Neural Networks ja Deep Learning ovat tällä hetkellä kaksi kuumaa muotisanaa, joita käytetään nykyään tekoälyn^{(Artificial Intelligence)} kanssa . Viimeaikainen kehitys tekoälyn maailmassa voidaan katsoa näiden kahden syyksi, sillä niillä on ollut merkittävä rooli tekoälyn parantamisessa.

Katso ympärillesi, niin löydät yhä enemmän älykkäitä koneita ympäriltäsi. Neuraaliverkkojen^{(Neural Networks)} ja Deep Learningin^{(Deep Learning)} ansiosta työt ja kyvyt, joita aikoinaan pidettiin ihmisten vahvuuksina, suorittavat nyt koneet. Nykyään koneita ei enää tehdä syömään monimutkaisempia algoritmeja, vaan niitä syötetään kehittymään itsenäiseksi, itseoppivaksi järjestelmäksi, joka pystyy mullistamaan monia toimialoja ympäri.

Neuraaliverkot^{(Neural Networks)} ja syväoppiminen^{(Deep Learning )} ovat antaneet tutkijoille valtavan menestyksen muun muassa kuvantunnistuksessa, puheentunnistuksessa, syvempien suhteiden löytämisessä tietosarjoista. Valtavien tietomäärien ja laskentatehon ansiosta koneet voivat tunnistaa esineitä, kääntää puhetta, kouluttaa itsensä tunnistamaan monimutkaisia ​​​​malleja, oppia suunnittelemaan strategioita ja tekemään varasuunnitelmia reaaliajassa.

Joten, miten tämä tarkalleen ottaen toimii? Tiedätkö, että sekä neutraalit ^(Neutral) verkot^(Networks) että syväoppiminen^{(Deep-Learning)} liittyvät itse asiassa syväoppimisen^(Deep) ymmärtämiseen , sinun on ensin ymmärrettävä hermoverkkoja^{(Neural Networks)} ? Lue lisää saadaksesi lisätietoja.

Mikä on hermoverkko

Neuraaliverkko^(Neural) on pohjimmiltaan ohjelmointimalli tai joukko algoritmeja, joiden avulla tietokone voi oppia havainnointitiedoista. Neuraaliverkko^(Neural) on samanlainen kuin ihmisen aivot, jotka toimivat tunnistamalla kuviot. Aistitietoa tulkitaan käyttämällä koneen havaitsemista, merkitsemistä tai klusterointia käsittelevää raakasyöttöä. Tunnistetut kuviot ovat numeerisia, vektoreihin suljettuja, joihin käännetään tiedot, kuten kuvat, ääni, teksti jne.

Think Neural Network! Think how a human brain function

Kuten edellä mainittiin, hermoverkko toimii aivan kuten ihmisen aivot; se hankkii kaiken tiedon oppimisprosessin kautta. Sen jälkeen synaptiset painot tallentavat hankitun tiedon. Oppimisprosessin aikana verkoston synaptisia painoja uudistetaan halutun tavoitteen saavuttamiseksi.

Aivan kuten ihmisaivot, hermoverkot^{(Neural Networks)} toimivat kuin epälineaariset rinnakkaiset tiedonkäsittelyjärjestelmät, jotka suorittavat nopeasti laskelmia, kuten hahmontunnistusta ja havaintoa. Tämän seurauksena nämä verkot toimivat erittäin hyvin sellaisilla alueilla kuin puheen, äänen ja kuvan tunnistus, jossa tulot/signaalit ovat luonnostaan ​​epälineaarisia.

Yksinkertaisesti sanottuna voit muistaa hermoverkon jonakin, joka pystyy keräämään tietoa ihmisaivojen tavoin ja käyttämään sitä ennusteiden tekemiseen.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

Neuraaliverkkojen rakenne

(Kuvan luotto: Mathworks)

Neuroverkot koostuvat^(Networks) kolmesta kerroksesta,

1. syöttötaso,
2. Piilotettu kerros ja
3. Tulostuskerros.

Jokainen kerros koostuu yhdestä tai useammasta solmusta, kuten alla olevassa kaaviossa on esitetty pienillä ympyröillä. Solmujen väliset viivat osoittavat tiedonkulkua solmusta toiseen. Tieto virtaa syötteestä lähtöön eli vasemmalta oikealle (joissain tapauksissa se voi olla oikealta vasemmalle tai molempiin suuntiin).

