«Невозможно представить невозможное»

Машинное обучение определяет процесс поиска класса для процесса обучения путем вычисления атрибутов конкретных данных и определения правил обучения, а также поиска класса, к которому принадлежат данные, путем тестирования.

Понимание информации:

Знания составляют основу жизни, а цель жизни — делиться знаниями. Миллиарды клеток в организме человека подвергаются митозу и передают информацию от одной клетки к другой и так далее. Также очень важно, чтобы информация формировалась среди людей, а это значит, что информация поддается обработке. То, как люди воспринимают необработанную информацию, всегда отличается от одного человека к другому, потому что структура мозга каждого человека отличается от другого, и это то, что делает людей особенными.
Для меня искусство — это область науки, потому что оно связаны с различной оценкой и представлением информации в результате различного функционирования человеческого мозга, что объясняет, насколько важны различия.

Процесс обучения мозга:

У людей есть механизм, который действует и учится на протяжении всей жизни, и орган, реализующий этот механизм, — мозг. Наш мозг постоянно работает, и наш мозг использует 25% энергии, вырабатываемой нашим телом. Человеческий мозг классифицирует во время непрерывного обучения и сохраняет большую часть данных, полученных органами чувств, и держит их готовыми к обработке. Мозг создает прочную связь между информацией и классом, категорией (меткой), к которой принадлежит информация, повторяя обработанную информацию. Таким образом, человеческий мозг обрабатывает информацию и придает ей смысл.

Пока мозг обрабатывает данные, мы проходим через множество путей и, конечно, не можем понять, как он это делает, потому что это очень сложный процесс. Например, когда мы видим цвет, сразу вспоминается его обозначение, например, красный, синий, белый…. Это всего лишь ярлыки, мы видим только определенную длину волны, нам нужна метка, определение, чтобы понять это. Таким образом, мы обрабатываем данные, которые воспринимаем нашими глазами, и можем классифицировать данные.

Процесс машинного обучения:

Машинное обучение имеет структуру, аналогичную функционированию мозга с той структурой, в которой оно было разработано, и я думаю, что машинное обучение — очень важная и замечательная область.
Для процесса обработки данных машиной в первую очередь требуется правильно собранный набор данных, это набор данных должен быть правильно помечен, а затем должна быть разработана быстрая и хорошая модель для обработки этих данных. После всех этих процессов наши данные готовы к обработке. Для обработки данных было разработано множество математических методов, но все они основаны на; есть разница между данными (находятся атрибуты) и каждые данные имеют свой класс и категорию. Созданная модель обучается в цикле и после минимизации ошибки системы модель сохраняется и готовится.

О вселенной и машинном обучении:

Основное обоснование классификации данных связано с устранением информационного загрязнения. Мы должны маркировать информацию, которую мы получаем на протяжении всей нашей жизни, и информацию, которую мы получаем от наших органов чувств, сохраняя ее в нашем мозгу. Хаос будет доминировать в нашем мозгу, и мы никогда не поймем, что такое «Порядок». Вселенная работает по этим принципам, потому что во Вселенной все движется от порядка к хаосу, а порядок и хаос всегда существовали вместе.

Эта ситуация прямо как Инь-Ян, всегда будет некоторый порядок в хаосе и некоторый хаос в порядке.
Мозг тоже находится в хаосе, и требуется тренировка, чтобы превратить этот хаос в порядок. С образованием человеческий мозг получает определенный порядок и этот порядок отражается в нашей жизни, для более организованной жизни требуется более организованный мозг и для этого требуется более образованный мозг. Это философия, которая лежит в основе предмета машинного обучения. Те, кто интересуется машинным обучением, всегда могут найти строку кода, которая классифицирует ваши данные, но знание того, почему вы это делаете, важнее, чем то, что вы делаете.
Компьютеры стали частью нашей жизни, и мы должны в состоянии выделить им место в истории нашего существования, показав необходимую ценность этим созданным нами устройствам.

