Нейронные сети^{(Neural Networks)} и глубокое обучение^{(Deep Learning)} в настоящее время являются двумя популярными модными словечками, которые в настоящее время используются с искусственным интеллектом^{(Artificial Intelligence)} . Недавние разработки в мире искусственного интеллекта можно отнести к этим двум, поскольку они сыграли значительную роль в улучшении интеллекта ИИ.

Оглянитесь вокруг, и вы обнаружите вокруг все больше и больше умных машин. Благодаря нейронным сетям^{(Neural Networks)} и глубокому обучению^{(Deep Learning)} рабочие места и возможности, которые когда-то считались сильной стороной человека, теперь выполняются машинами. Сегодня Машины больше не заставляют поглощать более сложные алгоритмы, вместо этого их кормят для развития в автономную самообучающуюся систему, способную произвести революцию во многих отраслях.

Нейронные сети^{(Neural Networks)} и глубокое обучение^{(Deep Learning )} принесли огромный успех исследователям в таких задачах, как распознавание изображений, распознавание речи, поиск более глубоких связей в наборах данных. Благодаря наличию огромных объемов данных и вычислительной мощности машины могут распознавать объекты, переводить речь, обучаться распознавать сложные закономерности, учиться разрабатывать стратегии и составлять планы на случай непредвиденных обстоятельств в режиме реального времени.

Итак, как именно это работает? Знаете ли вы, что как нейтральные ^(Neutral) сети^(Networks) , так и глубокое обучение^{(Deep-Learning)} связаны между собой, на самом деле, чтобы понять глубокое^(Deep) обучение, вы должны сначала понять нейронные сети^{(Neural Networks)} ? Читайте дальше, чтобы узнать больше.

Что такое нейронная сеть

Нейронная^(Neural) сеть — это в основном шаблон программирования или набор алгоритмов, которые позволяют компьютеру учиться на данных наблюдений. Нейронная^(Neural) сеть похожа на человеческий мозг, который работает, распознавая закономерности. Сенсорные данные интерпретируются с использованием машинного восприятия, маркировки или кластеризации необработанных входных данных. Распознаваемые образы являются числовыми, заключенными в векторы, в которые транслируются такие данные, как изображения, звук, текст и т. д.

Think Neural Network! Think how a human brain function

Как упоминалось выше, нейронная сеть функционирует точно так же, как человеческий мозг; он приобретает все знания в процессе обучения. После этого синаптические веса сохраняют полученные знания. В процессе обучения синаптические веса сети преобразуются для достижения желаемой цели.

Как и человеческий мозг, нейронные сети^{(Neural Networks)} работают как нелинейные параллельные системы обработки информации, которые быстро выполняют такие вычисления, как распознавание образов и восприятие. В результате эти сети очень хорошо работают в таких областях, как распознавание речи, аудио и изображений, где входы/сигналы по своей природе нелинейны.

Проще говоря, вы можете помнить нейронную сеть как нечто, способное накапливать знания, как человеческий мозг, и использовать их для прогнозирования.^{(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 нейронных сетей

(Изображение предоставлено Mathworks)

Нейронные сети^(Networks) состоят из трех слоев,

1. Входной слой,
2. Скрытый слой и
3. Выходной слой.

Каждый слой состоит из одного или нескольких узлов, как показано на диаграмме ниже маленькими кружками. Линии между узлами указывают на поток информации от одного узла к другому. Информация течет от входа к выходу, т.е. слева направо (в некоторых случаях это может быть справа налево или в обе стороны).

Узлы входного слоя пассивны, то есть не изменяют данные. Они получают одно значение на свой вход и дублируют это значение на несколько своих выходов. При^(Whereas) этом узлы скрытого и выходного слоя активны. Таким образом, они могут изменять данные.

Во взаимосвязанной структуре каждое значение из входного слоя дублируется и отправляется на все скрытые узлы. Значения, входящие в скрытый узел, умножаются на веса, набор заранее определенных чисел, хранящихся в программе. Затем взвешенные входные данные складываются для получения единого числа. Нейронные сети могут иметь любое количество слоев и любое количество узлов на каждом уровне. Большинство приложений используют трехуровневую структуру с максимум несколькими сотнями входных узлов.

Пример нейронной сети^{(Example of Neural Network)}

Рассмотрим нейронную сеть, распознающую объекты в сигнале сонара, и в ПК хранится 5000 образцов сигнала. Компьютер должен выяснить, представляют ли эти образцы подводную лодку, кита, айсберг, морские скалы или вообще ничего? Обычные^{(Conventional DSP)} методы DSP подошли бы к этой проблеме с помощью математики и алгоритмов, таких как корреляция и анализ частотного спектра.

В то время как с нейронной сетью 5000 выборок будут переданы на входной слой, что приведет к появлению значений из выходного слоя. Выбрав правильные веса, можно настроить вывод для предоставления широкого спектра информации. Например, могут быть выходные данные для: подводная лодка (да/нет), морской камень (да/нет), кит (да/нет) и т. д.

С другими весами выходные данные могут классифицировать объекты как металлические или неметаллические, биологические или небиологические, враги или союзники и т. д. Никаких алгоритмов, никаких правил, никаких процедур; только отношение между входом и выходом, продиктованное значениями выбранных весов.

