Обзор нейронных сетей

Предыдущий искусственный интеллект (кластеризация, экспертная система, индуктивная логика) был полностью ложным интеллектом, не столько искусственным интеллектом, сколько статистическим интеллектом. Это просто большая, сложная программа, и мы до сих пор знаем, как она работает внутри.
Нейронная сеть другая, ее внутренность — черный ящик, и мы понятия не имеем, как она реализована.

Теоретическая основа нейронной сети

Нейронная сеть построена на основе нервных клеток человеческого мозга.Каждый узел принимает на вход несколько весов.Если выполняются определенные условия, он будет выводить, иначе не выводить.

где x представляет входной обучающий набор, а y представляет выходной результат.

Понятия, связанные с нейронными сетями

Чем сложнее сеть, тем мощнее нейронная сеть, поэтому нам нужны глубокие нейронные сети. здесьГлубина относится к количеству слоев, чем больше слоев, тем сложнее построенная нейронная сеть.
Процесс обучения глубокой нейронной сети называется глубоким обучением.После того, как сеть построена, нам нужно только постоянно вводить обучающие данные в нейронную сеть, и она будет продолжать меняться и учиться сама по себе, и мы не знаем, как она учится.
Каждая часть данных, вводимых в нейронную сеть, называется функцией., например, ввести изображение размером 64*64*3 (64*64 — разрешение, 3 — 3 основных цвета) пикселей в нейронную сеть распознавания изображений. Это 12288-мерное изображение также называется _вектором признаков с 12288 признаками_.

Краткое изложение основных понятий

Вот некоторые основные концепции, обычно используемые в искусственном интеллекте:

образец

Образцы — это некоторые экземпляры, используемые для обучения модели, которые делятся на помеченные образцы и немаркированные образцы.

Этикетка

Ярлыки — это вещи, которые мы хотим предсказать, например, является ли изображение животного кошкой. «Кот» — это ярлык, или, чтобы предсказать цену дома, «цена» — это ярлык. Метки определяемые.

⭐️ Особенности

Функции являются входными переменными, == могут понимать влияние результатов как «факторы» ==, в сложном проекте машинного обучения могут быть миллионы функций. При обнаружении спама в число функций могут входить: слова в электронном письме, адрес отправителя, время отправки, частота отправки... (Нетрудно предположить, что эти факторы могут повлиять на результат определения того, является ли текущее письмо спамом или нет. ).

Функции, которые появляются часто и тесно связаны с метками, представляют собой ценные функции, и мы хотим избегать функций, которые появляются редко, таких как идентификатор сообщения электронной почты.

⭐️ Модели

Модель определяетХарактеристики и ярлыкиОтношения между. Например, модель обнаружения спама может ассоциировать наличие определенных рекламных слов в сообщениях электронной почты со спамом. Две фазы жизненного цикла модели:

Обучение: создайте модель и позвольте модели учиться, предоставьте моделиобразец этикетки, пусть модель сама изучает взаимосвязь между функциями и метками.
Вывод: примените обученную модель к немаркированным образцам и позвольте модели делать реальные прогнозы.

То есть сначала изучите, а потом используйте.