A neurális hálózatok olyan összekapcsolt egységek vagy csomópontok számítógépes modellek, amelyek az adatok (adatok) továbbítására, feldolgozására és tanulására alkalmas módon hasonlítanak az idegsejtek (idegsejtek) emberi működéséhez.
Mesterséges idegi hálózat
A technológiában a neurális hálózatokat gyakran nevezik mesterséges neurális hálózatoknak (ANNs) vagy neurális hálóknak, hogy megkülönböztessenek azoktól a biológiai neurális hálózatoktól, amelyeket modelleznek. Az ANN alapja az, hogy az emberi agy a legösszetettebb és leginkább intelligens "számítógép". Azáltal, hogy az ANN-et a lehető legszorosabban az agy által használt felépítéshez és információfeldolgozási rendszerhez hasonlította, a kutatók remélik, hogy olyan számítógépeket hoznak létre, amelyek megközelítik vagy meghaladják az emberi intelligenciát. A neurális hálók a mesterséges intelligencia (AI), a gépi tanulás (ML) és a mély tanulás legfontosabb elemei.
Hogyan működnek a neurális hálózatok: összehasonlítás
Ahhoz, hogy megértsük, hogyan működnek a neurális hálózatok és a kétféle (biológiai és mesterséges) különbségek, használjuk a 15 emeletes irodaépület példáját, valamint a telefonvonalakat és a központokat, amelyek az épület egészén, az egyes emeleteken és az egyes irodákon keresztül kezdeményeznek hívásokat. A 15 emeletes irodaházunk minden egyes irodája neuront jelent (csomópontot a számítógépes hálózatban vagy az idegsejtben a biológiában). Maga az épület egy 15 emeletes rendszerben (neurális hálózat) rendezett irodák sorát tartalmazó szerkezet.
A példát a biológiai neurális hálózatokra alkalmazva a hívások fogadására szolgáló kapcsolótáblának van vonala, hogy csatlakozzon bármelyik irodához az egész épület bármely szintjén. Ezenkívül minden irodának vannak vonalai, amelyek összekapcsolják az egész épület bármely más irodájában. Képzeld el, hogy bejövő hívás érkezik (bemenet), és a központ áthelyezi a 3-as irodábard amely közvetlenül a 11-es irodájába továbbítjath amely ezt követően közvetlenül az 5th padló. Az agyban minden neuron vagy idegsejt (egy iroda) közvetlenül kapcsolódhat bármely más neuronhoz a rendszerében vagy a neurális hálózatban (az épületben). Az információ (a hívás) bármely más neuronhoz (irodához) továbbítható, hogy feldolgozza vagy megtanulja, mi szükséges, amíg nincs válasz vagy felbontás (kimenet).
Amikor ezt a példát alkalmazzuk az ANN-ekre, meglehetősen összetett lesz. Az épület minden emeletén saját központja van, amely csak az ugyanazon emeleten lévő irodákhoz kapcsolódhat, valamint a padló felett és alatt lévő kapcsolótáblákon. Minden irodában csak az ugyanazon emeleten lévő irodák és az említett padló kapcsolótáblája kapcsolódhat közvetlenül. Minden új hívásnak az 1. emeleten lévő kapcsolószekrényen kell elindulnia, és minden egyes emeleten numerikus sorrendben kell átvinni a 15-igth a hívás befejezése előtt. Mozogjunk, hogy lássuk, hogyan működik.
Képzeld el, hogy hívás érkezik (bemenet) az 1-reutca padló kapcsolótáblát és egy 1utca padló (csomópont). A hívást ezután közvetlenül az 1-ben található egyéb irodák (csomópontok) között továbbítjákutca amíg nem készen áll a következő emeletre küldeni. Ezután a hívást vissza kell küldeni az 1-reutca padló kapcsolótáblát, amely átveszi a 2nd padló kapcsolótábla. Ugyanezek a lépések egyszerre egy emeleten ismétlődnek, és a hívás ezen a folyamaton keresztül történik minden emeleten egészen a padlóig.