Syöttökerroksen solmut ovat passiivisia, eli ne eivät muokkaa tietoja. He saavat syötteensä yhden arvon ja kopioivat arvon useisiin lähtöihinsä. Piilotetun ja lähtökerroksen^(Whereas) solmut ovat aktiivisia. Siten he voivat muokata tietoja.

Yhdistetyssä rakenteessa jokainen syöttökerroksen arvo monistetaan ja lähetetään kaikkiin piilotettuihin solmuihin. Piilotettuun solmuun saapuvat arvot kerrotaan painoilla, joukolla ennalta määrättyjä lukuja, jotka on tallennettu ohjelmaan. Painotetut syötteet lisätään sitten yhdeksi numeroksi. Neuroverkoissa voi olla mikä tahansa määrä kerroksia ja mikä tahansa määrä solmuja kerrosta kohden. Useimmat sovellukset käyttävät kolmikerroksista rakennetta, jossa on enintään muutama sata syöttösolmua

Esimerkki hermoverkosta^{(Example of Neural Network)}

Harkitse hermoverkkoa, joka tunnistaa kaikuluotaimen signaalissa olevat kohteet, ja tietokoneeseen on tallennettu 5000 signaalinäytettä. PC:n on selvitettävä, edustavatko nämä näytteet sukellusvenettä, valasta, jäävuorta, merikiviä vai ei mitään? Perinteiset DSP-^{(Conventional DSP)} menetelmät lähestyisivät tätä ongelmaa matematiikan ja algoritmien, kuten korrelaatio- ja taajuusspektrianalyysin, avulla.

Neuraaliverkossa 5000 näytettä syötettäisiin syöttökerrokseen, mikä johtaisi arvoihin, jotka ponnahtavat lähtökerroksesta. Valitsemalla oikeat painot tulos voidaan konfiguroida raportoimaan monenlaista tietoa. Tuotos voi olla esimerkiksi: sukellusvene (kyllä/ei), merikivi (kyllä/ei), valas (kyllä/ei) jne.

Muilla painoilla lähdöt voivat luokitella esineet metalliksi tai ei-metalliksi, biologiseksi tai ei-biologiseksi, vihollinen tai liittolainen jne. Ei algoritmeja, ei sääntöjä, ei menettelyjä; vain tulon ja lähdön välinen suhde, jonka määräävät valittujen painojen arvot.

Ymmärretään nyt syväoppimisen käsite.^{(Now, let’s understand the concept of Deep Learning.)}

Mitä on syväoppiminen

Syväoppiminen on pohjimmiltaan hermoverkkojen^{(Neural Networks)} osajoukko ; ehkä voit sanoa monimutkaisen hermoverkon^{(Neural Network)} , jossa on monia piilotettuja kerroksia.

Teknisesti tarkasteltuna syväoppiminen^(Deep) voidaan määritellä myös tehokkaaksi joukoksi oppimistekniikoita neuroverkoissa. Se viittaa keinotekoisiin hermoverkkoihin ( ANN ), jotka koostuvat monista kerroksista, massiivisista tietojoukoista ja tehokkaista tietokonelaitteistoista, jotka mahdollistavat monimutkaisen harjoitusmallin. Se sisältää luokan menetelmiä ja tekniikoita, jotka käyttävät keinotekoisia hermoverkkoja, joissa on useita kerroksia ja yhä rikkaampia toimintoja.

Syväoppimisverkoston rakenne^{(Structure of Deep learning network)}

Syväoppimisverkot^(Deep) käyttävät enimmäkseen hermoverkkoarkkitehtuuria, ja siksi niitä kutsutaan usein syvähermoverkkoiksi. Työn "syvä" käyttö tarkoittaa hermoverkon piilotettujen kerrosten määrää. Perinteinen hermoverkko sisältää kolme piilokerrosta, kun taas syväverkoissa voi olla jopa 120-150.

Syväoppiminen ^(Deep) tarkoittaa^(Learning) , että tietokonejärjestelmään syötetään paljon tietoa, jonka avulla se voi tehdä muita tietoja koskevia päätöksiä. Nämä tiedot syötetään neuroverkkojen kautta, kuten koneoppimisessa. Syväoppimisverkot^(Deep) voivat oppia ominaisuuksia suoraan tiedoista ilman manuaalista ominaisuuksien purkamista.