Мозг и машинное обучение:

Человек открыл большинство изобретений, которые он сделал на протяжении всей своей жизни, вдохновленные природой, и для области машинного обучения это открытие — искусственные нейронные сети.

На изображении выше вы можете увидеть сравнение мозга и искусственных нейронных сетей. Хотя функционирование мозга до сих пор полностью не объяснено, в свете полученной информации машинное обучение было обеспечено за счет разработки искусственных нейронных сетей.

После открытия искусственных нейронных сетей компьютеры также были изучены, и мы стали на один шаг ближе к теории компьютерного мышления английского математика 1950-х годов Алана М. Тьюринга.
Этот ученый показал нам:

«Невозможно представить невозможное» — основная идея, делающая невозможное возможным.

Биологическая нейронная сеть:

В человеческом мозгу миллиарды нейронов, и эти нейроны общаются друг с другом электрическими сигналами, дендриты получают информацию от нейронов.

Ядро клетки обрабатывает информацию, полученную от дендрита. Аксон — это кабель, используемый нейронами для передачи информации. Синапс является связующим звеном между аксоном и другими нейронными дендритами.
В свете этой информации Уоррен МакКаллок и Уолтер Питтс опубликовали первую упрощенную концепцию клетки мозга в 1943 году. Она была названа нейроном МакКаллока-Питтса (MCP). Они описали такую ​​нервную клетку как простой логический вентиль с бинарными выходами.

Искусственная нейронная сеть:

Искусственный нейрон — это математическая функция, основанная на модели биологического нейрона, где каждый нейрон получает входные данные, взвешивается отдельно, агрегируется и передает эту сумму через нелинейную функцию для получения выходных данных.

Искусственный нейрон — это модель математической функции, основанная на модели биологического нейрона. Согласно этой модели каждый нейрон получает входные данные и каждый устанавливает связь с функцией агрегации, причем этим связям присваивается весовое значение, а в выходном слое полученное суммарное значение проходит через нелинейную функцию и достигается результат . Полученная общая стоимость; выходному значению присваивается «1», если оно больше порогового значения, и «0», если выходное значение меньше или равно пороговому значению.

Мы поговорили о структуре искусственных нейронов, теперь я хочу рассказать о более продвинутой модели, которая была разработана путем обучения искусственных нейронов.

Модель персептрона:

Эта модель делится на однослойную нейронную сеть и многослойную нейронную сеть. В однослойной модели персептрона линейные данные подаются в качестве входных данных для системы, и эта модель может изучать только линейные и несложные операции. Модель многослойного персептрона может изучать нелинейные и сложные операции, и эта модель составляет основу модели глубокой нейронной сети.
Разница между однослойным персептроном и многослойным персептроном связана с увеличением количества слоев. Чтобы атрибуты данных лучше обрабатывались, количество связей между нейронами должно быть высоким, в результате чего данные обрабатываются небольшими порциями и обучение упрощается.

Алгоритм Perceptron изучает веса входных сигналов, чтобы нарисовать линейную границу решения. Это позволяет различать два линейно разделимых класса «1» и «0».

Правило обучения персептрона:

Правило обучения персептрона указывает, что алгоритм будет автоматически изучать весовые коэффициенты, а затем входные свойства умножаются на эти веса, чтобы определить, был ли запущен и активирован нейрон.
Запуск нейрона означает активацию этого нейрона, что означает, что обучение Нежелательно, чтобы нейроны принимали значение «0» в правилах обучения, потому что нейрон, получивший значение «0», не активируется, а значит, нет процесса обучения.

Пример однослойного персептрона:

Чтобы лучше понять эту тему, я расскажу в виде рассказа, такие темы можно лучше усвоить такими методами, как «карты памяти», об этом я расскажу в следующих статьях.

У нас есть однослойная нейронная сеть, и давайте посмотрим, что мы можем с ней сделать:

Однослойная нейронная сеть, мы можем выполнять линейное обучение с этой моделью, принимая только линейные входные данные, поэтому мы не можем выполнять сложные операции с этой моделью. Способность к обучению хороша по сравнению с количеством слоев, и здесь есть только входной слой.
В следующих статьях мы продолжим, добавляя слои к моделям.

