Im Gehirn ist ein neuronales Netzwerk ein Schaltkreis von Neuronen verbunden durch chemische und/oder elektrische Impulse. Neuronen verwenden diese Signale, um miteinander zu kommunizieren, um eine bestimmte Funktion oder Handlung auszuführen, zum Beispiel eine kognitive Aufgabe wie Denken, Erinnern und Lernen.

Das Neuron sendet ein elektrisches Signal durch sein Axon oder Nervenfaser. Das Ende des Axons hat viele Verzweigungen, sogenannte Dendriten. Wenn das Signal die Dendriten erreicht, werden Chemikalien, sogenannte Neurotransmitter, in die Lücke zwischen den Zellen freigesetzt. Die Zellen auf der anderen Seite der Lücke enthalten Rezeptoren, an denen die Neurotransmitter binden, um auszulösenVeränderungen in den Zellen.

Manchmal bewirken Neurotransmitter, dass ein elektrisches Signal durch die Empfangszelle übertragen wird. Andere können das Weiterleiten des Signals blockieren und verhindern, dass die Nachricht an andere Nervenzellen weitergegeben wird.

Auf diese Weise können viele Neuronen miteinander kommunizieren und große Gehirnnetzwerke bilden.

Nun, so funktionieren biologische neuronale Netze. Wenn wir darüber sprechen, dann deshalb, weil es wichtig ist, die grundlegende Funktionsweise biologischer neuronaler Netze zu verstehen, um den Ursprung und die Funktionsweise künstlicher neuronaler Netze zu erklären – ein knotenbasiertes ComputingSystem, das die Neuronen im menschlichen Gehirn imitiert, um Maschinen zu helfenlernen.

Was ist also ein neuronales Netzwerk beim maschinellen Lernen?

Wenn Sie einen Computer für etwas programmieren würden, würde der Computer immer dasselbe tun. Er würde auf bestimmte Situationen so reagieren, wie Sie es ihm „gesagt“ haben. Das ist, was ein Algorithmus ist: eine Reihe von Anweisungen, um eine bestimmte Aufgabe zu lösenso ein problem.

Aber es gibt Einschränkungen bei den Anweisungen, die Menschen in einem Code niederschreiben können. Wir können einen einfachen Code nicht verwenden, um einem Computer beizubringen, wie er die natürliche Sprache interpretiert oder Vorhersagen trifft, im Endeffekt, wie er „denkt“.selbst. Dies liegt daran, dass ein Code nicht groß genug sein kann, um alle möglichen Situationen abzudecken, wie z.wir wird basierend darauf reichen.

Ein Computer ist jedoch nicht in der Lage, anders oder richtig auf diese besonderen Bedingungen zu reagieren, weil er einfach nicht oder kann nicht haben vorkonfigurierte spezifische Antworten darauf.Aber was wäre, wenn es sie selbst herausfinden könnte?Dafür ist maschinelles Lernen da – um Computer zu „trainieren“, aus Daten zu lernen und Vorhersagefähigkeiten und Entscheidungsfähigkeiten zu entwickeln.

Neuronale Netze, auch bekannt als künstliche neuronale Netze ANNs oder simulierte neuronale Netze SNNs, sind eine Art von maschinelles Lernen . Ihr Design ist inspiriert von der Art und Weise, wie biologische Neuronen sich gegenseitig Signale senden.

In künstlichen neuronalen Netzen sind die Gegenstücke zu biologischen Neuronen Schichten miteinander verbundener Knoten, die Signale an andere Knoten übertragen und Informationen aus der Datenanalyse verwenden, um eine Ausgabe zu liefern.

Künstliche neuronale Netze haben drei Arten von Schichten:

• Eingabeschichten, wo die Eingabedaten platziert werden;
  
  
• Versteckte Schichten, wo die Verarbeitung durch gewichtete Verbindungen erfolgt;
  
  
• Ausgangsschichten, wo die Antwort auf die „Stimuli“ geliefert wird.

