Apa itu Jaringan Saraf Tiruan dengan kata-kata sederhana [tertutup]

Bisakah Anda jelaskan jaringan saraf dengan kata - kata sederhana dengan sebuah contoh?

Jaringan saraf adalah kelas sistem komputasi. Mereka dibuat dari node pemrosesan yang sangat sederhana yang dibentuk menjadi jaringan. Mereka diilhami oleh cara sistem biologis seperti otak bekerja, meskipun banyak perintah yang besarnya tidak begitu rumit saat ini.

Mereka pada dasarnya adalah sistem pengenalan pola dan cenderung lebih berguna untuk tugas-tugas yang dapat dijelaskan dalam hal pengenalan pola. Mereka 'dilatih' dengan memberi mereka makan dengan set data dengan output yang diketahui.

Sebagai contoh bayangkan bahwa Anda sedang mencoba untuk melatih jaringan untuk menghasilkan 1 ketika diberi gambar kucing dan 0 ketika melihat gambar yang bukan kucing. Anda akan melatih jaringan dengan menjalankan banyak gambar kucing melewatinya dan menggunakan algoritma untuk mengubah parameter jaringan hingga memberikan respons yang benar. Parameter biasanya berupa kenaikan pada setiap input dan bobot pada setiap node serta struktur aktual jaringan (berapa banyak node, dalam berapa banyak layer, dengan interkoneksi apa).

Mengenali gambar-gambar kucing sebenarnya adalah masalah yang cukup kompleks dan akan membutuhkan jaringan saraf yang kompleks (mungkin dimulai dengan satu simpul per piksel). Titik awal yang biasa untuk bereksperimen dengan jaringan saraf adalah untuk mencoba dan mengimplementasikan gerbang logika sederhana, seperti DAN, ATAU, BUKAN dll sebagai jaring saraf.

Jaringan saraf dapat menjadi cara yang sangat cepat untuk mencapai hasil yang kompleks. Mereka sangat menarik untuk penelitian AI karena mereka adalah model untuk otak hewan.

Salah satu kelemahan utama dari jaringan saraf adalah sangat sulit untuk merekayasa baliknya. Jika jaringan Anda memutuskan satu gambar gajah tertentu sebenarnya adalah kucing, Anda tidak dapat benar-benar menentukan 'mengapa' dalam arti yang berguna. Yang dapat Anda lakukan adalah mencoba melatih / mengubah jaringan lebih jauh.

Jaringan saraf cenderung digunakan untuk tugas-tugas yang terbatas seperti pengakuan koin / uang kertas di mesin penjual otomatis, atau cacat bercak pada jalur produksi.

Tempat terbaik untuk memulai jika Anda tertarik mungkin ke google 'perceptron' yang merupakan nama untuk salah satu elemen jaringan saraf yang paling awal.

Saya mempelajari kecerdasan buatan dalam program master, dan kami menggunakan jaringan saraf cukup banyak. Mereka sebenarnya sangat berguna.

Saya pikir masalah untuk jaring saraf adalah nama mereka. Keduanya membingungkan apa sebenarnya jaringan syaraf itu, dan membuat beberapa orang mempertanyakan kemampuan mereka karena mereka berharap mereka bertindak seperti otak, ketika mereka benar-benar jenis fungsi yang mewah.

Cara terbaik untuk memahami jaringan saraf adalah dengan melewati nama itu. Jangan menganggapnya sebagai model otak ... ini bukan ... ini adalah niat pada 1960-an tetapi 2011 dan mereka digunakan sepanjang waktu untuk pembelajaran mesin dan klasifikasi.

Jaringan saraf sebenarnya hanya fungsi matematika. Anda memasukkan vektor nilai, nilai-nilai itu dikalikan dengan nilai-nilai lain, dan nilai atau vektor nilai adalah output. Hanya itu saja .

