Невронните мрежи^{(Neural Networks)} и дълбокото обучение^{(Deep Learning)} в момента са двете горещи модни думи, които се използват в днешно време с изкуствения интелект^{(Artificial Intelligence)} . Последните разработки в света на изкуствения интелект могат да бъдат приписани на тези две, тъй като те изиграха значителна роля в подобряването на интелигентността на AI.

Огледайте се и ще откриете все повече и повече интелигентни машини наоколо. Благодарение на невронните мрежи^{(Neural Networks)} и дълбокото обучение^{(Deep Learning)} , работни места и способности, които някога са били смятани за силната страна на хората, сега се изпълняват от машини. Днес машините вече не са създадени да ядат по-сложни алгоритми, а вместо това се подхранват, за да се развият в автономна, самообучаваща се система, способна да революционизира много индустрии навсякъде.

Невронните мрежи^{(Neural Networks)} и дълбокото обучение^{(Deep Learning )} дадоха огромен успех на изследователите в задачи като разпознаване на изображения, разпознаване на реч, намиране на по-дълбоки връзки в набори от данни. Подпомогнати от наличието на огромни количества данни и изчислителна мощност, машините могат да разпознават обекти, да превеждат реч, да се обучават да идентифицират сложни модели, да се научат как да разработват стратегии и да правят планове за извънредни ситуации в реално време.

И така, как точно работи това? Знаете ли, че всъщност както неутралните ^(Neutral) мрежи^(Networks) , така и свързаните с дълбокото^{(Deep-Learning)} обучение , за да разберете дълбокото^(Deep) обучение, първо трябва да разберете за невронните мрежи^{(Neural Networks)} ? Прочетете, за да научите повече.

Какво е невронна мрежа

Невронната^(Neural) мрежа е основно модел за програмиране или набор от алгоритми, които позволяват на компютъра да се учи от данните от наблюдение . Невронната^(Neural) мрежа е подобна на човешкия мозък, който работи чрез разпознаване на моделите. Сензорните данни се интерпретират с помощта на машинно възприятие, етикетиране или групиране на необработени данни. Разпознаваните модели са числови, затворени във вектори, в които се превеждат данните като изображения, звук, текст и др.

Think Neural Network! Think how a human brain function

Както бе споменато по-горе, невронната мрежа функционира точно като човешки мозък; то придобива всички знания чрез учебен процес. След това синаптичните тегла съхраняват придобитите знания. По време на процеса на обучение синаптичните тегла на мрежата се реформират, за да се постигне желаната цел.

Точно като човешкия мозък, невронните мрежи^{(Neural Networks)} работят като нелинейни паралелни системи за обработка на информация, които бързо извършват изчисления като разпознаване на модели и възприятие. В резултат на това тези мрежи се представят много добре в области като разпознаване на реч, аудио и изображения, където входовете/сигналите са по своята същност нелинейни.

С прости думи, можете да запомните невронната мрежа като нещо, което е способно да съхранява знания като човешки мозък и да го използва, за да прави прогнози.^{(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.)}

Структура на невронните мрежи

(Кредит на изображението: Mathworks)

Невронните мрежи^(Networks) се състоят от три слоя,

1. Входен слой,
2. Скрит слой и
3. Изходен слой.

Всеки слой се състои от един или повече възли, както е показано на диаграмата по-долу с малки кръгове. Линиите между възлите показват потока от информация от един възел към следващия. Информацията протича от входа към изхода, т.е. от ляво на дясно (в някои случаи може да е от дясно на ляво или от двете посоки).

Възлите на входния слой са пасивни, което означава, че не променят данните. Те получават една стойност на своя вход и дублират стойността на своите множество изходи. Като има предвид^(Whereas) , че възлите на скрития и изходния слой са активни. Така те могат да променят данните.

Във взаимосвързана структура всяка стойност от входния слой се дублира и се изпраща до всички скрити възли. Стойностите, влизащи в скрит възел, се умножават по тегла, набор от предварително определени числа, съхранени в програмата. След това претеглените входове се добавят, за да се получи едно число. Невронните мрежи могат да имат произволен брой слоеве и произволен брой възли на слой. Повечето приложения използват трислойна структура с максимум няколкостотин входни възли

Пример за невронна мрежа^{(Example of Neural Network)}

Помислете за невронна мрежа, разпознаваща обекти в сонарен сигнал и има 5000 сигнални проби, съхранени в компютъра. Компютърът трябва да разбере дали тези проби представляват подводница, кит, айсберг, морски скали или изобщо нищо? Конвенционалните DSP^{(Conventional DSP)} методи биха подходили към този проблем с математика и алгоритми, като анализ на корелация и честотен спектър.

Докато при невронна мрежа, 5000-те проби ще бъдат подавани към входния слой, което води до изскачане на стойности от изходния слой. Чрез избиране на правилните тегла, изходът може да бъде конфигуриран да отчита широк спектър от информация. Например, може да има изходи за: подводница (да/не), морска скала (да/не), кит (да/не) и т.н.

С други тегла, изходите могат да класифицират обектите като метални или неметални, биологични или небиологични, врагове или съюзници и т.н. Без алгоритми, без правила, без процедури; само връзка между входа и изхода, продиктувана от стойностите на избраните тегла.

