Neurónové siete^{(Neural Networks)} a hlboké učenie^{(Deep Learning)} sú v súčasnosti dva horúce módne slová, ktoré sa v súčasnosti používajú s umelou inteligenciou^{(Artificial Intelligence)} . Nedávny vývoj vo svete umelej inteligencie možno pripísať týmto dvom, pretože zohrali významnú úlohu pri zlepšovaní inteligencie AI.

Rozhliadnite sa okolo seba a nájdete stále viac a viac inteligentných strojov. Vďaka neurónovým sieťam^{(Neural Networks)} a hlbokému učeniu^{(Deep Learning)} teraz úlohy a schopnosti, ktoré boli kedysi považované za silné stránky ľudí, vykonávajú stroje. Dnes už stroje nie sú vyrobené tak, aby jedli zložitejšie algoritmy, ale namiesto toho sa kŕmia tak, aby sa vyvinuli do autonómneho samoučiaceho systému schopného spôsobiť revolúciu v mnohých priemyselných odvetviach.

Neurónové siete^{(Neural Networks)} a hlboké učenie^{(Deep Learning )} priniesli výskumníkom obrovský úspech v úlohách, ako je rozpoznávanie obrázkov, rozpoznávanie reči, hľadanie hlbších vzťahov v súboroch údajov. Vďaka dostupnosti obrovského množstva údajov a výpočtového výkonu dokážu stroje rozpoznávať objekty, prekladať reč, trénovať sa na identifikáciu zložitých vzorov, učiť sa, ako navrhovať stratégie a vytvárať pohotovostné plány v reálnom čase.

Ako to teda presne funguje? Viete, že neutrálne ^(Neutral) siete^(Networks) aj hlboké učenie^{(Deep-Learning)} súvisia, ak chcete pochopiť hlboké^(Deep) učenie, musíte najprv porozumieť neurónovým sieťam^{(Neural Networks)} ? Čítajte ďalej a dozviete sa viac.

Čo je to neurónová sieť

Neurónová^(Neural) sieť je v podstate programovací vzor alebo súbor algoritmov, ktoré umožňujú počítaču učiť sa z pozorovaných údajov. Neurónová sieť je podobná ľudskému mozgu, ktorý funguje tak, že rozpoznáva vzorce . ^(Neural)Senzorické údaje sa interpretujú pomocou strojového vnímania, označovania alebo zoskupovania surového vstupu. Rozpoznané vzory sú numerické, uzavreté vo vektoroch, do ktorých sa prekladajú údaje, ako sú obrázky, zvuk, text atď.

Think Neural Network! Think how a human brain function

Ako bolo uvedené vyššie, neurónová sieť funguje rovnako ako ľudský mozog; všetky vedomosti získava prostredníctvom procesu učenia. Potom synaptické váhy ukladajú získané znalosti. Počas procesu učenia sa synaptické váhy siete reformujú, aby sa dosiahol požadovaný cieľ.

Rovnako ako ľudský mozog, neurónové siete^{(Neural Networks)} fungujú ako nelineárne paralelné systémy na spracovanie informácií, ktoré rýchlo vykonávajú výpočty, ako je rozpoznávanie a vnímanie vzorov. Výsledkom je, že tieto siete fungujú veľmi dobre v oblastiach, ako je rozpoznávanie reči, zvuku a obrazu, kde sú vstupy/signály vo svojej podstate nelineárne.

Jednoducho povedané, neurónovú sieť si môžete zapamätať ako niečo, čo je schopné uchovávať vedomosti ako ľudský mozog a používať ich na predpovede.^{(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.)}

Štruktúra neurónových sietí

(Image Credit: Mathworks)

Neurónové siete^(Networks) sa skladajú z troch vrstiev,

1. Vstupná vrstva,
2. Skrytá vrstva a
3. Výstupná vrstva.

Každá vrstva pozostáva z jedného alebo viacerých uzlov, ako je znázornené na obrázku nižšie malými krúžkami. Čiary medzi uzlami označujú tok informácií z jedného uzla do druhého. Informácie prúdia zo vstupu na výstup, teda zľava doprava (v niektorých prípadoch to môže byť sprava doľava alebo oboma smermi).

