Kısa süre önce Google Research Blog'dan sinir ağı hakkında konuşurken gerçekten ilginç bir blog girişi okudum. Temel olarak bu sinir ağlarını görüntü tanıma gibi çeşitli problemleri çözmek için kullanırlar. Aksonların ağırlıklarını "geliştirmek" için genetik algoritmalar kullanırlar.
Temel olarak benim fikrim şudur. Numaraları tanıyan bir program yazmam gerekiyorsa, nasıl başlayacağımı bilemezdim (bazı belirsiz bir fikrim olabilirdi ama benim açımdan: Önemsiz, kolay değil.) Ama sinir ağını kullanarak yapmak zorunda değilim. Sinir ağının gelişmesi için doğru bağlamı oluşturarak, sinir ağım "doğru algoritmayı bulur". Aşağıda, makalenin gerçekten ilginç bir kısmını alıntıladım ve burada her katmanın görüntü tanıma sürecinde nasıl farklı rolleri olduğunu açıkladım.
Sinir ağlarının zorluklarından biri, her katmanda neler olup bittiğini anlamaktır. Eğitimden sonra, her katmanın, görüntünün neyi göstereceğine karar verene kadar görüntünün daha yüksek ve daha yüksek düzey özelliklerini aşamalı olarak çıkardığını biliyoruz. Örneğin, ilk katman kenarları veya köşeleri arayabilir. Ara katmanlar, bir kapı veya kanat gibi genel şekilleri veya bileşenleri aramak için temel özellikleri yorumlar. Son birkaç katman, bunları eksiksiz yorumlara dönüştürür - bu nöronlar, tüm binalar veya ağaçlar gibi çok karmaşık şeylere yanıt olarak aktive olur.
Temelde sorum şu: Her NP problemini çözmek için genetik algoritmalar + sinir ağları kullanamaz mıyız? Biz sadece doğru evrimsel bağlamı yaratıyoruz ve "doğa" yı bir çözüm bulmaya bırakıyoruz.
Girişimcilik: Yapay Sinir Ağlarına Derinlik Katmak
EDIT: Brute-Force'u kullanabileceğimizi veya birçok durumda verimli olmayan bir çözüm bulabileceğimizi biliyorum. Bu yüzden Gelişen yapay sinir ağlarını vurgulamaya çalışıyorum . Bir yorumda söylediğim gibi: Yeterli zaman ve uygun bir mutasyon oranı göz önüne alındığında, en uygun çözümü bulabiliriz (ya da en azından bence budur).