Сега, нека разберем концепцията за дълбоко обучение.^{(Now, let’s understand the concept of Deep Learning.)}

Какво е дълбоко обучение

Дълбокото обучение е основно подмножество от невронни мрежи^{(Neural Networks)} ; може би можете да кажете сложна невронна мрежа^{(Neural Network)} с много скрити слоеве в нея.

Технически погледнато, дълбокото^(Deep) обучение може да се определи и като мощен набор от техники за обучение в невронни мрежи. Отнася се до изкуствени невронни мрежи ( ANN ), които са съставени от много слоеве, масивни набори от данни, мощен компютърен хардуер, за да направи възможен сложен модел на обучение. Той съдържа класа от методи и техники, които използват изкуствени невронни мрежи с множество слоеве с все по-богата функционалност.

Структура на мрежата за дълбоко обучение^{(Structure of Deep learning network)}

Мрежите за дълбоко^(Deep) обучение използват предимно архитектури на невронни мрежи и следователно често се наричат ​​дълбоки невронни мрежи. Използването на работа „дълбоко“ се отнася до броя на скрити слоеве в невронната мрежа. Конвенционалната невронна мрежа съдържа три скрити слоя, докато дълбоките мрежи могат да имат до 120-150.

Дълбокото ^(Deep) обучение^(Learning) включва подаване на компютърна система с много данни, които тя може да използва за вземане на решения относно други данни. Тези данни се подават чрез невронни мрежи, какъвто е случаят в машинното обучение. Мрежите за дълбоко^(Deep) обучение могат да научат функции директно от данните, без да е необходимо ръчно извличане на функции.

Примери за дълбоко обучение^{(Examples of Deep Learning)}

Понастоящем дълбокото обучение се използва в почти всяка индустрия, като се започне от автомобилната^(Automobile) , космическата^(Aerospace) и автоматизираната^(Automation) до медицината^(Medical) . Ето някои от примерите.

• Google , Netflix и Amazon : Google го използва в своите алгоритми за разпознаване на глас и изображения. Netflix и Amazon също използват дълбоко обучение, за да решат какво искате да гледате или купите следващо
• Шофиране без шофьор: Изследователите използват мрежи за дълбоко обучение, за да откриват автоматично обекти като стоп знаци и светофари. Дълбокото^(Deep) обучение се използва и за откриване на пешеходци, което помага за намаляване на произшествията.
• Аерокосмическа и отбрана: Дълбокото обучение се използва за идентифициране на обекти от спътници, които локализират области на интерес, и идентифициране на безопасни или опасни зони за войските.
• Благодарение на Deep Learning , Facebook автоматично намира и маркира приятели във вашите снимки. Skype може да превежда устните комуникации в реално време и доста точно.
• Медицински изследвания: Медицински изследователи използват дълбоко обучение за автоматично откриване на ракови клетки
• Индустриална автоматизация^{(Industrial Automation)} : Дълбокото обучение помага за подобряване на безопасността на работниците около тежки машини, като автоматично открива кога хора или предмети са на опасно разстояние от машините.
• Електроника: Дълбокото^(Deep) обучение се използва при автоматизирания слух и превод на реч.

Прочетете^(Read) : Какво е машинно обучение и задълбочено обучение^{(Machine Learning and Deep Learning)} ?

Заключение^(Conclusion)

Концепцията за невронни мрежи^{(Neural Networks)} не е нова и изследователите постигнаха умерен успех през последното десетилетие. Но истинската промяна в играта е еволюцията на Deep невронните мрежи.

Превъзхождайки традиционните подходи за машинно обучение, той показа, че дълбоките невронни мрежи могат да бъдат обучени и изпробвани не само от няколко изследователи, но има обхвата да бъде приет от мултинационални технологични компании, за да дойдат с по-добри иновации в близко бъдеще.

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 приложение, захранвано от машинно обучение

• Какво представляват машинното обучение и дълбокото обучение в изкуствения интелект

• Как да инсталирате Drupal с помощта на WAMP на Windows

• Най-добрият софтуер и хардуер Bitcoin портфейли за Windows, iOS, Android

• Настройте безплатно интернет радиостанция на компютър с Windows

• Какво представляват големите данни - просто обяснение с пример

• Преобразувайте магнитни връзки в връзки за директно изтегляне с помощта на Seedr

• Как да изтриете вашия LastPass акаунт

• Fix Partner не се свърза с грешка на рутера в TeamViewer на Windows 10

• Заключени сте от настройките на Plex сървър и сървър? Ето поправката!

• Какво е магнитна връзка и как да отварям магнитни връзки в браузър

• Очите на НАСА ви помагат да изследвате Вселената като астронавти

• Как да инсталирате Windows 95 на Windows 10

• Zip файлът е твърде голяма грешка при изтегляне на файлове от DropBox

• Безплатен софтуер за управление на задачи за управление на екипната работа

• Съвети, инструменти и услуги за управление на репутацията онлайн

• Девет носталгични технически звука, които вероятно не сте чували от години

• Този акаунт не е свързан с нито един акаунт в Mixer

• Съвети за пазаруване за Кибер понеделник и Черен петък, които искате да следвате

• Най-добрите функции в LibreOffice Calc