Basit kelimelerle Sinir Ağı nedir [kapalı]

Sinir ağlarını basit bir örnekle açıklayabilir misiniz ?

Sinir ağı bir bilgi işlem sistemi sınıfıdır. Bir ağda oluşturulmuş çok basit işlem düğümlerinden oluşturulurlar. Beyin gibi biyolojik sistemlerin şu anda daha az karmaşık olsa da, daha büyük boyutlardaki emirlerden ilham alıyorlar.

Temelde örüntü tanıma sistemleridir ve örüntü tanıma açısından tanımlanabilecek görevler için daha yararlı olma eğilimindedirler. Bilinen çıktıları olan veri kümeleri ile beslenerek 'eğitilirler'.

Örnek olarak, bir ağı bir kedinin resmi verildiğinde 1, kedisi olmayan bir resim gördüğünde 0 verecek şekilde eğitmeye çalıştığınızı düşünün. Ağ üzerinden birçok kedi resmini çalıştırarak ve doğru parametreleri verene kadar ağ parametrelerini değiştirmek için bir algoritma kullanarak ağı eğitirsiniz. Parametreler genellikle her girişte bir kazanç ve her düğümde bir ağırlık ve ayrıca ağın gerçek yapısıdır (kaç düğüm, kaç katmanda, hangi ara bağlantılarla).

Kedi resimlerini tanımak aslında oldukça karmaşık bir sorundur ve karmaşık bir sinir ağı gerektirir (muhtemelen piksel başına bir düğümden başlayarak). Sinir ağları ile deney yapmak için olağan bir başlangıç ​​noktası, sinir ağları olarak AND, OR, NOT vb. Gibi basit mantık kapılarını denemektir.

Sinir ağları, karmaşık bir sonuç elde etmenin çok hızlı bir yolu olabilir. Yapay zeka araştırmaları için çok ilginçler çünkü hayvan beyni için bir model.

Sinir ağlarının en büyük dezavantajlarından biri, bunları tersine çevirmenin çok zor olmasıdır. Ağınız bir filin belirli bir görüntüsünün aslında bir kedi olduğuna karar verirse, herhangi bir yararlı anlamda 'neden'i gerçekten belirleyemezsiniz. Gerçekten yapabileceğiniz tek şey, ağı daha fazla eğitmek / ayarlamaktır.

Sinir ağları, otomatlarda bozuk para / nota tanıma veya üretim hatlarında kusur tespit gibi iyi sınırlı görevler için kullanılır.

İlgilenirseniz başlamak için en iyi yer, muhtemelen en eski sinir ağı öğelerinden birinin adı olan google 'perceptron'.

Bir yüksek lisans programında yapay zeka okudum ve sinir ağlarını oldukça kullanıyoruz. Aslında oldukça faydalılar.

Sinir ağları için sorun onların adı olduğunu düşünüyorum. Bu, hem bir sinir ağının gerçekte ne olduğunu karıştırır, hem de bazı insanların değerlerini sorgulamasına neden olur, çünkü gerçekten süslü bir işlev olduklarında beyin gibi davranmalarını beklerler.

Sinir ağını anlamanın en iyi yolu ismin ötesine geçmektir. Bunu bir beyin modeli olarak düşünmeyin ... bu değil ... 1960'larda niyetti, 2011'de ve makine öğrenimi ve sınıflandırma için her zaman kullanılıyor.

Sinir ağı aslında sadece matematiksel bir fonksiyondur. Bir değerler vektörü girersiniz, bu değerler diğer değerlerle çarpılır ve bir değer veya değer vektörü çıkarılır. Hepsi bu kadar .

