คุณช่วยอธิบายโครงข่ายประสาทเทียมด้วยคำง่ายๆได้ไหม?
คุณช่วยอธิบายโครงข่ายประสาทเทียมด้วยคำง่ายๆได้ไหม?
คำตอบ:
เครือข่ายนิวรัลเป็นคลาสของระบบคอมพิวเตอร์ พวกเขาถูกสร้างขึ้นจากการประมวลผลที่ง่ายมากโหนดที่เกิดขึ้นในเครือข่าย พวกเขาได้รับแรงบันดาลใจจากวิธีการที่ระบบทางชีวภาพเช่นการทำงานของสมองแม้ว่าคำสั่งขนาดใหญ่ที่ซับซ้อนน้อยกว่าในขณะนี้
พวกเขาเป็นระบบการจดจำรูปแบบพื้นฐานและมีแนวโน้มที่จะมีประโยชน์มากขึ้นสำหรับงานที่สามารถอธิบายได้ในแง่ของการจดจำรูปแบบ พวกเขาได้รับการฝึกฝนโดยให้อาหารด้วยชุดข้อมูลที่มีเอาต์พุตที่รู้จัก
ตัวอย่างเช่นลองจินตนาการว่าคุณกำลังพยายามฝึกอบรมเครือข่ายเพื่อส่งออก 1 เมื่อได้รับรูปภาพของแมวและเป็น 0 เมื่อเห็นรูปภาพที่ไม่ใช่แมว คุณจะฝึกอบรมเครือข่ายด้วยการเรียกใช้รูปภาพแมวจำนวนมากผ่านทางมันและใช้อัลกอริทึมในการปรับแต่งพารามิเตอร์เครือข่ายจนกว่ามันจะให้การตอบสนองที่ถูกต้อง โดยปกติพารามิเตอร์จะได้รับจากแต่ละอินพุตและน้ำหนักของแต่ละโหนดรวมถึงโครงสร้างที่แท้จริงของเครือข่าย (จำนวนโหนดในจำนวนเลเยอร์ที่มีการเชื่อมต่อระหว่างกัน)
การรับรู้ภาพแมวเป็นปัญหาที่ค่อนข้างซับซ้อนและจะต้องใช้เครือข่ายประสาทที่ซับซ้อน (อาจเริ่มต้นด้วยหนึ่งโหนดต่อพิกเซล) จุดเริ่มต้นตามปกติสำหรับการทดลองกับเครือข่ายประสาทคือการพยายามและใช้ประตูตรรกะอย่างง่ายเช่น AND, OR, NOT และอื่น ๆ เป็นมุ้งประสาท
โครงข่ายประสาทเทียมสามารถเป็นวิธีที่รวดเร็วในการบรรลุผลที่ซับซ้อน พวกเขาน่าสนใจมากสำหรับการวิจัย AI เนื่องจากเป็นแบบจำลองสำหรับสมองสัตว์
หนึ่งในข้อเสียที่สำคัญของเครือข่ายประสาทคือมันยากมากที่จะทำวิศวกรรมย้อนกลับ หากเครือข่ายของคุณตัดสินใจรูปช้างหนึ่งรูปเป็นแมวคุณไม่สามารถระบุได้ว่า 'ทำไม' ในแง่ที่มีประโยชน์ สิ่งที่คุณสามารถทำได้คือลองฝึกอบรม / ปรับเปลี่ยนเครือข่ายเพิ่มเติม
โครงข่ายประสาทมีแนวโน้มที่จะใช้สำหรับงานที่มีขอบเขต จำกัด เช่นการรับรู้เหรียญ / ธนบัตรในเครื่องขายแสตมป์อัตโนมัติหรือข้อบกพร่องที่พบในสายการผลิต
