Hvad er Deep Learning og Neural Network

Neurale netværk(Neural Networks) og Deep Learning er i øjeblikket de to hotte buzzwords, der bliver brugt i dag med kunstig intelligens(Artificial Intelligence) . Den seneste udvikling i verden af ​​kunstig intelligens kan tilskrives disse to, da de har spillet en væsentlig rolle i at forbedre intelligensen af ​​AI.

Se dig omkring, og du vil finde flere og flere intelligente maskiner rundt omkring. Takket være Neurale netværk(Neural Networks) og Deep Learning bliver job og evner, der engang blev betragtet som menneskets styrke, nu udført af maskiner. I dag er maskiner ikke længere lavet til at spise mere komplekse algoritmer, men i stedet fodres de til at udvikle sig til et selvstændigt, selvlærende system, der er i stand til at revolutionere mange industrier rundt omkring.

Neurale netværk(Neural Networks) og Deep Learning har givet enorm succes til forskerne i opgaver som billedgenkendelse, talegenkendelse, at finde dybere relationer i et datasæt. Hjælpet af tilgængeligheden af ​​enorme mængder data og beregningskraft kan maskiner genkende objekter, oversætte tale, træne sig selv i at identificere komplekse mønstre, lære at udtænke strategier og lave beredskabsplaner i realtid.

Så hvordan fungerer det præcist? Ved du, at både Neutrale (Neutral) netværk(Networks) og Deep-Learning faktisk er relateret til at forstå Deep learning, skal du først forstå om Neurale netværk(Neural Networks) ? Læs videre for at vide mere.

Hvad er et neuralt netværk

Et neuralt(Neural) netværk er dybest set et programmeringsmønster eller et sæt algoritmer, der gør det muligt for en computer at lære af observationsdataene. Et neuralt(Neural) netværk ligner en menneskelig hjerne, som fungerer ved at genkende mønstrene. De sensoriske data fortolkes ved hjælp af en maskinopfattelse, mærkning eller clustering af rå input. De genkendte mønstre er numeriske, indesluttet i vektorer, hvortil data som billeder, lyd, tekst osv. er oversat.

Think Neural Network! Think how a human brain function

Som nævnt ovenfor fungerer et neuralt netværk ligesom en menneskelig hjerne; den tilegner sig al viden gennem en læreproces. Derefter lagrer synaptiske vægte den erhvervede viden. Under læringsprocessen reformeres netværkets synaptiske vægte for at nå det ønskede mål.

Ligesom den menneskelige hjerne fungerer neurale netværk(Neural Networks) som ikke-lineære parallelle informationsbehandlingssystemer, der hurtigt udfører beregninger såsom mønstergenkendelse og perception. Som et resultat, fungerer disse netværk meget godt på områder som tale, lyd og billedgenkendelse, hvor input/signaler i sagens natur er ikke-lineære.

Med enkle ord kan du huske Neural Network som noget, der er i stand til at lagre viden som en menneskelig hjerne og bruge den til at lave forudsigelser.(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.)

Struktur af neurale netværk

Dyb læring og neuralt netværk

(Billedkredit: Mathworks)

Neurale netværk(Networks) består af tre lag,

  1. Input lag,
  2. Skjult lag, og
  3. Outputlag.

Hvert lag består af en eller flere noder, som vist i nedenstående diagram med små cirkler. Linjerne mellem knudepunkterne angiver informationsstrømmen fra en knude til den næste. Informationen flyder fra input til output, altså fra venstre mod højre (i nogle tilfælde kan det være fra højre mod venstre eller begge veje).

Noderne i inputlaget er passive, hvilket betyder, at de ikke ændrer dataene. De modtager en enkelt værdi på deres input og duplikerer værdien til deres flere output. Hvorimod(Whereas) noderne i det skjulte og outputlag er aktive. Således kan de ændre dataene.

I en sammenkoblet struktur duplikeres hver værdi fra inputlaget og sendes til alle de skjulte noder. Værdierne, der kommer ind i en skjult knude, multipliceres med vægte, et sæt forudbestemte tal gemt i programmet. De vægtede input tilføjes derefter for at producere et enkelt tal. Neurale netværk kan have et hvilket som helst antal lag og et hvilket som helst antal noder pr. lag. De fleste applikationer bruger tre-lags strukturen med et maksimum på et par hundrede input noder

Eksempel på neuralt netværk(Example of Neural Network)

Overvej et neuralt netværk, der genkender objekter i et sonarsignal, og der er 5000 signalprøver gemt i pc'en. PC'en skal finde ud af, om disse prøver repræsenterer en ubåd, hval, isbjerg, havklipper eller slet ingenting? Konventionelle DSP-(Conventional DSP) metoder ville nærme sig dette problem med matematik og algoritmer, såsom korrelations- og frekvensspektrumanalyse.

