Creërend Programma's die leren

  De kunstmatige intelligentie ligt centraal bij dramatische vooruitgang in automobiel, gezondheidszorg, industriële systemen, en een uitbreidend aantal toepassingsgebieden. Aangezien de rente blijft toenemen, heeft de aard van AI wat verwarring en zelfs vrees over de groeiende rol van AI in het dagelijkse leven onthuld. Het type van AI dat een stijgend aantal slimme producten toelaat bouwt op ongecompliceerde maar niet alledaagse techniekmethodes om voort mogelijkheden te leveren ver verwijderde uit beschaving-beëindigende AI van science fiction.

  De definities van AI strekken zich van zijn uit het meest vooruit:gaan-en nog conceptuele vorm, waar de machines in gedrag, aan een vertrouwdere vorm menselijk-als zijn waar de machines worden opgeleid om specifieke taken uit te voeren. In zijn meest geavanceerde vorm, zouden de ware kunstmatige intelligenties zonder de expliciete richting en de controle van mensen om onafhankelijk bij één of andere conclusie werken aan te komen of één of andere actie te voeren enkel aangezien een mens zou kunnen. Op het meer huisvriend techniek-georiënteerde eind van het AI spectrum, verstrekken de machine-lerende (ml) methodes typisch de computerstichting voor huidige AI toepassingen. Deze methodes produceren reacties op inputgegevens met indrukwekkende die snelheid en nauwkeurigheid zonder code uitdrukkelijk te gebruiken wordt geschreven om die reacties te verstrekken. Terwijl de softwareontwikkelaars code aan procesgegevens in conventionele systemen schrijven, ml-modelleert het gegeven van het ontwikkelaarsgebruik om ml-algoritmen zoals kunstmatig neuraal netwerk te onderwijzen om gewenste reacties op gegevens te produceren.
Hoe wordt een fundamenteel neuraal netwerkmodel gebouwd?
Onder de vertrouwdste types van machine die leren, gaan de neurale netwerkmodellen gegevens van hun inputlaag door verborgen lagen aan een outputlaag (over Figuur 1). Zoals beschreven, worden de verborgen lagen opgeleid om een reeks van transformationsthat uit te voeren halen de eigenschappen nodig om tussen verschillende klassen van inputgegevens onderscheid te maken. Deze transformaties culmineren binnen
de waarden laadden in de outputlaag, waar elke outputeenheid een waarde verstrekt die de waarschijnlijkheid vertegenwoordigen dat de inputgegevens in een bepaalde klasse behoren. Met deze benadering, kunnen de ontwikkelaars gegevens zoals beelden of sensormetingen classificeren gebruikend een aangewezen neurale netwerkarchitectuur.

  De neurale netwerkarchitectuur neemt vele vormen, die zich van het eenvoudige type van feedforward neuraal die netwerk uitstrekken in Figuur 1 aan diepe neurale die netwerken (DNNs) wordt getoond met verscheidene verborgen lagen en individuele lagen worden gebouwd die honderdduizenden neuronen bevatten. Niettemin, bouwt de verschillende architectuur typisch op een kunstmatige neuroneneenheid voort met veelvoudige input en één enkele output (Figuur 2). Figuur 1: De neurale netwerken bestaan uit lagen kunstmatige die neuronen worden opgeleid om tussen de verschillende klassen van inputgegevens onderscheid te maken. (Bron: aangepast van Wikipedia)

Figuur 2: Een kunstmatig die neuron veroorzaakt een output op een actiationfunctie wordt gebaseerd die werkt

op de som gewogen nouron imputs. (Bron: Wikipedia)

In een feedforward neuraal netwerk, telt een bepaald neuron n, in verborgen laag zijn die input, x op, door een input-specifiek gewicht wp wordt aangepast en voegt een laag-specifieke die bias factor B (niet in het cijfer wordt getoond) als toe fllows:

  Tot slot wordt de opgetelde waarden omgezet in één enkele waardeoutput door een activeringsfunctie. Afhankelijk van vereisten, kunnen deze functies vele vormen, zoals een eenvoudige stapfunctie, een boograaklijn, of een niet-lineaire afbeelding zoals een gerectificeerde lineaire eenheid (ReLU) nemen, welke output 0 voor S0<>.

Hoewel zij allen worden ontworpen om de onderscheidende eigenschappen van gegevens te halen, zou de verschillende architectuur beduidend verschillende transformaties kunnen gebruiken. Bijvoorbeeld, kronkel neurale die netwerken (CNNs) in van het beeld-erkenning de pitwindingen toepassingengebruik worden gebruikt. In dit, functies, voeren de genoemd pitten, windingen op het inputbeeld uit om het in eigenschapkaarten om te zetten. De verdere lagen voeren meer windingen of andere functies, verdere halende en omzettende eigenschappen uit tot het CNN-model een gelijkaardige output van de classificatiewaarschijnlijkheid zoals in eenvoudigere neurale netwerken produceert. Nochtans, voor ontwikkelaars die, is de onderliggende wiskunde voor populaire neurale netwerkarchitectuur grotendeels transparant wegens de beschikbaarheid van ml-ontwikkelingshulpmiddelen (elders in deze kwestie worden besproken). Gebruikend die hulpmiddelen, kunnen de ontwikkelaars een neuraal netwerkmodel vrij gemakkelijk uitvoeren en beginnen opleidend het gebruikend een reeks gegevens genoemd de opleidingsreeks. Deze reeks van opleidingsgegevens omvat een representatieve reeks gegevensobservaties en correcte casification voor elke observatie en vertegenwoordigt één van de opwindendere aspecten van neurale netwerk modelontwikkeling.

Hoe wordt een neuraal netwerkmodel opgeleid en opgesteld?

  In het verleden, hadden de ontwikkelaars die opleidings tot reeksen leiden ltte optie maar om door vele die duizenden observaties te werken in een typische reeks worden vereist, manueel etiketterend elke observatie met zijn correcte naam. Bijvoorbeeld, om een opleidingsreeks voor een toepassing van de verkeerstekenerkenning te creëren, zij

behoefte om beelden van verkeersteken te bekijken en elk beeld met de correcte tekennaam te etiketteren. De openbare domeinreeksen vooraf gemarkeerde gegevens laten vele machine-lerende onderzoekers deze taak vermijden en zich bij de algoritmeontwikkeling concentreren. Voor de toepassingen van productieml, echter, kan de etiketteringstaak van een significante uitdaging blijk geven. Het geavanceerde ml-ontwikkelaarsgebruik trainde vaak modellen in a vooraf

proces geroepen overdracht die leren helpen dit probleem verlichten.