Что такое нейронные сети?

Нейронные сети — это набор алгоритмов, вдохновленных работой человеческого мозга. Как правило, когда вы открываете глаза, то, что вы видите, называется данными и обрабатывается нейронами (клетками обработки данных) в вашем мозгу и распознает то, что вас окружает. Вот как работают подобные нейронные сети. Они берут большой набор данных, обрабатывают данные (извлекают шаблоны из данных) и выводят то, что есть.

Наблюдение за природой дало толчок многим важным инновациям. Один из них с глубокими социально-экономическими последствиями возник в попытке имитировать человеческий мозг. Несмотря на то, что это было далеко от понимания его внутренней работы, была обнаружена структура взаимосвязанных специализированных клеток, обменивающихся электрохимическими сигналами. Были предприняты некоторые попытки подражания, пока, наконец, Франк Розенблатт не представил усовершенствованную математическую модель таких клеток, Персептрон (1958).

Персептрон

Сегодняшний персептрон, иногда обобщаемый как «нейрон», «узел» или «единица» в контексте искусственных нейронных сетей, можно визуально описать следующим образом:

персептрон

Он работает следующим образом: каждая входная переменная умножается на ее вес, и все они вместе с другим специальным входом, называемым смещением, складываются вместе. Этот результат передается функции активации, которая, наконец, обеспечивает числовой выходной ответ (активация нейрона). Веса — это мера того, насколько вход влияет на нейрон, и они представляют собой основные ручки, которые есть в нашем распоряжении для настройки поведения нейрона. Персептрон является основным строительным блоком Искусственных нейронных сетей.

Глубокие нейронные сети (ГНС)

Глубокие нейронные сети представляют собой крупномасштабную комбинацию входов и выходов нескольких разных персептронов, где может быть большое количество входов, выходов и нейронов с некоторыми вариациями топологии, такими как добавление циклов и методов оптимизации. вокруг него, как вы можете видеть на картинке ниже:

МНОГОСЛОЙНЫЙ

У нас может быть столько входов, выходов и промежуточных слоев, сколько необходимо. Такие сети называются сетями прямой связи из-за направления потока данных от входа к выходу.

  • Крайний левый слой входных значений на картинке (обозначен синим цветом) называется «входной слой» (до миллионов входных данных).
  • Самый правый слой выходных персептронов (желтый) называется «выходным слоем» (выходов может быть тысячи). Зеленые ячейки представляют выходное значение.
  • Слои персептронов между ними (выделены красным) называются «скрытыми слоями» (может быть до сотни скрытых слоев с тысячами нейронов).

Слово «глубокий» относится к этой многослойной структуре. Хотя нет полного согласия по поводу наименования, в целом мы можем начать говорить о глубоких нейронных сетях, как только будет более 2 скрытых слоев.

Для чего используются искусственные нейронные сети?

Искусственные нейронные сети можно использовать несколькими способами. Они могут классифицировать информацию, группировать данные или прогнозировать результаты.

К ним относятся анализ данных, преобразование речи в текст, использование программного обеспечения для распознавания лиц или предсказание погоды.

Существует множество типов искусственных нейронных сетей. У каждого есть свой конкретный вариант использования. В зависимости от поставленной задачи обработка ИНС может быть простой или очень сложной.

Самый простой тип искусственной нейронной сети — это нейронная сеть с прямой связью. Это базовая система, в которой информация может перемещаться только в одном направлении, от входа к выходу.

Наиболее часто используемым типом искусственной нейронной сети является рекуррентная нейронная сеть. В этой системе данные могут течь в нескольких направлениях. В результате эти сети обладают большей способностью к обучению. Следовательно, они используются для выполнения сложных задач, таких как распознавание языка.

Другие типы искусственных нейронных сетей включают сверточные нейронные сети, сети Хопфилда и машинные сети Больцмана.

Starbucks: целевые маркетинговые кампании

Благодаря неконтролируемому обучению искусственные нейронные сети могут идентифицировать клиентов со схожими характеристиками.

Это позволяет предприятиям группировать клиентов по сходству, например по экономическому статусу или по предпочтениям виниловых пластинок загруженной музыке. Системы контролируемого обучения позволяют искусственным нейронным сетям поставить четкую цель для вашей маркетинговой стратегии. Подобно неконтролируемым системам, они также могут сегментировать клиентов на аналогичные группы.

Однако системы контролируемого обучения также могут сопоставлять группы клиентов с продуктами, которые они, скорее всего, купят. Это применение технологии может увеличить прибыль за счет увеличения продаж.

Starbucks использовала искусственные нейронные сети и целевой маркетинг, чтобы поддерживать интерес клиентов к своему приложению. Компания интегрировала местоположение системы вознаграждений и историю покупок в свое приложение.

Это позволяет им предлагать невероятно персонализированный опыт, помогая увеличить доход на 2,56 млрд долларов США.

Google: улучшение функциональности поисковой системы

Во время выступления Google I/O в Сан-Франциско в 2015 году Google сообщила, что работает над улучшением своей поисковой системы.

Эти улучшения основаны на 30-слойной искусственной нейронной сети. Google считает, что такая глубина слоев позволяет поисковой системе обрабатывать сложные запросы, такие как формы и цвета.

Использование искусственной нейронной сети позволяет системе постоянно учиться и совершенствоваться. Это позволяет Google постоянно улучшать свою поисковую систему.

Через несколько месяцев Google уже замечал улучшения в результатах поиска. Компания сообщила, что уровень ошибок снизился с 23% до всего 8%.

Приложение Google показывает, что нейронные сети могут помочь улучшить функциональность поисковой системы.

Это все на сегодня! Скоро вернусь с новыми статьями, спасибо! 🤗

Мухаммад Табиш Хандай

LinkedIn: https://www.linkedin.com/in/mtabishk/