  

Jeder einzelne Knoten nimmt Daten auf und weist ihnen ein Gewicht zu, wodurch sie mehr oder weniger wichtig sind. Stärker gewichtete Daten tragen im Vergleich zu anderen Daten mehr zum Output bei. Wenn die Ausgabedaten einen bestimmten Schwellenwert überschreiten, „feuert“ es den Knoten und leitet die Daten an die nächste Schicht im Netzwerk weiter.

Deep Neural Networks und Deep Learning

Wenn neuronale Netze mehr als eine verborgene Schicht haben, um die Eingabedaten zu verarbeiten, können sie komplexere Aufgaben lernen, weil sie mehr „Neuronen“ haben, um diese Daten durch alle verborgenen Schichten zusammen zu verarbeiten. Diese mehrschichtigen neuronalen Netze werden als tiefe neuronale Netze und was sie tun heißt tiefes Lernen.

Wir können es mit dem vergleichen, was das Gehirn eines 3-jährigen Kindes weiß, mit dem, was das Gehirn eines 30-jährigen Erwachsenen weiß. Das Kleinkind ist vielleicht genauso schlau wie der Erwachsene, aber nicht so erfahren wie derErwachsene hat nicht so viele Daten, daher hat sie nicht so viele Informationen oder Informationsverarbeitungsfähigkeiten wie die Erwachsene, wenn sie versucht, Probleme zu lösen.

Genau aus diesem Grund müssen neuronale Netze trainiert werden. Sie müssen mit großen Datensätzen gespeist werden, damit das Netz die geeignete Gewichtung finden kann, um die Eingaben den Ausgaben am besten zuzuordnen. Neuronale Netze tun dies, indem sie Optimierungsalgorithmen wie Gradienten anwendenRückwärtsausbreitung.

Auf diese Weise kann Deep Learning sogar die menschliche Genauigkeit übertreffen, da es riesige Datenmengen sichten und sortieren kann.

So wie wir unsere Schulen je nach Wissensstand der Schüler auf jeder Stufe in verschiedene Klassen eingeteilt haben, bauen tiefe neuronale Netze unterschiedliche Ebenen hierarchischen Wissens in ihren Schichten auf. Sie können beispielsweise Informationen über Grundformen in ihrer Initiale speichernEbene und am Ende ein Objekt vollständig erkennenund seine Eigenschaften in der Ausgabeschicht.

Deep Neural Networks und Deep Learning sind beides Teilbereiche des maschinellen Lernens.

Was sind Convolutional Neural Networks?

Convolutional Neural Networks CNNs sind eine Klasse von künstlichen neuronalen Netzen, die Konnektivitätsmuster verwenden, um Pixeldaten zu verarbeiten. Tatsächlich werden Convolutional Neural Networks hauptsächlich für Bilderkennungs- und Klassifizierungsaufgaben verwendet, weil sie dafür ausgelegt sind, besonders gut zu sein.

Sie verwenden normalerweise Matrizenmultiplikation, um Muster innerhalb von Bildern zu erkennen, wofür sie viel Rechenleistung und Training erfordern. Sie haben drei Arten von Schichten:

• Faltungsschicht, die die Faltung —die Suche nach bestimmten Merkmalen im Eingangsbild durch Merkmalsdetektoren, die als Filter bezeichnet werden.
  
  
• Pooling-Layer, bei dem die Abmessungen der Feature-Karten verkleinert werden, während ihre wichtigen Eigenschaften erhalten bleiben. Dies reduziert die Anzahl der Parameter und Berechnungen, die durchgeführt werden müssen, wodurch die Effizienz verbessert wird.
  
  
• Vollständig verbundene Schicht, bei der alle Knoten und Eingaben aus allen Schichten verbunden, gewichtet und aktiviert sind und die Klassifizierung erfolgt. Dies kann auch vorangestellt sein oder eine gleichgerichtete lineare Einheitsschicht enthalten. Diese ersetzt alle als Eingaben empfangenen negativen Werte durchNullen und fungiert als Aktivierungsfunktion.

