Wat Dir braucht fir ze wëssen, fir d'wessenschaftlech Technologie ëm dech ze verstoen
Neural Netzwierker sinn Computermodele vun angeschlossene Eenheeten oder Knäppchen, déi entwéckelt, veraarbecht a léiere vu Informatioun (Daten) op eng ähnlech Manéier wéi d'Neuronen (Nerve Zellen) an de Mënschen schaffen.
Kënschtlech Neural Networks
In der Technik, neuresch Netze ginn heiansdo als künstlech neurologesch Netzwierker (ANN) oder Neural Netze genannt, fir sech vun den biologesche neurologesche Netze ze ënnerscheeden, déi si no Modell no modeliséiert hunn. D'Haapt Iddi hannert ANNs ass datt de mënschlecht Gehier den komplizéierten an intelligenten "Computer" ass, deen existéiert. Duerch Modelléiere ANNs sou eng méiglech wéi d'Struktur an d'System vun der Informatiounsveraarbechtung vum Gehir, d'Fuerscher hunn hoffentlech Computeren ze kreéieren déi mënschlech Intelligenz ugegraff oder iwwerdriwwen sinn. Neural Netzer sinn e Schlësselkomponent vun den aktuellen Fortschrëtter an der kënschtlecher Intelligenz (AI), Maschinn léieren (ML), an déif Léier .
Wéi Neural Networks funktionnéiert: Een Verglach
Fir ze verstoen, wéi neuresch Netzwierker funktionnéieren an d'Ënnerscheeder tëscht den zwou Zorte (biologesch a künstlech), benotze mir d'Beispiller vun engem 15-Stéck Bürogebied an den Telefonslinnen a Vermëttler, déi route während des ganzen Gebaier, eenzel Biedelen a eenzel Büroe rufft. All eenzeleg Büro an eisem 15-Stéck Bürogebitt representéiert e Neuron (Knuedler an Computernetzwerk oder Nervenzellen an der Biologie). D'Gebai selwer ass eng Struktur mat enger Rei vu Bürosrüstungen, déi an engem System vu 15 Etagen (e neural Netzwierk) arrangéiert sinn.
Andeems de Beispill op biologesch neuresch Netzwierker applizéiere kënnt, gëtt de Kommandéiert, deen Uriff kritt, Linnen fir all Büro op all Etage am ganze Gebai ze verbannen. Zousätzlech huet all Büro Linnen, déi et mat all anere Büro am ganze Gebai op all Stack verbannen. Stellt Iech vir datt e Ruff an d'Input komm ass an d'Vermëttlung befënnt et op e Büro op der 3. Etapp, déi se direkt op en Büro op der 11. Stack kritt, deen dann direkt an en Büro op der 5. Stack verleeft. Am Gehir kann all Neuron oder Nerve Zelle (en Büro) direkt mat engem anere Neuron an hirem System oder Neural Netzwierk verbonne sinn. Informatiounen (den Ruf) ginn op all aner Neuron (Büro) iwwerginn oder léieren, wat gebraucht gëtt bis eng Äntwert oder Resolutioun ofgëtt.
Wann mir dëse Fall bei ANNs applizéieren, da gëtt et e bësse méi komplex. All Stack vum Buedem erfuerdert eegent Vermerkfeld, deen nëmme mat den Büroen op der selwechter Stack verbënnt, wéi och déi Verméigensboards op den Buedem uewen oder ënner. All Büro kann nëmmen direkt mat anere Büros op der selwechter Etage an dem Vermëttlerplack fir dës Stack verbannen. All nei Uriff muss mat der Verméiglusbutton am 1. Stack starten an all eenzel Stack opgedeelt a numeresch Uerdnung bis zu der 15. Stack, ier de Ruff kann ofgeschloss ginn. Loosst et an der Bewegung setzen fir ze kucken wéi et geschitt.
Stellt Iech vir, datt e Ruff an d'Input kënnt an d'1 Stackplaatztemp. En an engem Büro op der 1. Stack (Knuet) geschéckt ginn. De Ruff ass dann direkt ënner aner Bürosgeber (Knäppchen) op der 1. Etage, bis et fäerdeg ass fir op déi nächst Stack ze schécken. Dann muss de Ruf zréck an d'1 Stackplaatzbuttfeld geschéckt ginn, dat dann iwwer d' 2t Buedbuttwand plënnert. Déi selwëcht Schrëtt widderhuelen e Stack an enger Zäit, mam den App gëtt duerch dësen Prozess op all eenzelne Stack allgemeng bis zum Buedem geschafft.