Теперь давайте разберемся с концепцией глубокого обучения.^{(Now, let’s understand the concept of Deep Learning.)}

Что такое глубокое обучение

Глубокое обучение — это в основном подмножество нейронных сетей^{(Neural Networks)} ; возможно, вы можете назвать сложную нейронную сеть^{(Neural Network)} со множеством скрытых слоев.

С технической точки зрения глубокое^(Deep) обучение также можно определить как мощный набор методов обучения в нейронных сетях. Это относится к искусственным нейронным сетям ( ИНС^(ANN) ), которые состоят из множества слоев, массивных наборов данных, мощного компьютерного оборудования, чтобы сделать возможной сложную модель обучения. Он содержит класс методов и приемов, в которых используются искусственные нейронные сети с несколькими уровнями все более богатой функциональности.

Структура сети глубокого обучения^{(Structure of Deep learning network)}

Сети глубокого^(Deep) обучения в основном используют архитектуру нейронных сетей, поэтому их часто называют глубокими нейронными сетями. Использование работы «глубоко» относится к количеству скрытых слоев в нейронной сети. Обычная нейронная сеть содержит три скрытых слоя, в то время как в глубоких сетях их может быть до 120-150.

Глубокое ^(Deep) обучение^(Learning) включает в себя передачу компьютерной системе большого количества данных, которые она может использовать для принятия решений относительно других данных. Эти данные передаются через нейронные сети, как в случае с машинным обучением. Сети глубокого^(Deep) обучения могут изучать функции непосредственно из данных без необходимости ручного извлечения функций.

Примеры глубокого обучения^{(Examples of Deep Learning)}

Глубокое обучение в настоящее время используется практически во всех отраслях, начиная от автомобилестроения^(Automobile) , аэрокосмической промышленности^(Aerospace) и автоматизации^(Automation) и заканчивая медициной^(Medical) . Вот некоторые из примеров.

• Google , Netflix и Amazon : Google использует его в своих алгоритмах распознавания голоса и изображений. Netflix и Amazon также используют глубокое обучение, чтобы решить, что вы хотите посмотреть или купить в следующий раз.
• Вождение без водителя: исследователи используют сети глубокого обучения для автоматического обнаружения таких объектов, как знаки остановки и светофоры. Глубокое^(Deep) обучение также используется для обнаружения пешеходов, что помогает снизить количество аварий.
• Аэрокосмическая промышленность и оборона: Глубокое обучение используется для идентификации объектов со спутников, которые определяют интересующие области и определяют безопасные или небезопасные зоны для войск.
• Благодаря Deep Learning Facebook автоматически находит и отмечает^(Facebook) друзей на ваших фотографиях. Skype может переводить разговорные сообщения в режиме реального времени и довольно точно.
• Медицинские исследования: медицинские исследователи используют глубокое обучение для автоматического обнаружения раковых клеток
• Промышленная автоматизация^{(Industrial Automation)} . Глубокое обучение помогает повысить безопасность рабочих при работе с тяжелой техникой, автоматически определяя, когда люди или объекты находятся на небезопасном расстоянии от машин.
• Электроника: Глубокое^(Deep) обучение используется в автоматизированном слухе и переводе речи.

Прочтите^(Read) : что такое машинное обучение и глубокое обучение^{(Machine Learning and Deep Learning)} ?

Вывод^(Conclusion)

Концепция нейронных сетей^{(Neural Networks)} не нова, и исследователи добились умеренных успехов за последнее десятилетие или около того. Но настоящим переломным моментом стала эволюция глубоких^(Deep) нейронных сетей.

Превзойдя традиционные подходы к машинному обучению, он продемонстрировал, что глубокие нейронные сети могут быть обучены и испытаны не только несколькими исследователями, но и могут быть приняты многонациональными технологическими компаниями, чтобы в ближайшем будущем предложить лучшие инновации.

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 Application Powered на Machine Learning

• Что Machine Learning and Deep Learning в Artificial Intelligence

• Как установить Drupal с помощью WAMP на Windows

• Best Software & Hardware Bitcoin Wallets для Windows, iOS, Android

• Setup Internet Radio Station бесплатно на Windows PC

• Что такое «чип и PIN» или карты EMV Credit

• Этот аккаунт не связан с ним Mixer account

• Что означает NFT и как создать NFT Digital Art?

• Как Encrypt и добавьте пароли до документов LibreOffice

• Лучшие инструменты для отправки SMS бесплатно с вашего компьютера

• Video Этикет конференц-связи, советы и правила, которые вам нужно следовать

• Что такое Blue Whale Challenge Dare Game

• Разница между Analog, Digital and Hybrid computers

• Бесплатный Task Management Software для управления совместной работой

• Как создать Самозаверяющие SSL Certificates в Windows 10

• Как закрыть ваш Payoneer Account?

• Как сделать Invitation Card в Windows PC

• Disqus comment коробка не загружается или показ на веб-сайт

• Что такое Data Analytics и что он используется для

• Произошла ошибка при проверке на обновлениях в VLC