Neuralne mreže^{(Neural Networks)} i duboko učenje^{(Deep Learning)} trenutno su dvije vruće riječi koje se danas koriste s umjetnom inteligencijom^{(Artificial Intelligence)} . Nedavni razvoji u svijetu umjetne inteligencije mogu se pripisati ovoj dvojici jer su odigrali značajnu ulogu u poboljšanju inteligencije AI.

Pogledajte oko sebe i pronaći ćete sve više i više inteligentnih strojeva. Zahvaljujući neuronskim mrežama^{(Neural Networks)} i dubokom učenju^{(Deep Learning)} , poslove i sposobnosti koji su se nekoć smatrali jačom stranom ljudi sada obavljaju strojevi. Danas strojevi više nisu stvoreni da jedu složenije algoritme, već se umjesto toga napajaju da se razviju u autonomni, samopodučavajući sustav sposoban revolucionirati mnoge industrije posvuda.

Neuralne mreže^{(Neural Networks)} i duboko učenje^{(Deep Learning )} osigurali su ogroman uspjeh istraživačima u zadacima kao što su prepoznavanje slika, prepoznavanje govora, pronalaženje dubljih odnosa u skupovima podataka. Uz pomoć dostupnosti golemih količina podataka i računalne snage, strojevi mogu prepoznati objekte, prevesti govor, osposobiti se za prepoznavanje složenih obrazaca, naučiti kako osmisliti strategije i napraviti planove za nepredviđene situacije u stvarnom vremenu.

Dakle, kako to točno funkcionira? Znate li da i neutralne ^(Neutral) mreže^(Networks) i duboko učenje^{(Deep-Learning)} u vezi, zapravo, da biste razumjeli duboko^(Deep) učenje, prvo morate razumjeti neuronske mreže^{(Neural Networks)} ? Čitajte dalje da biste saznali više.

Što je neuronska mreža

Neuronska^(Neural) mreža je u osnovi programski uzorak ili skup algoritama koji računalu omogućuje učenje iz podataka promatranja. Neuronska^(Neural) mreža je slična ljudskom mozgu, koji radi tako što prepoznaje obrasce. Senzorni podaci se tumače pomoću strojne percepcije, označavanja ili grupiranja sirovih ulaznih podataka. Prepoznati obrasci su numerički, zatvoreni u vektore u koje se prevode podaci kao što su slike, zvuk, tekst itd.

Think Neural Network! Think how a human brain function

Kao što je gore spomenuto, neuronska mreža funkcionira baš kao ljudski mozak; sva znanja stječe kroz proces učenja. Nakon toga, sinaptički utezi pohranjuju stečeno znanje. Tijekom procesa učenja, sinaptičke težine mreže se reformiraju kako bi se postigao željeni cilj.

Baš kao i ljudski mozak, neuronske mreže^{(Neural Networks)} rade kao nelinearni sustavi za paralelnu obradu informacija koji brzo izvode računanja kao što su prepoznavanje uzoraka i percepcija. Kao rezultat toga, ove mreže rade vrlo dobro u područjima kao što su prepoznavanje govora, zvuka i slike gdje su ulazi/signali inherentno nelinearni.

Jednostavnim riječima, možete zapamtiti neuronsku mrežu kao nešto što je sposobno prikupiti znanje poput ljudskog mozga i koristiti ga za predviđanje.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

Struktura neuronskih mreža

(Zasluga slike: Mathworks)

Neuralne mreže^(Networks) se sastoje od tri sloja,

1. Ulazni sloj,
2. Skriveni sloj, i
3. Izlazni sloj.

Svaki sloj se sastoji od jednog ili više čvorova, kao što je prikazano na donjem dijagramu malim kružićima. Linije između čvorova označavaju protok informacija od jednog čvora do drugog. Informacija teče s ulaza na izlaz, tj. s lijeva na desno (u nekim slučajevima može biti s desna na lijevo ili u oba smjera).

