Нейронные сети представляют собой компьютерные модели подключенных единиц или узлов, предназначенных для передачи, обработки и изучения информации (данных) аналогично тому, как нейроны (нервные клетки) работают на людях.
Искусственные нейронные сети
В технологии нейронные сети часто называют искусственными нейронными сетями (ANN) или нейронными сетями, чтобы отличать от биологических нейронных сетей, которые они моделируют после. Основная идея ANN заключается в том, что человеческий мозг является самым сложным и интеллектуальным «компьютером», который существует. Путем моделирования ANN как можно ближе к структуре и системе обработки информации, используемой мозгом, исследователи надеялись создать компьютеры, которые приближались или превосходили человеческий интеллект. Нейронные сети являются ключевым компонентом текущих достижений в области искусственного интеллекта (ИИ), машинного обучения (ML) и глубокого обучения.
Как работают нейронные сети: сравнение
Чтобы понять, как работают нейронные сети, и различия между двумя типами (биологическими и искусственными), давайте рассмотрим пример 15-этажного офисного здания и телефонных линий и коммутаторов, которые направляют вызовы по всему зданию, отдельным этажам и отдельным офисам. Каждый отдельный офис в нашем 15-этажном офисном здании представляет собой нейрон (узел в компьютерной сети или нервную клетку в биологии). Само здание - это структура, содержащая набор офисов, расположенных в системе из 15 этажей (нейронная сеть).
Применяя пример к биологическим нейронным сетям, коммутатор, который принимает вызовы, имеет линии для подключения к любому офису на любом этаже во всем здании. Кроме того, в каждом офисе есть линии, которые соединяют его со всеми другими офисами во всем здании на любом этаже. Представьте, что звонок приходит (вход), а коммутатор передает его в офис на 3й этаж, который передает его непосредственно в офис на 11го этаж, который затем напрямую передает его в офис на 5го этаж. В мозге каждый нейрон или нервная клетка (офис) могут напрямую соединяться с любым другим нейроном в своей системе или нейронной сети (здание). Информация (вызов) может быть передана в любой другой нейрон (офис) для обработки или изучения того, что необходимо, пока не будет ответа или разрешения (вывода).
Когда мы применяем этот пример к ANN, он становится довольно сложным. Для каждого этажа здания требуется собственный коммутатор, который может подключаться только к офисам на том же этаже, а также к распределительным щитам на этажах выше и ниже. Каждый офис может напрямую подключаться к другим офисам на том же этаже и коммутатору для этого этажа. Все новые вызовы должны начинаться с коммутатора на 1-м этаже и должны быть переданы на каждый отдельный этаж в цифровом порядке до 15го пол до завершения вызова. Давайте приводим его в движение, чтобы посмотреть, как это работает.
Представьте, что вызов приходит (вводится) в 1улица пол и отправляется в офис на 1улица пол (узел). Затем вызов переносится непосредственно между другими офисами (узлами) на 1улица до тех пор, пока он не будет готов к отправке на следующий этаж. Затем вызов должен быть отправлен обратно в 1улица который затем переносит его на 2й пол. Эти же шаги повторяют один этаж за раз, при этом вызов посылается через этот процесс на каждом отдельном этаже до 15-го этажа.
В ANN узлы (офисы) расположены слоями (этажи здания). Информация (вызов) всегда приходит через входной уровень (1улица пол и его распределительный щит) и должны быть отправлены и обработаны каждым слоем (полом), прежде чем он сможет перейти к следующему. Каждый слой (пол) обрабатывает конкретную деталь об этом вызове и отправляет результат вместе с вызовом следующего слоя. Когда вызов достигает выходного уровня (15го пол и его коммутатор), он включает в себя информацию обработки из слоев 1-14. Узлы (офисы) на 15го слой (пол) использует информацию ввода и обработки всех остальных слоев (этажей), чтобы получить ответ или разрешение (выход).
Нейронные сети и машинное обучение
Нейронные сети - это один из видов технологий в категории машинного обучения. На самом деле, продвижение в исследованиях и развитии нейронных сетей тесно связано с отливами и потоками продвижения в ML. Нейронные сети расширяют возможности обработки данных и повышают вычислительную мощность ML, увеличивая объем данных, которые могут быть обработаны, а также возможность выполнять более сложные задачи.
Первая документальная компьютерная модель для ANN была создана в 1943 году Уолтером Питсом и Уорреном Маккаллохом. Первоначальный интерес и исследования в нейронных сетях и машинное обучение в конечном итоге замедлились и были более или менее отложены до 1969 года, и только небольшие всплески возобновили интерес. Компьютеры того времени просто не имели достаточно быстрых или достаточно больших процессоров для продвижения этих областей дальше, и огромное количество данных, необходимых для ML и нейронных сетей, в то время не было доступно.
Массовое увеличение вычислительной мощности с течением времени, а также рост и расширение Интернета (и, следовательно, доступ к огромному объему данных через Интернет) решили эти ранние проблемы. Нейронные сети и ML теперь играют важную роль в тех технологиях, которые мы видим и используем каждый день, таких как распознавание лиц, обработка изображений и поиск, а также перевод языка в реальном времени - и это лишь некоторые из них.
Примеры нейронной сети в повседневной жизни
ANN - довольно сложная тема в технологиях, однако стоит потратить некоторое время на изучение из-за все большего числа способов, которыми это влияет на нашу жизнь каждый день. Вот еще несколько примеров того, как нейронные сети в настоящее время используются различными отраслями:
- Финансы: Нейронные сети используются для прогнозирования курсов валют. Они также используются в технологии автоматических торговых систем, используемых на фондовом рынке.
- Лекарственное средство: Возможности обработки изображений нейронных сетей способствовали технологии, которая помогает более точно отображать и обнаруживать ранние стадии и трудно идентифицировать типы рака. Одним из таких видов рака является инвазивная меланома, самая серьезная и смертельная форма рака кожи. Идентификация меланомы на ранних стадиях, прежде чем она распространилась, дает пациентам с этим типом рака лучшие шансы победить.
- Погода: Способность обнаруживать атмосферные изменения, которые указывают на потенциально серьезное и опасное погодное событие как можно быстрее и точнее, необходима для спасения жизней. Нейронные сети участвуют в обработке спутниковых и радиолокационных изображений в реальном времени, которые не только обнаруживают раннее образование ураганов и циклонов, но также обнаруживают резкие изменения скорости и направления ветра, которые указывают на формирование торнадо. Торнадо - одни из самых сильных и опасных событий в истории - часто более внезапные, разрушительные и смертоносные, чем ураганы.