จุดเริ่มต้นที่ดีที่สุดถ้าคุณสนใจน่าจะเป็น google 'perceptron' ซึ่งเป็นชื่อหนึ่งในองค์ประกอบเครือข่ายประสาทที่เก่าแก่ที่สุด
ฉันศึกษาปัญญาประดิษฐ์ในโปรแกรมปริญญาโทและเราใช้เครือข่ายประสาทค่อนข้างมาก พวกมันมีประโยชน์จริง ๆ
ฉันคิดว่าปัญหาสำหรับอวนประสาทเป็นชื่อของพวกเขา ทั้งสองนี้สับสนว่าเครือข่ายประสาทจริงเกิดขึ้นจริงและทำให้บางคนถามถึงข้อดีของพวกเขาเพราะพวกเขาคาดหวังให้พวกเขาทำหน้าที่เหมือนสมองเมื่อพวกเขาเป็นประเภทแฟนซีของฟังก์ชั่น
วิธีที่ดีที่สุดที่จะเข้าใจโครงข่ายประสาทคือการย้ายชื่อ อย่าคิดว่ามันเป็นแบบจำลองของสมอง ... มันไม่ใช่ ... นี่คือความตั้งใจในทศวรรษ 1960 แต่เป็นปี 2011 และพวกมันถูกใช้ตลอดเวลาสำหรับการเรียนรู้และการจัดหมวดหมู่ของเครื่องจักร
เครือข่ายประสาทเป็นจริงเพียงฟังก์ชันทางคณิตศาสตร์ คุณป้อนเวกเตอร์ของค่าค่าเหล่านั้นจะถูกคูณด้วยค่าอื่น ๆ และค่าหรือเวกเตอร์ของค่าจะถูกส่งออก นั่นคือทั้งหมดมันเป็น
พวกมันมีประโยชน์มากในโดเมนปัญหาที่ไม่มีฟังก์ชั่นที่รู้จักสำหรับการประมาณคุณสมบัติที่กำหนด (หรืออินพุต) ไปยังเอาต์พุตของพวกเขา (การจำแนกหรือการถดถอย) ตัวอย่างหนึ่งคือสภาพอากาศ - มีคุณสมบัติมากมายสำหรับสภาพอากาศ - ประเภทอุณหภูมิการเคลื่อนไหวการปกคลุมของเมฆเหตุการณ์ที่ผ่านมา ฯลฯ - แต่ไม่มีใครสามารถบอกได้อย่างชัดเจนว่าจะคำนวณได้อย่างไรว่าอากาศจะเป็นอย่างไรใน 2 วันนับจากนี้ โครงข่ายประสาทเทียมเป็นฟังก์ชั่นที่มีโครงสร้างในลักษณะที่ทำให้ง่ายต่อการปรับเปลี่ยนพารามิเตอร์ของมันเพื่อการพยากรณ์สภาพอากาศโดยประมาณตามคุณสมบัติ
นั่นคือสิ่งที่ ... มันเป็นฟังก์ชั่นและมีโครงสร้างที่ดีเหมาะกับ "การเรียนรู้" เราจะใช้ข้อมูลสภาพอากาศห้าปีที่ผ่านมา - สมบูรณ์ด้วยคุณสมบัติของสภาพอากาศและสภาพอากาศในอนาคต 2 วันสำหรับทุก ๆ วันในช่วงห้าปีที่ผ่านมา น้ำหนักเครือข่าย (ปัจจัยการคูณที่อยู่ในขอบ) จะถูกสร้างแบบสุ่มและข้อมูลจะถูกเรียกใช้ผ่าน สำหรับการทำนายแต่ละครั้ง NN จะส่งออกค่าที่ไม่ถูกต้อง การใช้อัลกอริทึมการเรียนรู้ที่ใช้ในแคลคูลัสเช่น back-propogation สามารถใช้ค่าข้อผิดพลาดเอาต์พุตเพื่ออัปเดตน้ำหนักทั้งหมดในเครือข่าย