即使你不是在科学数据或软件工程工作空间,很难避免的人工神经网络。
人工神经网络(ANN)是无处不在的。它们用于聊天机器人、医学成像、媒体计划、和大量的其他领域。但是,我们问的深的好奇心:什么是人工神经网络,它真的能实现什么?
我们都遇到共同的定义,人工神经网络复制人类神经系统的功能。解释了工作原理,但我们大多数人仍然不知道是什么让一个安特别或什么问题集是理想的。清晰的空气,这是最全面的,但可以指导你会发现人工神经网络。
当一个打之类的术语人工智能、机器学习、深度学习和神经网络,很容易混淆。实际这些垂直之间的分歧并不复杂。
人工智能是通用集手头的主题。它是智能项目如何运作的系统研究和。机器学习是人工智能的一个子集,专注于机器如何自己学习。深度学习进一步的子集毫升,关注如何使用多层神经网络生成输出。您可以使用这可视化导航层次结构:
那么什么是一个人工神经网络?答案就是大众媒体吹捧。这是一个系统的数据处理和输出生成复制神经系统解决非线性关系在大型数据集。数据可能来自感官路线和可能会以文本的形式,图片或音频。
最好的方法理解一个人工神经网络的工作原理是通过了解自然神经网络在大脑是如何工作的以及它们之间画一个平行。人类大脑的神经元的基本组件,负责学习和记忆的知识和信息,我们知道它。你可以考虑他们的大脑中处理单元。他们把感官数据作为输入,处理,输出数据所使用的其他神经元。信息处理和传递,直到一个决定性的结果。
基本的大脑中的神经网络是通过突触连接。你可以想象他们是一座桥,连接两个神经元的结束节点。所以,两个神经元的突触的交汇点。突触是该系统的重要组成部分,因为突触的强度确定的深度理解和保留的信息。
当你练习的一个活动,加强这些突触关系。这是你可以想象你的大脑的神经网络:
所有的感官数据,你的大脑是通过这些神经网络实时收集处理。他们有一个系统的起源点。当他们处理初始神经元,电信号的处理形式的一个神经元成为另一个神经元的输入。这种微观信息处理在每一层的神经元是什么使这个网络有效的一种有效的。通过复制这种反复出现的主题的整个神经网络处理数据,人工神经网络可以产生更好的输出。
在一个安,一切都是为了复制这个过程。不要担心的数学方程。这不是关键的想法现在被理解。所有的数据输入的标签“X”系统是有重量的“W”生成一个加权信号。这个复制的作用大脑突触信号的强度。偏差变量与控制的输出函数的结果。
所以,所有的数据处理功能和你得到一个输出。这就是一个单层神经网络感知器的样子。人工神经网络的思想围绕着这样的人工神经元的连接数的组合来获得更多有效的输出。这就是为什么典型的人工神经网络的概念框架看起来很像这:
我们很快就会隐藏层,定义为我们深入探究如何一个人工神经网络功能。但就人工神经网络的一个基本的了解,你知道现在的首要原则。
这种机制是用来破译大型数据集。输出通常倾向于建立一个作为输入输入的变量之间的因果关系,可用于预测。现在你知道这个过程中,你可以充分理解技术的定义在这里:
“网络模仿人类大脑通过创建一个人工神经系统通过识别技术可以从计算机算法,解释,并进行感官数据。”
振作起来,事情将变得有趣。别担心,你不需要做大量的数学。
最先发生的神奇之处激活函数。激活函数初始处理来确定是否神经元就会被激活。如果不激活神经元,其输出将其输入相同。然后什么也没有发生。这是在神经网络的关键,否则,系统将不得不处理大量的信息,没有对输出的影响。你看,人的大脑容量有限,但已经过了优化,可以用它来最好的。
一个中心财产共同所有的人工神经网络非线性的概念。大多数变量进行了研究,在现实生活中具有非线性关系。
例如巧克力和巧克力的数量的价格。假设一个巧克力成本1美元。100年将巧克力多少钱?大概100美元。10000年将巧克力多少钱?不是10000美元;因为卖方的成本将增加使用额外的包装一起把所有的巧克力或她将降低成本,因为你正在太多库存了她的手。这是非线性的概念。
一个激活函数将使用基本数学原理来确定是否要处理的信息。最常见的形式的激活函数是二进制阶跃函数,物流功能,双曲正切函数,修正线性单元。这是每一个的基本定义:
现在您可以参考相同的感知器和神经网络的两个图表。的区别是什么,除了神经元的数量?关键的区别是隐藏层。一个隐藏层位于正确的输入层和输出层之间的神经网络。隐层的工作是完善的处理和消除变量对输出不会有强烈的影响。
如果实例的数量在一个数据集的影响,一个输入变量的值的变化是明显的输出变量,隐藏层将显示关系。安的隐藏层很容易给下一层强信号的处理。
即使做所有这些数学和了解隐藏层操作,您可能想知道如何一个人工神经网络学习?让我们先从什么是学习的基本问题。学习,最简单来说,是两件事之间建立因果关系(活动、过程变量,等等)。当你学习如何把一个弧线球,你扔球的物理作用之间建立因果关系的某种方式,让球的轨迹曲线。
现在,这个因果关系很难建立。还记得说,相关性不等于因果关系吗?它很容易确定当两个变量是朝着同一个方向。很难完全肯定地说哪个变量引起的运动变量。显然,我们通常能够建立这种直觉;但是如何让一个算法理解直觉吗?
