
• Водич за машинско учење: Увод у МЛ и његове примене
• Водич за маску подмреже (подмреже) и калкулатор подмреже ИП
• Водич за процену и управљање мрежном рањивошћу
• 15 најбољих алата за мрежно скенирање (мрежни и ИП скенер) из 2021