Gabriel Brooks
0 
1558
351
Teknoloji haberlerine ayak uyduruyorsanız, muhtemelen ... nöral ağlar (ayrıca sinir ağları olarak da bilinir).
Örneğin, 2016'da, Google’ın AlphaGo sinir ağı, 4-1 serisi ile dünyanın en iyi profesyonel Go oyuncularından birini yendi. YouTube ayrıca, videolarını daha iyi anlamak için sinir ağlarını kullanacaklarını açıkladı. YouTube, Videoları Gerçek Olarak Anlamak için Sinir Ağlarını Kullanacak YouTube YouTube Videoları Gerçek Olarak Anlamak için Sinir Ağlarını Kullanacak YouTube'da Arama yapmak sinir bozucu olabilir, çünkü YouTube, videoları şu şekilde görmez bir insan yapar. Son zamanlarda, Google bunu değiştirebilecek bir patent başvurusunda bulundu. . Başka düzinelerce akla gelebilir.
Ama tam olarak sinir ağı nedir? O nasıl çalışır? Ve neden makine öğrenmede bu kadar popüler??
Beyin Gibi Bir Bilgisayar
Modern sinirbilimciler beynini genellikle bir bilgisayar türü olarak tartışırlar. Yapay sinir ağları bunun tersini yapmayı hedefliyor: beyin gibi çalışan bir bilgisayar oluşturmak.
Tabii ki, sadece beynin son derece karmaşık fonksiyonlarını doğru bir şekilde anlıyoruz, ancak beynin verileri nasıl işlediğine dair basitleştirilmiş bir simülasyon oluşturarak, standart olandan çok farklı çalışan bir bilgisayar türü oluşturabiliriz.
Bilgisayar işlemcileri verileri seri olarak işler (“sırayla”). Her seferinde bir veri kümesi üzerinde birçok işlem gerçekleştiriyorlar. Paralel işleme (“aynı anda birkaç akışı işlemek”) seri olarak birden fazla işlemci kullanarak bilgisayarı önemli ölçüde hızlandırır.
Aşağıdaki resimde paralel işleme örneği beş farklı işlemci gerektirir:
Resim Kredisi: ExplainThatStuff
Yapay bir sinir ağı (onu beyindeki gerçek sinir ağlarından ayırt etmek için adlandırılır) temelde farklı bir yapıya sahiptir. Çok bağlantılı. Bu, verileri çok hızlı bir şekilde işlemesini, bu verilerden öğrenmesini ve performansı geliştirmek için kendi iç yapısını güncellemesini sağlar.
Bununla birlikte, yüksek derecede birbirine bağlılık bazı şaşırtıcı etkilere sahiptir. Örneğin, sinir ağları verideki belirsiz kalıpları tanımada çok iyidir.
Öğrenebilme
Bir sinir ağının öğrenme yeteneği, en büyük gücüdür. Standart bilgisayar mimarisine sahip bir programcının, bilgisayarın doğru yanıt vermesini sağlamak için bilgisayara gelen verilerle ne yapması gerektiğini söyleyen bir algoritma geliştirmesi gerekir..
Bir giriş-çıkış tepkisi kadar basit olabilir “A tuşuna basıldığında, ekranda 'A' görüntülenir.” veya karmaşık istatistikler yapmak kadar karmaşık. Öte yandan sinir ağları aynı tür algoritmalara ihtiyaç duymaz. Öğrenme mekanizmaları aracılığıyla kendi algoritmalarını tasarlayabilirler. 4 Hayatınızı Şekillendiren Makine Öğrenmesi Algoritmaları 4 Hayatınızı Şekillendiren Makine Öğrenmesi Algoritmaları Bunu fark edemezsiniz ama makine öğrenmesi zaten etrafınızda ve şaşırtıcı derecede bir etki gösterebilir hayatın boyunca. Bana inanma Şaşırmış olabilirsin. doğru performans göstermelerini sağlayan.
Yapay sinir ağlarının standart seri işlem donanımını kullanan makinelere yazılan yazılım programları olduğu için, mevcut teknolojinin hala sınırlar getirdiğine dikkat etmek önemlidir. Aslında bir sinir ağının donanım versiyonunu oluşturmak tamamen başka bir problemdir..