  

Was sind rekurrente neuronale Netze?

Recurrent Neural Networks RNN sind eine Art künstliches neuronales Netzwerk, das auf die Verarbeitung sequenzieller Zeitreihendaten spezialisiert ist. Ihr Deep-Learning-Algorithmus wurde entwickelt, um zeitliche Probleme zu lösen, wie sie bei der Spracherkennung, Verkaufsprognosen und der automatischen Bildunterschrift auftreten.

Wiederkehrende neuronale Netze nehmen Informationen aus früheren Eingaben und wenden diese auf aktuelle Ein- und Ausgaben an. Während traditionelle neuronale Netze Ein- und Ausgaben haben, die voneinander unabhängig sind, hängt die Ausgabe von rekurrenten neuronalen Netzen von den anderen Elementen in der Sequenz ab.

Dieser Ansatz wird in der Spracherkennung verwendet, da menschliche Sprachen mit Wortfolgen und nicht mit einzelnen Wörtern arbeiten. Um Sprache zu interpretieren, müssen rekurrente neuronale Netze also ganze Sätze „verstehen“ und nicht nur einzelne Wörter.

Zum Beispiel in der Reihenfolge für den idiomatischen Ausdruck, „jemandem die kalte Schulter zeigen“, um Sinn zu machen, muss jedes Wort in einer bestimmten Reihenfolge ausgedrückt werden. Damit ein wiederkehrendes Netzwerk diese Redewendung genau interpretieren kann, muss es die Position jedes Wortes berücksichtigen und diese dann verwendenInformationen, um das nächste Wort in der Folge vorherzusagen.

Warum sind neuronale Netze wichtig?

Alle Arten von neuronalen Netzen können die Leistungsfähigkeit der künstlichen Intelligenz auf ihre eigene Weise auf die nächste Stufe heben. Generell sind sie wichtig, weil sie in vielen Bereichen Anwendung finden. Beispielsweise werden sie in der Luft- und Raumfahrtindustrie zur Verbesserung der Fehlerdiagnose eingesetztund Autopilot in Luft- und Raumfahrzeugen. In der Medizin können Convolutional Neural Networks helfen medizinische Diagnose durch die Verarbeitung und den Vergleich medizinischer Bildgebungsdaten z. B. Röntgen, CT oder Ultraschall.

Neuronale Netze finden auch Anwendungen in Sicherheitssystemen, z. B. Gesichtserkennungssysteme die ein erkanntes Gesicht mit den in der Datenbank vorhandenen vergleichen, um die Person zu identifizieren, Unterschriftsprüfung hauptsächlich verwendet, um Fälschungen in Banken und anderen Finanzinstituten zu vermeiden usw. Sie ermöglichen es selbstfahrenden Autos, auf den Straßen zu navigieren, Fußgänger und andere Fahrzeuge zu erkennen und Entscheidungen zu treffen.

Aufgrund ihrer Vorhersagefähigkeiten werden neuronale Netze auch in Wettervorhersagen und Börsenprognosen verwendet.

Aber neuronale Netze sind auch in der einfachsten, alltäglichen Technologie zu finden, die wir heute haben. Beispielsweise verwendet Google Translate ein neuronales maschinelles Übersetzungssystem, um ganze Sätze mit zunehmender Genauigkeit verarbeiten und übersetzen zu können. Apples Siri verwendet aDeep Neural Network, um den Sprachbefehl zu erkennen, der es aktiviert Hey Siri, sowie die darauf folgende Sprache.

Neuronale Netze sind wegen ihrer Effizienz nützlich. Außerdem bergen sie ein großes technologisches Potenzial, wenn sie an Größe und Problemlösungsfähigkeiten wachsen.