מדריך לרשת עצבית מלאכותית מספק מושגים בסיסיים ומתקדמים של ANNs. הדרכה לרשת עצבית מלאכותית שלנו פותחה למתחילים כמו גם למקצועות.

המונח 'רשת עצבית מלאכותית' מתייחס לתת-תחום בהשראה ביולוגית של בינה מלאכותית שעוצב על פי המוח. רשת עצבים מלאכותית היא בדרך כלל רשת חישובית המבוססת על רשתות עצביות ביולוגיות הבונות את מבנה המוח האנושי. בדומה למוח אנושי יש נוירונים המחוברים זה לזה, לרשתות עצביות מלאכותיות יש גם נוירונים המקושרים זה לזה בשכבות שונות של הרשתות. נוירונים אלה ידועים כצמתים.

מבנה java

הדרכה לרשת עצבית מלאכותית מכסה את כל ההיבטים הקשורים לרשת העצבית המלאכותית. במדריך זה, נדון ב-ANN, תיאוריית תהודה אדפטיבית, מפת ארגון עצמי של Kohonen, אבני בניין, למידה ללא פיקוח, אלגוריתם גנטי וכו'.

מהי רשת עצבית מלאכותית?

התנאי ' רשת עצבית מלאכותית נגזר מרשתות עצביות ביולוגיות המפתחות את המבנה של מוח אנושי. בדומה למוח האנושי שיש בו נוירונים המחוברים זה לזה, לרשתות עצביות מלאכותיות יש גם נוירונים המחוברים זה לזה בשכבות שונות של הרשתות. נוירונים אלה ידועים כצמתים.

האיור הנתון ממחיש את הדיאגרמה האופיינית של רשת עצבית ביולוגית.

הרשת העצבית המלאכותית הטיפוסית נראית בערך כמו הדמות הנתונה.

דנדריטים מרשת עצבים ביולוגית מייצגים תשומות ברשתות עצביות מלאכותיות, גרעין התא מייצג צמתים, סינפסה מייצגת משקולות, ואקסון מייצג פלט.

הקשר בין רשת עצבים ביולוגית לרשת עצבית מלאכותית:

א רשת עצבית מלאכותית בשדה של בינה מלאכותית שבו היא מנסה לחקות את רשת הנוירונים מרכיבה את המוח האנושי, כך שלמחשבים תהיה אפשרות להבין דברים ולקבל החלטות בצורה כמו אנושית. הרשת העצבית המלאכותית מתוכננת על ידי תכנות מחשבים כך שינהגו בפשטות כמו תאי מוח מחוברים זה לזה.

ישנם כ-1000 מיליארד נוירונים במוח האנושי. לכל נוירון יש נקודת אסוציאציה אי שם בטווח של 1,000 ו-100,000. במוח האנושי, נתונים מאוחסנים בצורה כזו שיוכלו להפיץ, ואנו יכולים לחלץ יותר מחלק אחד של נתונים אלה בעת הצורך מהזיכרון שלנו במקביל. אנו יכולים לומר שהמוח האנושי מורכב ממעבדים מקבילים מדהימים להפליא.

אנחנו יכולים להבין את הרשת העצבית המלאכותית עם דוגמה, לשקול דוגמה של שער לוגי דיגיטלי שלוקח קלט ונותן פלט. שער 'OR', שלוקח שתי כניסות. אם אחת הכניסות או שתיהן 'פועלת', אז נקבל 'פועל' בפלט. אם שתי הכניסות הן 'כבוי', אז נקבל 'כבוי' בפלט. כאן הפלט תלוי בקלט. המוח שלנו לא מבצע את אותה משימה. התפוקות ליחסי תשומות ממשיכות להשתנות בגלל הנוירונים במוח שלנו, שהם 'לומדים'.

הארכיטקטורה של רשת עצבית מלאכותית:

כדי להבין את הרעיון של הארכיטקטורה של רשת עצבית מלאכותית, עלינו להבין ממה מורכבת רשת עצבית. על מנת להגדיר רשת עצבית המורכבת ממספר רב של נוירונים מלאכותיים, המכונים יחידות המסודרות ברצף של שכבות. הבה נבחן סוגים שונים של שכבות הזמינות ברשת עצבית מלאכותית.

רשת עצבים מלאכותית מורכבת בעיקר משלוש שכבות:

שכבת קלט:

כפי שהשם מרמז, הוא מקבל קלט בכמה פורמטים שונים שסופק על ידי המתכנת.