Nöronlardan Düğümlere
Şimdi sinir ağlarının nasıl işlediğinin temelini attıktan sonra, bazı özelliklere bakmaya başlayabiliriz. Yapay bir sinir ağının temel yapısı şöyle görünür:
Çevrelerin her birine bir “düğüm” ve tek bir nöronu simüle eder. Solda giriş düğümleri, ortada gizli düğümler ve sağda çıkış düğümleri vardır.
Çok temel terimlerle, giriş düğümleri, bir RGB renk değerinin bir parçası, bir satranç taşının durumu veya başka herhangi bir ikili ya da 0 olan giriş değerlerini kabul eder. Bu düğümler ağa akan bilgiyi temsil eder..
Her giriş düğümü birkaç gizli düğüme (bazen her gizli düğüme, bazen bir alt kümeye) bağlanır. Giriş düğümleri, verilen bilgileri alır ve gizli katmana iletir..
Örneğin, bir giriş düğümü bir sinyal gönderebilir (“ateş,” sinirbilim parlance) 1 alırsa ve sıfır alırsa uykuda kalır. Her gizli düğümün bir eşiği vardır: toplanan tüm girdilerin belirli bir değere ulaşması durumunda,.
Sinapslardan Bağlantılara
Anatomik bir sinapsın eşdeğeri olan her bağlantıya, ağın belirli bir düğümün hareketine daha fazla vurgu yapmasını sağlayan belirli bir ağırlık verilir. İşte bir örnek:
Gördüğünüz gibi, B bağlantısının ağırlığı A ve C bağlantısından daha yüksektir. Diyelim ki gizli düğüm 4 yalnızca toplam 2 veya daha büyük bir girdi alırsa patlar. Bu, 1 veya 3'ü kendi başlarına ateş etmesi durumunda 4'ün tetiklenmeyeceği, ancak 1 ve 3'ün birlikte düğümü tetikleyeceği anlamına gelir. Düğüm 2, düğümü B bağlantısıyla kendi kendine tetikleyebilir.
Pratik bir örnek olarak hava alalım. Kış fırtınası uyarısı olup olmayacağını belirlemek için basit bir sinir ağı tasarladığınızı söyleyin.
Yukarıdaki bağlantıları ve ağırlıkları kullanarak, düğüm 4 yalnızca sıcaklık 0 F'nin altındaysa ve rüzgarlar 30 MPH'nin üzerindeyse ateş edebilir veya yüzde 70'den fazla kar yağması ihtimaline karşı ateşlenebilir. Sıcaklık, düğüm 1'e beslenir, düğüm 3'e rüzgarlar ve düğüm 2'ye kar olasılığı olabilir. Şimdi düğüm 4, çıkış katmanına hangi sinyalin gönderileceğini belirlerken bunları dikkate alabilir..
Basit Mantıktan Daha İyi
Tabii ki, bu fonksiyon basit bir AND / OR mantık kapıları ile kolayca devreye sokulabilir. Ancak, daha karmaşık sinir ağları, aşağıdaki gibi, çok daha karmaşık operasyonlar yapabiliyor.
Image Credit: Yapay sinir ağları ve Michael A. Nielsen'den derin öğrenme
Çıkış katmanı düğümleri, gizli katmanlar ile aynı şekilde çalışır: çıkış düğümleri, gizli katmandan gelen girişi toplar ve belirli bir değere ulaşırsa, çıkış düğümleri ateşlenir ve belirli sinyaller gönderir. İşlemin sonunda, çıkış katmanı girişin sonucunu belirten bir dizi sinyal gönderecektir..
Yukarıda gösterilen ağ basit olsa da, derin sinir ağları birçok gizli katmana ve yüzlerce düğüme sahip olabilir..
Image Credit: Yapay sinir ağları ve Michael A. Nielsen'den derin öğrenme
Hata düzeltme
Şimdiye kadarki süreç nispeten basittir. Fakat sinir ağlarının gerçekte parladığı yer öğrenmedir. Çoğu sinir ağları denilen bir işlem kullanır geri yayılım, hangi sinyalleri gönderir geriye doğru ağ üzerinden.