Mens med et neuralt netværk, ville de 5000 prøver blive ført til inputlaget, hvilket resulterer i, at værdier springer fra outputlaget. Ved at vælge de rigtige vægte kan outputtet konfigureres til at rapportere en bred vifte af information. For eksempel kan der være output for: ubåd (ja/nej), havsten (ja/nej), hval (ja/nej) osv.

Med andre vægte kan udgangene klassificere objekterne som metal eller ikke-metal, biologisk eller ikke-biologisk, fjende eller allieret osv. Ingen algoritmer, ingen regler, ingen procedurer; kun et forhold mellem input og output dikteret af værdierne af de valgte vægte.

Lad os nu forstå begrebet Deep Learning.(Now, let’s understand the concept of Deep Learning.)

Hvad er en dyb læring

Dyb læring er dybest set en delmængde af neurale netværk(Neural Networks) ; måske kan du sige et komplekst neuralt netværk(Neural Network) med mange skjulte lag i det.

Teknisk set kan Deep learning også defineres som et kraftfuldt sæt af teknikker til læring i neurale netværk. Det refererer til kunstige neurale netværk ( ANN ), der er sammensat af mange lag, massive datasæt, kraftfuld computerhardware for at muliggøre komplicerede træningsmodeller. Den indeholder klassen af ​​metoder og teknikker, der anvender kunstige neurale netværk med flere lag af stadigt rigere funktionalitet.

Struktur af Deep learning netværk(Structure of Deep learning network)

Dybe(Deep) læringsnetværk bruger for det meste neurale netværksarkitekturer og omtales derfor ofte som dybe neurale netværk. Brug af arbejde "dybt" refererer til antallet af skjulte lag i det neurale netværk. Et konventionelt neuralt netværk indeholder tre skjulte lag, mens dybe netværk kan have så mange som 120-150.

Deep Learning involverer at fodre et computersystem med en masse data, som det kan bruge til at træffe beslutninger om andre data. Disse data føres gennem neurale netværk, som det er tilfældet i maskinlæring. Deep learning-netværk kan lære funktioner direkte fra dataene uden behov for manuel funktionsudtrækning.

Eksempler på Deep Learning(Examples of Deep Learning)

Deep learning bliver i øjeblikket brugt i næsten alle brancher lige fra biler(Automobile) , rumfart(Aerospace) og automation til medicinsk(Medical) . Her er nogle af eksemplerne.

  • Google , Netflix og Amazon : Google bruger det i sine stemme- og billedgenkendelsesalgoritmer. Netflix og Amazon bruger også deep learning til at beslutte, hvad du vil se eller købe næste gang
  • Kørsel uden chauffør: Forskere bruger deep learning-netværk til automatisk at registrere objekter som stopskilte og trafiklys. Deep learning bruges også til at opdage fodgængere, hvilket hjælper med at mindske ulykker.
  • Luftfart og forsvar: Deep learning bruges til at identificere objekter fra satellitter, der lokaliserer områder af interesse, og identificere sikre eller usikre zoner for tropper.
  • Takket være Deep Learning finder og tagger Facebook automatisk venner på dine billeder. Skype kan oversætte talt kommunikation i realtid og også ret præcist.
  • Medicinsk forskning: Medicinske forskere bruger dyb læring til automatisk at opdage kræftceller
  • Industriel automatisering(Industrial Automation) : Dyb læring hjælper med at forbedre arbejdernes sikkerhed omkring tunge maskiner ved automatisk at detektere, når mennesker eller genstande er inden for en usikker afstand fra maskiner.
  • Elektronik: Deep learning bliver brugt i automatiseret høre- og taleoversættelse.

Læs(Read) : Hvad er Machine Learning og Deep Learning(Machine Learning and Deep Learning) ?

Konklusion(Conclusion)

Konceptet med neurale netværk(Neural Networks) er ikke nyt, og forskere har haft moderat succes i det sidste årti eller deromkring. Men den virkelige game-changer har været udviklingen af ​​Deep neurale netværk.

Ved at udkonkurrere de traditionelle maskinlæringstilgange har det vist, at dybe neurale netværk kan trænes og afprøves ikke kun af få forskere, men det har mulighed for at blive adopteret af multinationale teknologivirksomheder for at komme med bedre innovationer i den nærmeste fremtid.

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



Malthe Meldgaard

About the author

Efter næsten 20 år i teknologibranchen har jeg lært meget om Apple-produkter, og hvordan man kan tilpasse dem til mine behov. Især ved jeg, hvordan jeg bruger iOS-platformen til at skabe brugerdefinerede udseender og interagere med mine brugere gennem applikationspræferencer. Denne oplevelse har givet mig værdifuld indsigt i, hvordan Apple designer sine produkter, og hvordan man bedst kan forbedre deres brugeroplevelse.


Related posts