Uzly vstupnej vrstvy sú pasívne, čo znamená, že nemenia dáta. Dostávajú jednu hodnotu na svojom vstupe a duplikujú hodnotu na svoje viaceré výstupy. Zatiaľ^(Whereas) čo uzly skrytej a výstupnej vrstvy sú aktívne. Takto môžu upravovať údaje.

V prepojenej štruktúre je každá hodnota zo vstupnej vrstvy duplikovaná a odoslaná do všetkých skrytých uzlov. Hodnoty vstupujúce do skrytého uzla sú vynásobené váhami, množinou vopred určených čísel uložených v programe. Potom sa sčítajú vážené vstupy, aby sa vytvorilo jediné číslo. Neurónové siete môžu mať ľubovoľný počet vrstiev a ľubovoľný počet uzlov na vrstvu. Väčšina aplikácií používa trojvrstvovú štruktúru s maximálne niekoľkými stovkami vstupných uzlov

Príklad neurónovej siete^{(Example of Neural Network)}

Uvažujme o neurónovej sieti, ktorá rozpoznáva objekty v signále sonaru a v PC je uložených 5000 vzoriek signálu. PC musí zistiť, či tieto vzorky predstavujú ponorku, veľrybu, ľadovec, morské skaly alebo vôbec nič? Konvenčné^{(Conventional DSP)} metódy DSP by sa k tomuto problému priblížili pomocou matematiky a algoritmov, ako je korelácia a analýza frekvenčného spektra.

Zatiaľ čo s neurónovou sieťou by sa 5000 vzoriek privádzalo do vstupnej vrstvy, čo viedlo k vyskakovaniu hodnôt z výstupnej vrstvy. Výberom správnych váh možno výstup nakonfigurovať tak, aby hlásil široký rozsah informácií. Napríklad môžu existovať výstupy pre: ponorka (áno/nie), morská skala (áno/nie), veľryba (áno/nie) atď.

S inými váhami môžu výstupy klasifikovať objekty ako kovové alebo nekovové, biologické alebo nebiologické, nepriateľské alebo spojenecké atď. Žiadne algoritmy, žiadne pravidlá, žiadne postupy; iba vzťah medzi vstupom a výstupom diktovaný hodnotami zvolených váh.

Teraz pochopme koncept hlbokého učenia.^{(Now, let’s understand the concept of Deep Learning.)}

Čo je hlboké učenie

Hlboké učenie je v podstate podmnožinou neurónových sietí^{(Neural Networks)} ; možno sa dá povedať, že ide o komplexnú neurónovú sieť^{(Neural Network)} s mnohými skrytými vrstvami.

Technicky povedané, hlboké^(Deep) učenie možno definovať aj ako výkonnú sadu techník učenia v neurónových sieťach. Vzťahuje sa na umelé neurónové siete ( ANN ), ktoré sa skladajú z mnohých vrstiev, masívnych dátových súborov, výkonného počítačového hardvéru, aby umožnili komplikovaný tréningový model. Obsahuje triedu metód a techník, ktoré využívajú umelé neurónové siete s viacerými vrstvami čoraz bohatšej funkčnosti.

Štruktúra siete hlbokého učenia^{(Structure of Deep learning network)}

Siete hlbokého^(Deep) učenia väčšinou využívajú architektúry neurónových sietí, a preto sa často označujú ako hlboké neurónové siete. Použitie práce „hlboko“ sa vzťahuje na počet skrytých vrstiev v neurónovej sieti. Bežná neurónová sieť obsahuje tri skryté vrstvy, zatiaľ čo hlboké siete ich môžu mať až 120-150.

Hlboké ^(Deep) učenie^(Learning) zahŕňa napájanie počítačového systému množstvom údajov, ktoré môže použiť na rozhodovanie o iných údajoch. Tieto údaje sú dodávané cez neurónové siete, ako je to v prípade strojového učenia. Siete pre hlboké^(Deep) učenie sa môžu učiť funkcie priamo z údajov bez potreby manuálnej extrakcie funkcií.