Programcılar bir sinir ağı dağıtmadan önce, bunu bilinen sonuçlarla bir dizi girdi aldığı bir eğitim aşaması boyunca yürütürler. Örneğin, bir programcı görüntüleri tanımak için bir sinir ağını öğretebilir. 8 Telefonunuzun Kamerasını Kullanarak Herhangi Bir Şey Tanımlamak İçin Şık Uygulamalar 8 Telefonunuzun Kamerasını Kullanarak Herhangi Bir Şey Tanımlamak İçin Şık Uygulamalar 8 telefonunuzun kamerası. . Girdi bir arabanın resmi olabilirdi ve doğru çıktı kelimesi olurdu. “araba.”
Programcı, görüntüyü girdi olarak sağlar ve çıktı düğümlerinden ne çıktığını görün. Şebeke cevap veriyorsa “uçak,” programcı bilgisayara yanlış olduğunu söyler.
Ağ daha sonra, düğümler arasındaki farklı bağlantıların ağırlıklarını değiştirerek kendi bağlantılarında ayarlamalar yapar. Bu eylem, ağa eklenen belirli bir öğrenme algoritması tarafından yönlendirilir. Ağ, doğru çıkışı sağlayana kadar bağlantı ağırlıklarını ayarlamaya devam ediyor.
Bu bir basitleştirme, ancak sinir ağları benzer prensipleri kullanarak oldukça karmaşık işlemleri öğrenebilir.
Devamlı gelişim
Eğitimden sonra bile, geri yayılım devam ediyor - ve bu sinir ağlarının gerçekten soğuduğu yer. Kullanıldıkları gibi öğrenmeye devam ederler, yeni bilgiler entegre ederler ve farklı bağlantıların ağırlıklarına göre ince ayarlar yaparlar, tasarlandıkları görevde gittikçe daha etkili ve verimli olurlar..
Bu, görüntü tanıma kadar basit veya Go oynatmak kadar karmaşık olabilir..
Bu şekilde, sinir ağları her zaman değişmekte ve gelişmektedir. Ve bunun şaşırtıcı etkileri olabilir, bir programcının önceliklendirmeyi düşünmeyeceği şeylere öncelik veren ağlarla sonuçlanabilir.
Yukarıda belirtilen sürece ek olarak adlandırılan işleme denetimli öğrenme, başka bir yöntem daha var: denetimsiz öğrenme.
Bu durumda, sinir ağları bir girdi alır ve bağlantılarını güncellemek için geri yayını kullanarak çıktılarında yeniden yaratmaya çalışırlar. Bu, sonuçsuz bir egzersiz gibi gelebilir, ancak bu şekilde, ağlar faydalı özellikleri çıkarmayı ve bu özellikleri modellerini geliştirmek için genellemeyi öğrenir.
Derinlik sorunları
Geri yayılma, sinir ağlarına öğretmenin çok etkili bir yoludur… sadece birkaç kat derin olduklarında. Gizli katmanların sayısı arttıkça, geri yayılımın etkinliği azalır. Bu derin ağlar için bir sorundur. Geri yayını kullanarak, genellikle basit ağlardan daha etkili olmazlar.
Bilim adamları, özellikleri oldukça karmaşık olan ve bu giriş kısmının kapsamı dışında kalan bu soruna bir takım çözümler getirdiler. Bu çözümlerin birçoğunun yapmaya çalıştığı şey, basit bir ifadeyle, ağın karmaşıklığını, onu eğiterek “kompres” veri.
Resim Kredisi: Song Han
Bunu yapmak için, ağ girişin daha az sayıda tanımlayıcı özelliğini çıkarmayı ve sonuçta hesaplamalarında daha verimli olmayı öğrenmeyi öğrenir. Aslında, ağ, genel olarak insanlar ve soyutlamalar yapıyor, insanların öğrendiği gibi.
Bu öğrenmeden sonra, ağ daha az önemli gördüğü düğümleri ve bağlantıları budayabilir. Bu, ağı daha verimli hale getirir ve öğrenmesi kolaylaşır.