Az ANN-ben a csomópontok (irodák) rétegek (az épület padlói) vannak elrendezve. Az információ (hívás) mindig a beviteli rétegen keresztül érkezik (1utca a padló és a kapcsolószekrény), és minden egyes rétegen (padlón) keresztül kell továbbítani és feldolgozni, mielőtt a következőre lépne. Minden egyes réteg (padló) a hívás pontos részleteit feldolgozza, és az eredményt a következő réteggel együtt elküldi. Amikor a hívás eléri a kimeneti réteget (15th padló és kapcsolószekrénye), tartalmazza az 1-14. rétegekből származó feldolgozási információkat. A csomópontok (irodák) a 15th réteg (padló) használja a bemeneti és feldolgozási információkat az összes többi rétegről (padlól), hogy válasz vagy felbontás jöjjön létre.
Neurális hálózatok és gépi tanulás
A neurális hálók egyike a gépi tanulási kategóriába tartozó technológia. Tény, hogy a neurális hálók kutatásában és fejlesztésében való előrehaladás szorosan kapcsolódik az ML-ben tapasztalható előrehaladásokhoz és fejlődéshez. A neurális hálók kibővítik az adatfeldolgozási képességeket és növelik az ML számítási teljesítményét, növelve a feldolgozandó adatok mennyiségét, de összetettebb feladatok elvégzésére is képesek.
Az ANNs első dokumentált számítógépes modelljét 1943-ban hozta létre Walter Pitts és Warren McCulloch. A neurális hálózatok és a gépi tanulás kezdeti érdeklődése és kutatása végül lelassult, és többé-kevésbé polcolt 1969-ig, csak kisebb jelentőségű megújult érdeklődéssel. Az akkori számítástechnikának egyszerűen nem volt elég gyors vagy elegendő feldolgozója ahhoz, hogy továbbfejlessze ezeket a területeket, és az ML és a neurális hálókhoz szükséges nagy mennyiségű adat abban az időben nem állt rendelkezésre.
A számítási teljesítmény nagysága az idő múlásával, valamint az internet növekedésével és bővülésével (és ezáltal az interneten keresztüli hatalmas adatmennyiséghez való hozzáférés) megoldotta ezeket a korai kihívásokat. A neurális hálók és az ML-k ma már olyan eszközöket használnak, amelyeket minden nap látunk és használunk, mint például az arcfelismerés, a képfeldolgozás és a keresés, valamint a valós idejű nyelvfordítás - csak néhányat említsünk.
Neurális hálózatok példái a mindennapi életben
Az ANN egy meglehetősen összetett téma a technológiában, de érdemes egy kis időt kipróbálni, mert nap mint nap növekvő számú módon érinti életünket. Íme néhány példa arra, hogy a neuronhálózatokat jelenleg a különböző iparágak használják:
- Pénzügy: Neurális hálókat használnak a devizaárfolyamok előrejelzésére. Őket a tőzsdén használt automatikus kereskedési rendszerek mögötti technológiában is használják.
- Gyógyszer: A neurális hálók képfeldolgozási képességei hozzájárultak ahhoz, hogy a technológia pontosabban meg tudja jeleníteni a rákos megbetegedéseket és a rákos megbetegedéseket. Az ilyen típusú rák az invazív melanoma, amely a bőrrák legsúlyosabb és halálos formája. A melanoma azonosítása a korábbi stádiumokban, mielőtt elterjedt volna, az ilyen típusú rákos betegek számára biztosítja a legjobb esélyeket annak megverésére.
- Időjárás: Az életmentés szempontjából létfontosságú a légköri változások észlelésének lehetősége, amely a lehető leggyorsabban és pontosan a potenciálisan súlyos és veszélyes időjárási eseményeket jelzi. A neurális hálók részt vesznek a műholdas és radarképek valós idejű feldolgozásában, amelyek nemcsak a hurrikánok és a ciklonok korai kialakulását észlelik, hanem a szélsebesség és irányváltozás hirtelen változásait is érzékelik, amelyek egy formáló tornádót jeleznek. A tornádók a legerősebb és legveszélyesebb időjárási események - amelyek gyakran hirtelen, rombolóak és halálosak, mint a hurrikánok.