พอวิ่งผ่านข้อมูลระดับข้อผิดพลาดจะถึงจุดต่ำสุด (มีมากกว่านั้น แต่ฉันจะไม่เข้าไปที่นี่ - ที่สำคัญที่สุดคือเหมาะสมกว่า) เป้าหมายคือหยุดอัลกอริทึมการเรียนรู้เมื่อระดับข้อผิดพลาดอยู่ในจุดที่ดีที่สุด เครือข่ายได้รับการแก้ไขแล้วและ ณ จุดนี้มันเป็นฟังก์ชันทางคณิตศาสตร์ที่แมปค่าอินพุตเข้ากับค่าเอาต์พุตเหมือนกับสมการเก่า ๆ คุณป้อนข้อมูลใหม่และไว้วางใจว่าค่าผลลัพธ์เป็นค่าประมาณที่ดี
สำหรับผู้ที่อ้างว่าล้มเหลวพวกเขาไม่ได้ พวกมันมีประโยชน์อย่างมากในหลายโดเมน คุณคิดว่านักวิจัยเข้าใจความสัมพันธ์ระหว่างยีนและโรคอย่างไร NNs เช่นเดียวกับอัลกอริทึมการเรียนรู้อื่น ๆ ที่ใช้ในชีวสารสนเทศศาสตร์และด้านอื่น ๆ พวกเขาได้รับการแสดงเพื่อให้ได้ผลลัพธ์ที่ดีมาก ตอนนี้องค์การนาซ่าใช้พวกเขาสำหรับงานประจำของสถานีอวกาศเช่นการทำนายอายุการใช้งานแบตเตอรี่ บางคนจะบอกว่าการสนับสนุนเวกเตอร์แมชชีน ฯลฯ ดีกว่า ... แต่ไม่มีหลักฐานว่าอัลกอริทึมอื่นนั้นใหม่กว่า
จริงๆแล้วคนเลวก็ยังอ้างว่าเครือข่ายประสาทล้มเหลวเพราะมันง่ายกว่าสมองมนุษย์ --- เครือข่ายประสาทไม่ได้ใช้กับสมองจำลองอีกต่อไปนั่นคือเมื่อ 50 ปีที่แล้ว
มันเป็นรูปแบบทางคณิตศาสตร์สำหรับการสร้างสมการ (รับอินพุตที่เป็นตัวเลขหลายตัวและให้เอาต์พุตที่เป็นตัวเลขเดียว) พร้อมกับน้ำหนักสัมประสิทธิ์ที่ปรับได้ มีอัลกอริธึมที่สามารถปรับค่าสัมประสิทธิ์เพื่อสร้างสมการที่ใกล้เคียงกับผลลัพธ์ที่คาดหวังได้รับชุดฝึกอบรมประกอบด้วยอินพุตและเอาต์พุตที่คาดหวัง
ตัวอย่างที่ง่ายที่สุดพร้อมกับกราฟิกที่มีอยู่ในวิกิพีเดีย ตัวอย่างนี้เรียกว่า XOR
ในคำง่าย ๆ อย่างที่คุณถาม Neural Network เป็นความคิดที่ล้มเหลวในการเลียนแบบอวนทางชีววิทยา มันไม่เคยให้ผลลัพธ์ที่น่าสนใจและอาจจะไม่เคยทำเพราะ:
(1) มันง่ายเกินไปเมื่อเทียบกับสิ่งที่คุณสามารถทำได้กับภาษาโปรแกรมทัวริงที่สมบูรณ์
(2) มันง่ายเกินไปเมื่อเทียบกับอวนประสาทชีววิทยา: พวกมันกลายเป็นสิ่งที่ซับซ้อนกว่าที่คิดไว้เมื่อทฤษฎี NN ถูกสร้างขึ้น
การอ้างว่ามุ้งประสาทจะประสบความสำเร็จในงานใด ๆ ที่ใช้ในการใช้งานในโลกแห่งความจริงเป็นการพูดเกินจริง
มาลงที่ฉันสิ