Verilen özelliklere (veya girişlere) çıktılarına (sınıflandırma veya regresyon) yaklaşmak için bilinen bir fonksiyonun bulunmadığı problem alanlarında çok faydalıdırlar. Bir örnek hava durumu olabilir - hava durumu için birçok özellik vardır - tip, sıcaklık, hareket, bulut örtüsü, geçmiş olaylar, vb. - Ama kimse 2 gün sonra havanın ne olacağını tam olarak nasıl hesaplayacağını söyleyemez. Sinir ağı, parametrelerini özelliklere dayalı hava tahmini tahminine göre değiştirmeyi kolaylaştıracak şekilde yapılandırılmış bir işlevdir.

Bu şey ... onun bir işlevi ve "öğrenme" için uygun güzel bir yapıya sahiptir. Son beş yıllık hava durumu verileri - son beş yıldaki her gün için - hava durumu ve gelecekteki 2 gün hava durumu ile birlikte tamamlanır. Ağ ağırlıkları (kenarlarda bulunan çarpma faktörleri) rastgele oluşturulur ve veriler çalıştırılır. Her tahmin için, NN yanlış değerler verir. Geri-propogasyon gibi analize dayalı bir öğrenme algoritması kullanarak, ağdaki tüm ağırlıkları güncellemek için çıkış hatası değerlerini kullanabilirsiniz. Veriler arasında yeterli çalışmadan sonra, hata seviyeleri en düşük noktaya ulaşacaktır (daha fazlası var, ama buraya girmeyeceğim - en önemlisi aşırı uydurma). Amaç, hata seviyeleri en iyi noktadayken öğrenme algoritmasını durdurmaktır. Ağ daha sonra sabitlenir ve bu noktadasadece eski bir denklem gibi giriş değerlerini çıkış değerleriyle eşleştiren matematiksel bir işlevdir . Yeni verileri beslersiniz ve çıktı değerlerinin iyi bir yaklaşım olduğuna güvenirsiniz.

Başarısız olduklarını iddia edenler için: değiller. Birçok alanda son derece yararlıdırlar. Sizce araştırmacılar genler ve hastalıklar arasındaki ilişkileri nasıl anlıyorlar? NN'ler ve diğer öğrenme algoritmaları biyoinformatik ve diğer alanlarda kullanılmaktadır. Son derece iyi sonuçlar verdiği gösterilmiştir. NASA artık bunları pil ömrünü tahmin etmek gibi uzay istasyonu rutinleri için kullanıyor. Bazı insanlar destek vektör makinelerinin vs daha iyi olduğunu söyleyecektir ... ama bunun bir kanıtı yok, diğer algoritmalar daha yeni.

İnsanların beyninden çok daha basit oldukları için sinir ağlarının başarısız olduğu iddiası hala çok kötü. --- sinir ağları artık beyin modellemek için kullanılmıyor --- bu 50 yıl önceydi.

Ayarlanabilir katsayı ağırlıklarına sahip bir denklem oluşturmak için matematiksel bir şemadır (birden fazla sayısal girdi almak ve tek bir sayısal çıktı sağlamak). Girdiler ve beklenen çıktılardan oluşan bir eğitim seti verildiğinde, denklemi beklenen çıktılara yakınlaştırmak için katsayıları ayarlayabilen algoritmalar vardır.

Grafiklerle birlikte en basit örnek Wikipedia'da mevcuttur . Bu örnek XOR olarak bilinir.

Basit bir deyişle, sizin gibi, Sinir Ağı biyolojik sinir ağlarını taklit etme konusunda başarısız bir fikirdir. Hiç ilginç bir sonuç vermedi ve muhtemelen asla yapmayacak, çünkü:

(1) herhangi bir Turing-complete programlama diliyle yapabileceklerinizle karşılaştırıldığında çok basit

(2) biyolojik sinir ağlarına kıyasla çok basit: NN teorisinin yaratıldığı zamandan daha karmaşık oldukları ortaya çıktı.

Sinir ağlarının gerçek dünya uygulamalarında kullanılan herhangi bir görevde başarılı olduğu iddiası abartıdır.

Haydi beni alçalt.