Yapay Sinir Ağı Uygulamaları
Böylece sinir ağları, beynin nodların giriş, gizli ve çıkış gibi çok sayıda düğüm katmanını kullanarak nasıl öğrendiğini simüle eder ve hem denetimli hem de denetimsiz durumlarda öğrenebilirler. Karmaşık ağlar, soyutlamalar yapabilir ve genelleyebilir, onları daha verimli ve daha iyi öğrenebilir hale getirebilir.
Bu etkileyici sistemleri ne için kullanabiliriz??
Teoride, sinir ağlarını hemen hemen her şey için kullanabiliriz. Muhtemelen farkında olmadan onları kullanıyordun. Örneğin konuşma ve görsel tanımada çok yaygındırlar, çünkü seslerin veya görüntülerin ortak özelliklerine sahip olan belirli özellikleri seçmeyi öğrenebilirler..
Böylece, Siri 8 Muhtemelen Yapacağın Şeyleri Sorduğunda Siri'nin Yapabileceğini 8 Muhtemelen Yapabileceğin Şeyleri Sordunca Siri, iPhone'un belirleyici özelliklerinden biri haline geldi, ancak çoğu insan için, her zaman en kullanışlı olanı değildi. Bunların bazıları ses tanıma sınırlamaları, en yakın benzin istasyonunun nerede olduğu… kullanma tuhaflığı nedeniyle, iPhone'unuz ne söylediğinizi anlamak için konuşmanızı sinir ağları üzerinden yapıyor. İstediğiniz şeyleri tahmin etmeyi öğrenen başka bir sinir ağı olabilir..
Kendi kendini süren otomobiller görsel verileri işlemek için sinir ağlarını kullanabilir, böylece yol kurallarını izleyebilir ve çarpışmaları önleyebilir. Her tür robot, görevleri verimli bir şekilde tamamlamayı öğrenmelerine yardımcı olan sinir ağlarından yararlanabilir. Bilgisayarlar satranç, Git ve Atari klasikleri. Eğer bir chatbot ile konuştuysanız, uygun cevaplar sunmak için bir sinir ağı kullanıyor olma ihtimali var..
yüksek verimli paralel işleme modeli hızla çok fazla veri toplayabildiğinden, internet aramaları sinir ağlarından büyük ölçüde faydalanabilir. Bir sinir ağı, arama sonuçlarınızı kişiselleştirmek veya yakın gelecekte ne arayacağınızı tahmin etmek için alışkanlıklarınızı da öğrenebilir. Bu tahmin modeli açıkça pazarlamacılar için çok değerli olacaktır (ve karmaşık insan davranışını öngörmesi gereken herkes).
Görüntü tanıma, optik karakter tanıma Görüntülerden Metin Çıkarmak için En İyi 5 OCR Aracı Görüntülerden Metin Çıkarmak için En İyi 5 OCR Aracı Kağıt sıkıntısına sahip olduğunuzda, yazdırılan metni dijital programın alacağı bir şeye dönüştürürsünüz tanımak ve indekslemek? İyi bir OCR yazılımını yakın tutun. , borsa tahmini, rota bulma, büyük veri işleme, tıbbi maliyet analizi, satış tahmini, video oyunu AI… olasılıklar neredeyse sonsuzdur. Yapay sinir ağlarının örüntüleri öğrenmesi, genelleme yapması ve davranışları başarılı bir şekilde tahmin etmesi, sayısız durumlarda onları değerli kılar.
Yapay Sinir Ağlarının Geleceği
Yapay sinir ağları çok basit modellerden çok karmaşık öğrenme simülasyonlarına doğru ilerlemiştir. Telefonlarımızda, tabletlerimizde ve kullandığımız web hizmetlerinin çoğunda çalışıyorlar. Dışarıda bir çok makine öğrenme sistemi var..
Ancak sinir ağları, insan beynine benzerliklerinden (çok basitleştirilmiş bir şekilde) en etkileyici olanlardan bazılarıdır. Modelleri geliştirmeye ve hassaslaştırmaya devam ettikçe, neler yapabileceklerini bilemeyiz..
Sinir ağlarının ilginç kullanımlarını biliyor musunuz? Onlarla kendin tecrüben var mı? Bu teknoloji hakkında en ilginç neyi buluyorsunuz? Düşüncelerinizi aşağıdaki yorumlarda paylaşın!