Mereka sangat berguna dalam domain masalah di mana tidak ada fungsi yang diketahui untuk mendekati fitur yang diberikan (atau input) untuk output mereka (klasifikasi atau regresi). Salah satu contohnya adalah cuaca - ada banyak fitur pada cuaca - jenis, suhu, pergerakan, tutupan awan, peristiwa masa lalu, dll - tetapi tidak ada yang bisa mengatakan dengan tepat bagaimana menghitung cuaca yang akan terjadi 2 hari dari sekarang. Jaringan saraf adalah fungsi yang terstruktur sedemikian rupa sehingga memudahkan untuk mengubah parameternya untuk memperkirakan perkiraan cuaca berdasarkan fitur.

Thats the thing ... fungsinya dan memiliki struktur yang bagus cocok untuk "belajar". Satu akan mengambil data cuaca lima tahun terakhir - lengkap dengan fitur cuaca dan kondisi cuaca 2 hari di masa depan, untuk setiap hari dalam lima tahun terakhir. Bobot jaringan (faktor pengali yang berada di tepi) dihasilkan secara acak, dan data dijalankan. Untuk setiap prediksi, NN akan menampilkan nilai yang salah. Menggunakan algoritma pembelajaran yang berbasis pada kalkulus, seperti back-propogation, seseorang dapat menggunakan nilai kesalahan output untuk memperbarui semua bobot dalam jaringan. Setelah cukup berjalan melalui data, tingkat kesalahan akan mencapai beberapa titik terendah (ada lebih dari itu, tapi saya tidak akan membahasnya di sini - yang paling penting adalah pas). Tujuannya adalah untuk menghentikan algoritma pembelajaran ketika tingkat kesalahan berada pada titik terbaik. Jaringan kemudian diperbaiki dan pada titik inihanya fungsi matematika yang memetakan nilai input ke dalam nilai output sama seperti persamaan lama lainnya. Anda memasukkan data baru dan percaya bahwa nilai output adalah perkiraan yang baik.

Bagi mereka yang mengklaim mereka gagal: mereka tidak. Mereka sangat berguna di banyak domain. Menurut Anda bagaimana para peneliti menemukan korelasi antara gen dan penyakit? NNs, serta algoritma pembelajaran lainnya, digunakan dalam bioinformatika dan bidang lainnya. Mereka telah terbukti menghasilkan hasil yang sangat baik. NASA sekarang menggunakannya untuk rutinitas stasiun ruang angkasa, seperti memprediksi masa pakai baterai. Beberapa orang akan mengatakan bahwa mesin dukungan vektor, dll lebih baik ... tetapi tidak ada bukti itu, algoritma lain hanya lebih baru.

Sungguh sangat buruk orang masih membuat klaim ini bahwa jaringan saraf gagal karena mereka jauh lebih sederhana daripada otak manusia --- jaringan saraf tidak lagi digunakan untuk memodelkan otak --- itu 50 tahun yang lalu.

Ini adalah skema matematika untuk membangun persamaan (mengambil beberapa input numerik dan memberikan output numerik tunggal) dengan bobot koefisien yang dapat disesuaikan. Ada algoritma yang dapat menyesuaikan koefisien untuk membuat persamaan perkiraan output yang diharapkan, diberikan satu set pelatihan yang terdiri dari input dan output yang diharapkan.

Contoh paling sederhana, bersama dengan grafik, tersedia di Wikipedia . Contoh ini dikenal sebagai XOR.

Dengan kata-kata sederhana, seperti yang Anda tanyakan, Neural Network adalah ide gagal meniru jaring saraf biologis. Itu tidak pernah memberikan hasil yang menarik dan mungkin tidak akan pernah melakukannya, karena:

(1) itu terlalu sederhana dibandingkan dengan apa yang dapat Anda lakukan dengan bahasa pemrograman Turing-lengkap

(2) itu terlalu sederhana dibandingkan dengan jaring saraf biologis: mereka ternyata lebih kompleks daripada yang diperkirakan pada saat teori NN dibuat.

Setiap klaim bahwa jaring saraf berhasil dalam tugas apa pun yang digunakan dalam aplikasi dunia nyata adalah berlebihan.

Ayo downvote saya.