你用一个成本函数。在数学上,它是实际值的平方差异数据集,数据集的输出值。你也可以考虑错误的程度。我们广场,因为有时可以是负的区别。
您可以品牌每个周期的输入输出处理成本函数。你和安的工作是最小化代价函数的最低价值。你实现它通过调整权重的安。(记得突触关系,即权重?这是我们正在讨论)。有几种方法,但是只要你理解的原则,你就会使用不同的工具来执行它。
与每一个周期中,我们的目标是最小化代价函数。从输入到输出的过程称为向前传播。并使用输出数据的过程最小化代价函数,通过调整重量在相反的顺序从最后一个隐层的输入层称为向后传播。
你可以不断调整这些权重使用蛮力方法,呈现低效当数据集太大,或批量梯度下降法,这是一种优化算法。现在你有一个直观的了解一个人工神经网络学习。
理解这两种形式的神经网络也可以介绍两种不同方面的人工智能应用程序——计算机视觉和自然语言处理。在最简单的形式,这两个分支的AI帮助机器视觉识别对象和理解语言的上下文数据。你可以想象,已经有使用这些分支在自动驾驶汽车中的应用和虚拟助手Siri。
现在,每个分支都有自己的建立的神经网络。NLP是高度依赖于复发性神经网络。RNN和安之间的区别是,在一个安,每个输入信号被认为是独立于下一个输入信号。所以,两个节点之间存在的输入数据,本身没有任何关系。
事实上,并非如此。当我们交流时,每个单词扫清了语境下一个单词。因此,语言的本质是,它创造了之前输入的信息之间的相互依赖关系和输入的信息。RNNs被运行并行内存敏感,建立这些输入明确的上下文之间的关系。
卷积神经网络是理想的用于计算机视觉。除了常用的激活函数,加一个共享函数,卷积函数。更简单的术语来说,一个卷积函数,将显示一个图像的输入和输入的图像(过滤器)将导致第三个图像(结果)。你可以想象这通过可视化作为过滤图像(一套新的像素值)坐在你的输入图像(原始的像素值)来生成图像(改变像素值)。
池函数将最大值或最小值,根据添加功能,简化处理这组信息。这是你可以想象他们:
到目前为止我们已经讨论了下面罩。现在我们可以缩小和看到这些网络行动,充分理解他们的债券与不断变化的世界:
最早的人工神经网络的应用一直在个性化电子商务平台为每个用户体验。你还记得Netflix上的真正有效的建议吗?亚马逊或恰到好处的产品建议?他们安的结果。
这里有大量的数据被使用:你过去购买,人口统计数据、地理数据,数据显示了人们购买同样的产品购买。所有这些作为输入来确定可能为你工作。同时,你真正购买帮助算法得到优化。每一次购买,丰富公司和算法,使安。同时,每个新购买的平台也将提高算法的实力在推荐正确的产品给你。
不久前,网站上的chatboxes已经开始加速。代理会坐在一边,帮助你与你的查询输入框。然后,这种现象称为自然语言处理(NLP)引入聊天机器人,一切都变了。
NLP通常使用统计规则复制人类语言能力,和其他安应用程序一样,随着时间的推移变得更好。你的标点符号,音调和简单,语法选择,选择语法,单词和句子顺序,甚至可以作为选择的语言输入训练NLP算法。
chatbot成为会话使用这些输入理解查询的上下文和制定答案的方式最适合你的风格。同样的NLP也被用于音频编辑在音乐和安全验证的目的。
我们大多数人遵循的结果预测由AI-powered算法在总统选举以及世界杯。因为事件是分阶段的,它可以帮助算法快速了解其功效和最小化代价函数作为团队和候选人得到消除。在这种情况下,真正的挑战是输入变量的程度。从候选人球员统计人口解剖功能——一切都被整合。
在股票市场,预测算法,使用人工神经网络已经存在了一段时间了。新闻更新和财务指标是关键输入变量使用。由于这一点,大多数交流与银行资产很容易能够贸易高频交易计划的速度远远超过人类的能力。
股票市场的问题是,数据总是吵了。随机性是非常高的,因为会影响的程度的主观判断安全的价格很高。然而,网络被用于做市活动每一家主要银行。
精算表已经被用来确定每个投保人的相关危险因素。人工神经网络把所有数据高一个等级。
所有银行可以通过几十年的运行数据他们拥有强烈的重量在系统中建立并使用您的信息作为输入来确定适当的风险与贷款应用程序相关联。你的年龄、性别、城市住宅,毕业学校,接触的行业,工资,和储蓄比率,都是作为输入来确定你的信用风险评分。
早期严重依赖于你的个人信用评分是什么现在已经成为一个更全面的机制。这就是为什么一些私人fintech玩家跳进个人贷款运行相同的网络空间和借给那些配置文件被认为是由银行风险太大。
特斯拉、Waymo和超级使用类似的人工神经网络。输入和产品工程可能不同,但他们部署复杂的视觉计算使无人驾驶汽车成为现实。
的无人驾驶与处理信息来自于现实世界的形式附近的车辆,道路标志、自然和人工照明,行人、建筑等等。显然,神经网络驱动这些自动驾驶汽车是比我们这里讨论的更复杂,但他们做同样操作原则,我们阐述了。
网络变得越来越复杂。nlp现在帮助在早期心理健康问题诊断、计算机视觉是用于医学成像,人工神经网络是推动无人机交付。随着网络变得越来越复杂和分层,需要人类智慧在这个系统将变得更少。甚至设计等领域已经开始部署人工智能解决方案设计与生成。
最终进化的ann放在一起会一般智力——一种智力如此复杂的可以学习和感知人类已知和未知的所有信息。虽然它是一个非常遥远的现实,如果可能,它已成为一个可能的概念由于安的广泛采用。