Čvorovi ulaznog sloja su pasivni, što znači da ne mijenjaju podatke. Oni primaju jednu vrijednost na svoj ulaz i dupliciraju vrijednost na više izlaza. Dok^(Whereas) su čvorovi skrivenog i izlaznog sloja aktivni. Tako mogu mijenjati podatke.

U međusobno povezanoj strukturi, svaka vrijednost iz ulaznog sloja se duplicira i šalje na sve skrivene čvorove. Vrijednosti koje ulaze u skriveni čvor množe se s težinama, skupom unaprijed određenih brojeva pohranjenih u programu. Ponderirani ulazi se zatim zbrajaju kako bi se dobio jedan broj. Neuronske mreže mogu imati bilo koji broj slojeva i bilo koji broj čvorova po sloju. Većina aplikacija koristi troslojnu strukturu s najviše nekoliko stotina ulaznih čvorova

Primjer neuronske mreže^{(Example of Neural Network)}

Razmislite o neuronskoj mreži koja prepoznaje objekte u sonarnom signalu, a u PC-u je pohranjeno 5000 uzoraka signala. PC mora shvatiti predstavljaju li ti uzorci podmornicu, kit, santu leda, morske stijene ili ništa? Konvencionalne DSP^{(Conventional DSP)} metode pristupile bi ovom problemu s matematikom i algoritmima, kao što su korelacija i analiza frekvencijskog spektra.

Dok bi s neuronskom mrežom, 5000 uzoraka bi se napajalo ulaznom sloju, što bi rezultiralo iskakanjem vrijednosti iz izlaznog sloja. Odabirom odgovarajućih težina, izlaz se može konfigurirati za izvještavanje o širokom rasponu informacija. Na primjer, mogu postojati rezultati za: podmornicu (da/ne), morsku stijenu (da/ne), kit (da/ne) itd.

S drugim ponderima, izlazi mogu klasificirati objekte kao metalne ili nemetalne, biološke ili nebiološke, neprijatelje ili saveznike, itd. Bez algoritama, bez pravila, bez procedura; samo odnos između ulaza i izlaza diktiran vrijednostima odabranih težina.

Sada, razumijemo koncept dubokog učenja.^{(Now, let’s understand the concept of Deep Learning.)}

Što je duboko učenje

Duboko učenje je u osnovi podskup neuronskih mreža^{(Neural Networks)} ; možda se može reći složena neuronska mreža^{(Neural Network)} s mnogo skrivenih slojeva u sebi.

Tehnički gledano, duboko^(Deep) učenje se također može definirati kao moćan skup tehnika za učenje u neuronskim mrežama. Odnosi se na umjetne neuronske mreže ( ANN ) koje se sastoje od mnogih slojeva, masivnih skupova podataka, moćnog računalnog hardvera koji omogućuje komplicirani model obuke. Sadrži klasu metoda i tehnika koje koriste umjetne neuronske mreže s više slojeva sve bogatije funkcionalnosti.

Struktura mreže dubokog učenja^{(Structure of Deep learning network)}

Mreže dubokog^(Deep) učenja uglavnom koriste arhitekture neuronskih mreža i stoga se često nazivaju dubokim neuronskim mrežama. Korištenje rada "duboko" odnosi se na broj skrivenih slojeva u neuronskoj mreži. Konvencionalna neuronska mreža sadrži tri skrivena sloja, dok duboke mreže mogu imati čak 120-150.

Dubinsko ^(Deep) učenje^(Learning) uključuje hranjenje računalnog sustava velikim brojem podataka koje može koristiti za donošenje odluka o drugim podacima. Ovi podaci se unose kroz neuronske mreže, kao što je slučaj u strojnom učenju. Mreže za duboko^(Deep) učenje mogu naučiti značajke izravno iz podataka bez potrebe za ručnim izdvajanjem značajki.