Esimerkkejä syväoppimisesta^{(Examples of Deep Learning)}

Syväoppimista hyödynnetään tällä hetkellä lähes kaikilla aloilla ^(Medical)auto-^(Automobile) , ilmailu-^(Aerospace) ja automaatiosta^(Automation) lääketieteeseen . Tässä on joitain esimerkkejä.

• Google , Netflix ja Amazon : Google käyttää sitä äänen- ja kuvantunnistusalgoritmeissaan. Netflix ja Amazon käyttävät myös syvää oppimista päättääkseen, mitä haluat katsoa tai ostaa seuraavaksi
• Ajaminen ilman kuljettajaa: Tutkijat käyttävät syväoppimisverkkoja havaitakseen automaattisesti esineitä, kuten stop-merkkejä ja liikennevaloja. Syväoppimista^(Deep) käytetään myös jalankulkijoiden havaitsemiseen, mikä auttaa vähentämään onnettomuuksia.
• Ilmailu ja puolustus: Syväoppimista käytetään kohteiden tunnistamiseen satelliiteista, jotka paikantavat kiinnostavia alueita, ja tunnistamaan turvallisia tai vaarallisia vyöhykkeitä joukkoille.
• Deep Learningin^{(Deep Learning)} ansiosta Facebook löytää ja merkitsee ystävät kuviisi automaattisesti. Skype voi kääntää puheviestinnän reaaliajassa ja myös melko tarkasti.
• Lääketieteellinen tutkimus: Lääketieteen tutkijat käyttävät syvää oppimista havaitakseen syöpäsoluja automaattisesti
• Teollisuusautomaatio^{(Industrial Automation)} : Syväoppiminen auttaa parantamaan työntekijöiden turvallisuutta raskaiden koneiden lähellä havaitsemalla automaattisesti, kun ihmiset tai esineet ovat vaarallisen etäisyyden päässä koneista.
• Elektroniikka: Syväoppimista^(Deep) käytetään automaattisessa kuulon ja puheen kääntämisessä.

Lue^(Read) : Mitä on koneoppiminen ja syväoppiminen^{(Machine Learning and Deep Learning)} ?

Johtopäätös^(Conclusion)

Neuraaliverkkojen^{(Neural Networks)} käsite ei ole uusi, ja tutkijat ovat saavuttaneet kohtalaista menestystä viimeisen kymmenen vuoden aikana. Mutta todellinen pelin muuttaja on ollut Deep - hermoverkkojen kehitys.

Perinteisiä koneoppimislähestymistapoja parempina se on osoittanut, että syviä hermoverkkoja ei voi kouluttaa ja testata vain harvat tutkijat, vaan monikansalliset teknologiayritykset voivat ottaa ne käyttöönsä parempia innovaatioita lähitulevaisuudessa.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS-järjestäjä: koneoppimisen tuottama SMS-sovellus

• Mitä ovat koneoppiminen ja syväoppiminen tekoälyssä

• Drupalin asentaminen WAMP:n avulla Windowsissa

• Parhaat ohjelmistot ja laitteistot Bitcoin-lompakot Windowsille, iOS:lle, Androidille

• Asenna Internet Radio Station ilmaiseksi Windows PC:lle

• Paras ilmainen suojattu digitaalinen kannettava ohjelmisto ja verkkopalvelut

• Parhaat kannettavan tietokoneen reput miehille ja naisille

• Mikä on magneettilinkki ja kuinka magneettilinkit avataan selaimessa

• Sähköinen jätehuolto, kierrätys, hävittäminen, tosiasiat, ongelmat, ratkaisut

• Microsoft Identity Manager: Ominaisuudet, Lataa

• Mikä on Big Data - yksinkertainen selitys esimerkin kanssa

• Whiteboard Fox on ilmainen online-taulu, joka mahdollistaa reaaliaikaisen jakamisen

• Virhe tarkistettaessa VLC:n päivityksiä

• Muunna Magnet-linkit suoriksi latauslinkeiksi Seedrin avulla

• Mikä on Blue Whale Challenge Dare -peli

• 10 parasta USB-LED-lamppua kannettaville tietokoneille

• OpenGL-sovellukset eivät toimi langattomassa Miracast-näytössä Windows 11/10:ssä

• Kuinka asentaa Windows 95 Windows 10:een

• Online maineenhallintavinkkejä, -työkaluja ja -palveluita

• Zip-tiedosto on liian suuri virhe ladattaessa tiedostoja DropBoxista