שכבה נסתרת:

השכבה הנסתרת מציגה בין שכבות קלט ופלט. הוא מבצע את כל החישובים כדי למצוא תכונות ודפוסים נסתרים.

שכבת פלט:

הקלט עובר סדרה של טרנספורמציות באמצעות השכבה הנסתרת, מה שמביא לבסוף לפלט המועבר באמצעות שכבה זו.

הרשת העצבית המלאכותית לוקחת קלט ומחשבת את הסכום המשוקלל של התשומות וכוללת הטיה. חישוב זה מיוצג בצורה של פונקציית העברה.

היא קובעת שהסכום המשוקלל מועבר כקלט לפונקציית הפעלה כדי לייצר את הפלט. פונקציות ההפעלה בוחרות אם צומת צריך להפעיל או לא. רק מי שמפוטר מגיע לשכבת הפלט. ישנן פונקציות הפעלה ייחודיות שניתן ליישם על סוג המשימה שאנו מבצעים.

דיאגרמת מחלקות java

היתרונות של רשת עצבית מלאכותית (ANN)

יכולת עיבוד מקבילי:

לרשתות עצביות מלאכותיות יש ערך מספרי שיכול לבצע יותר ממשימה אחת בו זמנית.

אחסון נתונים בכל הרשת:

נתונים המשמשים בתכנות מסורתיות מאוחסנים על כל הרשת, לא על מסד נתונים. היעלמות של כמה פיסות נתונים במקום אחד לא מונעת מהרשת לפעול.

יכולת לעבוד עם ידע לא שלם:

לאחר אימון ANN, המידע עשוי להפיק פלט גם עם נתונים לא מספקים. אובדן הביצועים כאן מסתמך על המשמעות של נתונים חסרים.

בעל הפצת זיכרון:

עבור ANN היא להיות מסוגלת להסתגל, חשוב לקבוע את הדוגמאות ולעודד את הרשת בהתאם לתפוקה הרצויה על ידי הדגמת דוגמאות אלו לרשת. רצף הרשת עומד ביחס ישר למופעים שנבחרו, ואם האירוע אינו יכול להופיע לרשת על כל היבטיו, הוא עלול לייצר פלט שקרי.

בעל סובלנות תקלות:

סחיטה של ​​תא אחד או יותר של ANN אינה אוסרת עליו לייצר פלט, ותכונה זו הופכת את הרשת לסובלנות לתקלות.

החסרונות של רשת עצבית מלאכותית:

הבטחת מבנה רשת תקין:

אין הנחיה מסוימת לקביעת המבנה של רשתות עצבים מלאכותיות. מבנה הרשת המתאים מתבצע באמצעות ניסיון, ניסוי וטעייה.

התנהגות לא מזוהה של הרשת:

זה הנושא הכי משמעותי של ANN. כאשר ANN מייצרת פתרון בדיקה, היא אינה מספקת תובנה לגבי מדוע וכיצד. זה מקטין את האמון ברשת.

תלות בחומרה:

כיצד ליצור מערך ב-java

רשתות עצביות מלאכותיות זקוקות למעבדים בעלי כוח עיבוד מקביל, לפי המבנה שלהם. לכן, מימוש הציוד תלוי.

קושי להציג את הבעיה לרשת:

ANNs יכולים לעבוד עם נתונים מספריים. יש להמיר בעיות לערכים מספריים לפני הצגתן ל-ANN. מנגנון המצגת שייפתר כאן ישפיע ישירות על ביצועי הרשת. זה מסתמך על היכולות של המשתמש.

משך הרשת אינו ידוע:

הרשת מצטמצמת לערך ספציפי של השגיאה, וערך זה אינו נותן לנו תוצאות מיטביות.

מדע רשתות עצבים מלאכותיות שנכנסו לעולם באמצע שנות ה-20^ה'המאה מתפתחים באופן אקספוננציאלי. בזמן הנוכחי, חקרנו את היתרונות של רשתות עצביות מלאכותיות ואת הבעיות שנתקל בהן במהלך השימוש בהן. אין להתעלם מכך שהחסרונות של רשתות ANN, שהן ענף מדעי פורח, מתבטלות בנפרד, והיתרונות שלהן גדלים מיום ליום. המשמעות היא שרשתות עצבים מלאכותיות יהפכו לחלק בלתי ניתן להחלפה בחיינו וחשובות בהדרגה.

כיצד פועלות רשתות עצבים מלאכותיות?