Primjeri dubokog učenja^{(Examples of Deep Learning)}

Dubinsko učenje trenutno se koristi u gotovo svim industrijama, počevši od automobila^(Automobile) , zrakoplovstva^(Aerospace) i automatizacije^(Automation) do medicine^(Medical) . Evo nekih od primjera.

• Google , Netflix i Amazon : Google ga koristi u svojim algoritmima za prepoznavanje glasa i slika. Netflix i Amazon također koriste duboko učenje kako bi odlučili što sljedeće želite gledati ili kupiti
• Vožnja bez vozača: Istraživači koriste mreže dubokog učenja za automatsko otkrivanje objekata kao što su znakovi za zaustavljanje i semafori. Duboko^(Deep) učenje također se koristi za otkrivanje pješaka, što pomaže u smanjenju nesreća.
• Zrakoplovstvo i obrana: Duboko učenje koristi se za identifikaciju objekata sa satelita koji lociraju područja od interesa i identificiraju sigurne ili nesigurne zone za trupe.
• Zahvaljujući dubokom učenju^{(Deep Learning)} , Facebook automatski pronalazi i označava prijatelje na vašim fotografijama. Skype može prevesti govornu komunikaciju u stvarnom vremenu i prilično precizno.
• Medicinsko istraživanje: Medicinski istraživači koriste duboko učenje za automatsko otkrivanje stanica raka
• Industrijska automatizacija^{(Industrial Automation)} : Duboko učenje pomaže poboljšati sigurnost radnika u blizini teških strojeva automatski otkrivajući kada su ljudi ili predmeti na nesigurnoj udaljenosti od strojeva.
• Elektronika: Duboko^(Deep) učenje koristi se u automatiziranom prevođenju sluha i govora.

Pročitajte^(Read) : Što je strojno učenje i duboko učenje^{(Machine Learning and Deep Learning)} ?

Zaključak^(Conclusion)

Koncept neuronskih mreža^{(Neural Networks)} nije nov, a istraživači su postigli umjeren uspjeh u posljednjem desetljeću. Ali prava promjena u igri bila je evolucija dubokih^(Deep) neuronskih mreža.

Nadmašujući tradicionalne pristupe strojnom učenju, pokazao je da duboke neuronske mreže može obučiti i isprobati ne samo nekoliko istraživača, već ima opseg koji će usvojiti multinacionalne tehnološke tvrtke kako bi u bliskoj budućnosti došle s boljim inovacijama.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS Organizator: SMS aplikacija koju pokreće strojno učenje

• Što su strojno učenje i duboko učenje u umjetnoj inteligenciji

• Kako instalirati Drupal koristeći WAMP na Windows

• Najbolji softverski i hardverski Bitcoin novčanici za Windows, iOS, Android

• Besplatno postavite internetsku radio stanicu na Windows PC

• Što su virtualne kreditne kartice i kako ih i gdje dobiti?

• Što su 'čip i PIN' ili EMV kreditne kartice

• Disqus okvir za komentare se ne učitava niti prikazuje za web stranicu

• Što je Blue Whale Challenge Dare igra

• Etiketa videokonferencija, savjeti i pravila kojih se morate pridržavati

• Kako koristiti predložak za izradu dokumenta s LibreOfficeom

• Što je sindrom glupog prozora - objašnjenje i prevencija

• Savjeti za kupovinu Cyber ​​ponedjeljka i crnog petka koje želite slijediti

• Razlika između analognih, digitalnih i hibridnih računala

• Najbolji stolovi za prijenosna računala za online kupnju

• Pretvorite magnetne veze u veze za izravno preuzimanje koristeći Seedr

• Whiteboard Fox je besplatna internetska ploča koja omogućuje dijeljenje u stvarnom vremenu

• Savjeti, alati i usluge za upravljanje reputacijom na mreži

• Najbolji ruksaci za prijenosna računala za muškarce i žene

• Devet nostalgičnih tehničkih zvukova koje vjerojatno niste čuli godinama