An ANN gëtt d'Knäpp (Büros) an Schichten (Buedem vum Gebai) arrangéiert. Informatioun (e Ruff) kommt ëmmer duerch d'Input Schicht (1 Stack an de Switchboard) a muss duerch all Layer (Parquet) geschéckt ginn a veraarbecht ginn, ier se an den nächste nächste wechgehuewe ginn. All Layer (Stack) veraarbecht eng Detail detailléiert iwwer dësen Ruf an schéckt d'Resultat mat dem Ruff an déi nächst Layer. Wann de Call réckelt d'Outputschicht (15. Stack a sengem Switchboard), enthält d'Veraarbechtungsinformatioun vun de Schichten 1-14. D'Knäppchen (Büros) op der 15. Schicht (Buedem) benotzen d'Input- an d'Veraarbechtungsinformatioun vun all de aner Schichten (Buedem) mat enger Äntwert oder Resolutioun (Ausgab) ze kommen.
Neural Networks an Machine Learning
Neural Netzer sinn eng Zort Technik ënnert der Maschinn léieren. Tatsächlech ass d'Fortschrëtter an d'Fuerschung an d'Entwécklung vun neuréisen Neten eng enk mat den ebbs verbonnen a fléissend vun der Fortschrëtterung am ML. Neural Netze erweideren d'Datenveraarbechtungsfunktiounen an d'Rechenaufgabe vun ML erop, fir d'Volume vun Daten z'erhéijen, déi kënnen veraarbecht ginn, awer och d'Fähigkeit fir méi komplexe Aufgaben ze maachen.
Den éischten dokumentéierte Computermodell fir ANN gouf am Joer 1943 vum Walter Pitts a Warren McCulloch geschaaft. Éischt Interesse a Fuerschung an neuréileg Netzwierken a Maschinn léieren lues a lues a lues a lues a lues bis 1969 ofgeschnidden, mat nëmme kleng kleng Burscht vun erneiertem Interesse. Computer vun der Zäit einfach net séier genuch oder grouss genuch Prozessoren fir dës Gebidder weider ze maachen an déi vill Informatioun fir ML an Neural Neten ass net zur Zäit verfügbar.
Massive Erhéijunge vun der Rechenmuecht iwwer Zäit an Zesummenaarbecht mat dem Wuesstem an der Vergréisserung vum Internet (an doduerch Zougang zu massiven Mounts vun Daten iwwer dem Internet) hunn déi fréi erausfonnt. Neural Netzer an ML sinn instrumental an Technologien déi mir all Dag gesinn a benotzen, z. B. Gesiichterkennung , Bildveraarbechtung an Sich a Real-Zäit-Iwwersetzung - just nëmmen e puer ze nennen.
Neural Network Examples am All Dag
Den ANN ass e relativ komplexen Thema am Technologie, awer et ass ze vill Zäit ze kucken fir ze wëssen wat d'wuessend Zuel vu Weeër fir eis Liewen all Dag beaflosst. Hei sinn e puer méi nei Beispiller vun Weisen neurodal Netze ginn momentan vun verschidden Industrien benotzt:
- Finanzen: Neural Netzer gi benotzt fir d'Währungstheorie virzebereeden. Si ginn och an der Technologie benotzt fir automatesch Handelssystemer déi am Börse benotze sinn.
- Medizin: D'Bildveraarbechtungsfunktiounen vun den neural Netzer hunn dozou bäigedroen datt d'Technologie hëlleft méi genee fir a fréizäiteg Detectioun ze entdecken an schwéier Schwieregkeeten ze identifizéieren. Een vun dëse Kriibsstyp ass invasiv melanoma, déi schaarft a schlëmmste Form vu Hautkriibs. Melanom unzefänken op fréier Stufen, ier se et verteidegt huet, verréid de Patienten dës Kriibsstéck déi bescht Chancen fir ze schloen.
- Wiederkonditiounen: D'Kapazitéit fir eis Atmosphär z'änneren, déi e potenziell schaarfen a geféierlech Meteo esou séier wéi méiglech ass, ass wichteg fir d'Liewen ze retten. Neural Netphen sinn an der Echtzeitveraarbechtung vu Satelliten- a Radarimmobilien involviéiert, déi net nëmmen d'fréi Form vu Hurrikanen a Zyklonen erkenne, mee och plötzlëch Changementer an der Windgeschwindegkeet a Richtung erkennen, déi e formenden Tornado weisen. Tornadoes sinn e puer vun den stäerktsten an déi geféierlechst Wieder an de Rekord - oft méi plötz, zerstéierend a schwéier wéi Hurricanes.