רשת עצבית מלאכותית יכולה להיות מיוצגת בצורה הטובה ביותר כגרף מכוון משוקלל, שבו הנוירונים המלאכותיים יוצרים את הצמתים. ניתן לראות את הקשר בין פלטי הנוירונים לכניסות הנוירונים כקצוות המכוונים עם משקולות. הרשת העצבית המלאכותית מקבלת את אות הקלט מהמקור החיצוני בצורה של תבנית ותמונה בצורה של וקטור. כניסות אלה מוקצות אז מתמטית על ידי הסימונים x(n) עבור כל n מספר כניסות.

לאחר מכן, כל אחד מהקלט מוכפל במשקלים המתאימים לו (משקולות אלו הם הפרטים המשמשים את הרשתות העצבים המלאכותיות כדי לפתור בעיה ספציפית). באופן כללי, משקלים אלה מייצגים בדרך כלל את עוצמת החיבור בין נוירונים בתוך הרשת העצבית המלאכותית. כל התשומות המשוקללות מסוכמות בתוך יחידת המחשוב.

אם הסכום המשוקלל שווה לאפס, אז מתווספת הטיה כדי להפוך את הפלט ללא אפס או משהו אחר כדי להגדיל את התגובה של המערכת. להטיה יש את אותו קלט, ומשקל שווה ל-1. כאן סך התשומות המשוקללות יכול להיות בטווח של 0 עד אינסוף חיובי. כאן, כדי לשמור על התגובה בגבולות הערך הרצוי, ערך מרבי מסוים מסומן, וסך כל התשומות המשוקללות מועבר דרך פונקציית ההפעלה.

js settimeout

פונקציית ההפעלה מתייחסת לקבוצת פונקציות ההעברה המשמשות להשגת הפלט הרצוי. יש סוג אחר של פונקציית ההפעלה, אבל בעיקר קבוצות ליניאריות או לא ליניאריות של פונקציות. חלק מהקבוצות הנפוצות של פונקציות ההפעלה הן פונקציות ההפעלה הסיגמואידלית בינארית, ליניארית ו-Tan היפרבולית. הבה נסתכל על כל אחד מהם בפירוט:

בינארי:

בפונקציית הפעלה בינארית, הפלט הוא אחד או 0. כאן, כדי להשיג זאת, מוגדר ערך סף. אם הקלט המשוקלל נטו של נוירונים הוא יותר מ-1, אז הפלט הסופי של פונקציית ההפעלה מוחזר כאחד או שהפלט מוחזר כ-0.

היפרבולי סיגמואידי:

פונקציית ההיפרבולה הסיגמואידית נתפסת בדרך כלל כ' ס עקומה בצורת. כאן נעשה שימוש בפונקציה ההיפרבולית tan כדי להעריך את הפלט מהקלט הנטו בפועל. הפונקציה מוגדרת כך:

F(x) = (1/1 + exp(-????x))

איפה ???? נחשב לפרמטר תלילות.

סוגי רשתות עצביות מלאכותיות:

ישנם סוגים שונים של רשתות עצביות מלאכותיות (ANN) בהתאם לנוירון המוח האנושי ולפונקציות הרשת, רשת עצבית מלאכותית מבצעת באופן דומה משימות. לרוב הרשתות העצביות המלאכותיות יהיו קווי דמיון עם שותף ביולוגי מורכב יותר והן יעילות מאוד במשימות הצפויות שלהן. לדוגמה, פילוח או סיווג.

משוב ANN:

בסוג זה של ANN, הפלט חוזר לרשת כדי להשיג את התוצאות המפותחות ביותר באופן פנימי. לפי ה אוניברסיטת מסצ'וסטס , מרכז לואל לחקר אטמוספירה. רשתות המשוב מחזירות מידע לעצמן ומתאימות היטב לפתרון בעיות אופטימיזציה. תיקוני השגיאות הפנימיות של המערכת משתמשים ב-ANN משוב.

היזון קדימה ANN:

תְנַאִי מוּקדָם

אין צורך במומחיות ספציפית כתנאי מוקדם לפני תחילת הדרכה זו.

קהל

הדרכה לרשת עצבית מלאכותית שלנו פותחה למתחילים כמו גם למקצוענים, כדי לעזור להם להבין את הרעיון הבסיסי של ANNs.

בעיות

אנו מבטיחים לך שלא תמצא שום בעיה במדריך זה של רשת עצבית מלאכותית. אבל אם יש בעיה או טעות כלשהי, אנא פרסם את הבעיה בטופס יצירת הקשר כדי שנוכל לשפר אותה עוד יותר.