Содержание
Нейронные сети — это компьютерные модели связанных блоков или узлов, предназначенные для передачи, обработки и изучения информации (данных) аналогично тому, как нейроны (нервные клетки) работают у людей.
Искусственные нейронные сети
В технологии нейронные сети часто называют искусственными нейронными сетями (НС) или нейронными сетями, чтобы отличать их от биологических нейронных сетей, которые они моделируют. Основная идея ANN заключается в том, что человеческий мозг — это самый сложный и интеллектуальный «компьютер», который существует. Моделируя ИНС как можно ближе к структуре и системе обработки информации, используемой мозгом, исследователи надеялись создать компьютеры, которые приблизились бы или превзошли человеческий интеллект. Нейронные сети являются ключевым компонентом современных достижений в области искусственного интеллекта (ИИ), машинного обучения (МЛ) и глубокого обучения.
Как работают нейронные сети: сравнение
Чтобы понять, как работают нейронные сети и различия между двумя типами (биологическим и искусственным), давайте рассмотрим пример 15-этажного офисного здания и телефонных линий и распределительных щитов, которые маршрутизируют звонки по всему зданию, отдельным этажам и отдельным офисам. Каждый отдельный офис в нашем 15-этажном офисном здании представляет собой нейрон (узел в компьютерной сети или нервная клетка в биологии). Само здание представляет собой структуру, содержащую набор офисов, расположенных в системе из 15 этажей (нейронная сеть).
Применяя пример к биологическим нейронным сетям, коммутатор, который принимает вызовы, имеет линии для подключения к любому офису на любом этаже во всем здании. Кроме того, в каждом офисе есть линии, которые соединяют его с любым другим офисом во всем здании на любом этаже. Представьте, что поступает вызов (вход), и коммутатор передает его в офис на 3-м этаже, который передает его непосредственно в офис на 11-м этаже, который затем напрямую передает его в офис на 5-м этаже. В мозге каждый нейрон или нервная клетка (офис) могут напрямую подключаться к любому другому нейрону в своей системе или нейронной сети (здании). Информация (вызов) может быть передана в любой другой нейрон (офис) для обработки или изучения того, что необходимо, до тех пор, пока не будет получен ответ или разрешение (выход).
Когда мы применим этот пример к ANN, он становится немного более сложным. Каждый этаж здания требует своего собственного распределительного щита, который может подключаться только к офисам на одном этаже, а также распределительных щитов на этажах выше и ниже его. Каждый офис может напрямую подключаться только к другим офисам на том же этаже и к коммутатору на этом этаже. Все новые вызовы должны начинаться с коммутатора на 1-м этаже и должны передаваться на каждый отдельный этаж в порядке номеров до 15-го этажа, прежде чем вызов может закончиться. Давайте посмотрим, как это работает.
Представьте, что вызов поступает (вводится) на коммутатор 1-го этажа и отправляется в офис на 1-м этаже (узел). Затем вызов передается непосредственно между другими офисами (узлами) на 1-м этаже, пока он не будет готов к отправке на следующий этаж. Затем вызов должен быть отправлен обратно на коммутатор 1-го этажа, который затем передает его на коммутатор 2-го этажа. Эти одни и те же шаги повторяются по одному этажу за раз, причем через этот процесс вызов отправляется на каждый этаж вплоть до 15-го этажа.
В ANN узлы (офисы) расположены в слоях (этажах здания). Информация (вызов) всегда поступает через входной слой (1-й этаж и его коммутатор) и должна передаваться и обрабатываться каждым уровнем (этажом), прежде чем он сможет перейти к следующему. Каждый уровень (этаж) обрабатывает конкретную информацию об этом вызове и отправляет результат вместе с вызовом на следующий уровень. Когда вызов достигает выходного уровня (15-й этаж и его коммутатор), он включает в себя обработку информации из слоев 1-14. Узлы (офисы) на 15-м уровне (этаже) используют ввод и обработку информации от всех других уровней (этажей), чтобы получить ответ или разрешение (вывод).
Нейронные сети и машинное обучение
Нейронные сети являются одним из видов технологий в категории машинного обучения. Фактически, прогресс в исследованиях и разработках нейронных сетей был тесно связан с приливами и оттоками прогресса в ОД. Нейронные сети расширяют возможности обработки данных и увеличивают вычислительную мощность ML, увеличивая объем данных, которые можно обрабатывать, а также способность выполнять более сложные задачи.
Первая документированная компьютерная модель для ИНС была создана в 1943 году Уолтером Питтсом и Уорреном МакКаллохом. Первоначальный интерес и исследования в области нейронных сетей и машинного обучения в конечном итоге замедлились и были более или менее отложены к 1969 году, с небольшими всплесками возобновившегося интереса. Компьютеры того времени просто не имели достаточно быстрых или достаточно больших процессоров для дальнейшего продвижения в этих областях, и огромный объем данных, необходимых для ML и нейронных сетей, не был доступен в то время.
Массовое увеличение вычислительной мощности с течением времени наряду с ростом и расширением Интернета (и, следовательно, доступа к огромным объемам данных через Интернет) решило эти первые проблемы. Нейронные сети и ML в настоящее время играют важную роль в технологиях, которые мы видим и используем каждый день, таких как распознавание лиц, обработка и поиск изображений и языковой перевод в реальном времени — и это лишь некоторые из них.
Примеры нейронных сетей в повседневной жизни
ИНС — довольно сложная тема в технологии, однако стоит уделить ей некоторое время, потому что все больше и больше она влияет на нашу жизнь каждый день. Вот еще несколько примеров того, как нейронные сети в настоящее время используются различными отраслями:
- Финансы: Нейронные сети используются для прогнозирования курсов валют. Они также используются в технологиях автоматических торговых систем, используемых на фондовом рынке.
- Медицина: Возможности нейронных сетей по обработке изображений внесли свой вклад в технологию, которая помогает более точно отследить и обнаружить на ранней стадии и трудно идентифицировать типы рака. Одним из таких видов рака является инвазивная меланома, наиболее серьезная и смертельная форма рака кожи. Выявление меланомы на ранних стадиях, до ее распространения, дает пациентам с этим типом рака наилучшие шансы победить его.
- Погода: Способность обнаруживать атмосферные изменения, которые указывают на потенциально серьезные и опасные погодные явления как можно быстрее и точнее, имеет важное значение для спасения жизней. Нейронные сети участвуют в обработке в реальном времени спутниковых и радиолокационных изображений, которые не только обнаруживают раннее образование ураганов и циклонов, но также обнаруживают внезапные изменения скорости и направления ветра, которые указывают на формирующийся торнадо. Торнадо являются одними из самых сильных и самых опасных погодных явлений в истории — часто более внезапными, разрушительными и смертельными, чем ураганы.