Príklady hlbokého učenia^{(Examples of Deep Learning)}

Hlboké vzdelávanie sa v súčasnosti využíva takmer vo všetkých odvetviach, počnúc automobilovým^(Automobile) , leteckým a kozmickým^(Aerospace) odvetvím a automatizáciou^(Automation) až po zdravotníctvo^(Medical) . Tu je niekoľko príkladov.

• Google , Netflix a Amazon : Google ich používa vo svojich algoritmoch na rozpoznávanie hlasu a obrázkov. Netflix a Amazon tiež používajú hlboké učenie, aby sa rozhodli, čo chcete sledovať alebo kúpiť ako ďalšie
• Jazda bez vodiča: Výskumníci využívajú siete hlbokého učenia na automatickú detekciu objektov, ako sú značky zastavenia a semafory. Hlboké^(Deep) učenie sa používa aj na detekciu chodcov, čo pomáha znižovať nehodovosť.
• Letectvo a obrana: Hlboké učenie sa používa na identifikáciu objektov zo satelitov, ktoré lokalizujú oblasti záujmu a identifikujú bezpečné alebo nebezpečné zóny pre jednotky.
• Vďaka Deep Learning Facebook automaticky nájde a označí priateľov na vašich fotografiách . Skype dokáže prekladať hovorenú komunikáciu v reálnom čase a celkom presne.
• Lekársky výskum: Lekárski výskumníci používajú hlboké učenie na automatickú detekciu rakovinových buniek
• Priemyselná automatizácia^{(Industrial Automation)} : Hlboké učenie pomáha zlepšiť bezpečnosť pracovníkov okolo ťažkých strojov automatickým zisťovaním, keď sa ľudia alebo predmety nachádzajú v nebezpečnej vzdialenosti od strojov.
• Elektronika: Hlboké^(Deep) učenie sa používa v automatizovanom preklade sluchu a reči.

Prečítajte si^(Read) : Čo je strojové učenie a hlboké učenie^{(Machine Learning and Deep Learning)} ?

Záver^(Conclusion)

Koncept neurónových sietí^{(Neural Networks)} nie je nový a výskumníci sa v poslednom desaťročí stretli s miernym úspechom. Ale skutočným prevratom bol vývoj hlbokých^(Deep) neurónových sietí.

Prekonaním tradičných prístupov strojového učenia sa ukázalo, že hlboké neurónové siete môže trénovať a skúšať nielen niekoľko výskumníkov, ale má priestor na to, aby ich prijali nadnárodné technologické spoločnosti, aby v blízkej budúcnosti prišli s lepšími inováciami.

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 Organizer: SMS aplikácia využíva strojové učenie

• Čo je strojové učenie a hlboké učenie v umelej inteligencii

• Ako nainštalovať Drupal pomocou WAMP na Windows

• Najlepšie softvérové ​​a hardvérové ​​bitcoinové peňaženky pre Windows, iOS, Android

• Nainštalujte si internetovú rozhlasovú stanicu zadarmo na počítači so systémom Windows

• Prineste si svoje vlastné zariadenie (BYOD) Výhody, osvedčené postupy atď.

• Oči NASA vám pomôžu preskúmať vesmír ako astronauti

• Máte zablokované nastavenia servera Plex a servera? Tu je oprava!

• Čo sú to „čip a PIN“ alebo kreditné karty EMV

• Preveďte magnetické odkazy na odkazy na priame stiahnutie pomocou programu Seedr

• Ako chrániť heslom a zabezpečiť dokumenty PDF pomocou LibreOffice

• Čo sú virtuálne kreditné karty a ako a kde ich získate?

• Chyba pri sťahovaní súborov z DropBoxu je príliš veľký súbor zip

• Rozdiel medzi analógovými, digitálnymi a hybridnými počítačmi

• Fix Partner sa nepripojil k chybe smerovača v TeamViewer v systéme Windows 10

• Čo je Data Analytics a na čo sa používa

• Ako zatvoriť svoj Payoneer účet?

• Etiketa pri videokonferenciách, tipy a pravidlá, ktoré musíte dodržiavať

• Aplikácia na odosielanie správ relácie ponúka silné zabezpečenie; Nevyžaduje sa žiadne telefónne číslo!

• Čo je syndróm hlúpeho okna - vysvetlenie a prevencia