Чтобы изучить модель однослойного персептрона….

Логический вентиль «И»:

Я хочу, чтобы вы запомнили предмет логики, хотя это предмет числового проектирования, он такой же, как предмет логики в математике, обрабатывается в математике следующим образом.
при оценке ситуации:
Отрицательное «И» Отрицательное = Отрицательное
Положительное «И» Отрицательное = Отрицательное
Отрицательное «И» Положительное = Отрицательное
Положительное «И» Положительное = Положительное
Это определяется как таковое .

Возможно, вы слышали, что компьютеры работают с логикой «1» и «0», именно здесь вступают в игру логические вентили. Выходы определяются путем оценки состояния двух входов («1» и «0») относительно друг друга. Двоичная система — это язык, используемый компьютерами, где математические операции выполняются с использованием только «1» и «0».
Здесь «1» представляет такие выражения, как открыто, положительно, да, а «0» представляет такие выражения, как как закрытый, отрицательный, нет.
В цифровом дизайне много логических вентилей, и самыми простыми являются вентили «И», «ИЛИ», «НЕ». Эти вентили можно обучить системе с помощью однослойной модели нейронной сети, в то время как более сложные вентили, такие как «Или-Не (XOR)», «И-Не (XAND)», более сложны и не могут быть обучены системе с помощью однослойной модели нейронной сети. модель однослойной нейронной сети.

Давайте рассмотрим, как логический элемент «И» обучается модели однослойной нейронной сети.

Давайте разберем описанный выше процесс!

Прежде всего, веса в системе «W» определяются случайным образом, значение смещения задается равным «1» для увеличения активности, а ReLu используется в качестве функции активации.
Функция ReLu: После расчета весов с помощью этой функции определяется выходное значение. Согласно этой функции, если входящее значение меньше «0», выходное значение равно «0», если входящее значение больше «0», входящее значение выводится как есть. При этом определяется пороговое значение, если выходное значение выше порогового значения, выход устанавливается в «1», если порог не выше значения, выход устанавливается в «0».

входные значения:
X1 = «0», X2 = «1»
Желаемый результат: «0»

Для двух значений, подаваемых на вход в систему, рассчитываются веса, и к вычисленным значениям весов добавляется вес значения смещения, при вычислении весов результаты активности каждого нейрона (значение нейрона принимает) и веса перемножаются.
Полученное таким образом значение передается в функцию активации для просмотра порогового значения, и если выходное значение выше порогового значения, выходной класс определяется как «1» .
Давайте остановимся здесь!
Полученное выходное значение показывает неправильный класс. Желаемое выходное значение для входных значений равно «0», а полученный результат равен «1», что означает, что модель еще не научилась, поэтому мы показываем нашей модели, какие выходы будут для обоих входов с фронта и этого процесса называется маркировкой. Другими словами, мы обучаем модель после установки правил, и поскольку мы делаем это таким образом, модель должна будет пересмотреть веса, когда увидит, что это неправильный результат, однако пороговое значение также будет пересчитано. После обновления весов те же операции будут выполнены снова, и если выходное значение снова будет неправильным, модель снова обновит веса, модель будет продолжаться до тех пор, пока ошибка не будет минимизирована и не выдаст желаемое выходное значение.

На самом деле, здесь мы видим, как важно делать ошибки для процесса обучения, система достигает правильного результата, обучаясь (обновляя свой вес) по мере того, как она делает ошибку.

Примечание автора:

Человеческий мозг, разрабатывающий компьютеры, может извлечь уроки из разрабатываемой им системы, и я называю это научным искусством. Из создаваемых нами систем можно извлечь сотни уроков, но самый важный урок, извлеченный в этой статье; «Почему мы боимся совершать ошибки, изучая системы, которые мы создаем, совершая ошибки!».