Ml In Ai

10 najboljših algoritmov za poglobljeno učenje, ki bi jih moral poznati vsak navdušenec nad umetno inteligenco

Top 10 Deep Learning Algorithms That Every Ai Enthusiast Should Know

Domov Podatkovna znanost 10 najboljših algoritmov za poglobljeno učenje, ki bi jih moral poznati vsak navdušenec nad umetno inteligenco Avtor:Mehedi Hasan VPodatkovna znanostML in AI 227 0

VSEBINA

  1. Vrhunski algoritmi za poglobljeno učenje
    1. 01. Konvolucijsko nevronsko omrežje (CNN)
    2. 02. Ponavljajoča se nevronska omrežja (RNN)
    3. 03. Dolgoročna pomnilniška omrežja (LSTM)
    4. 04. Večplastni Perceptron
    5. 05. Posredujte posredovana nevronska omrežja
    6. 06. Nevronska omrežja s funkcijo radialne osnove
    7. 07. Modularna nevronska omrežja
    8. 08. Modeli zaporedja do zaporedja
    9. 09. Omejeni Boltzmannovi stroji (RBM)
    10. 10. Avtokoderji
  2. Konec misli

Globoko učenje je v bistvu podskupina umetne inteligence in strojnega učenja. Tipično AI in ML algoritmi lahko deluje z nabori podatkov, ki imajo nekaj sto funkcij. Vendar ima lahko slika ali signal milijone atributov. Tu prihajajo algoritmi poglobljenega učenja. Večino algoritmov DL so navdihnili človeški možgani, imenovani umetno nevronsko omrežje. Sodobni svet uporablja globoko učenje. Od biomedicinskega inženiringa do preproste obdelave slik - ima svoje uporabe. Če želite postati strokovnjak na tem področju, morate iti skozi različne algoritme DL. In o tem bomo danes razpravljali.





Vrhunski algoritmi za poglobljeno učenje


Uporaba globinskega učenja se je na večini področij močno povečala. Globoko učenje je razumno praktično pri delu z nestrukturiranimi podatki zaradi svoje sposobnosti obdelave velike količine funkcij. Za reševanje različnih problemov so primerni različni algoritmi. Če se želite seznaniti z različnimi algoritmi DL, bomo našteli 10 najboljših algoritmov poglobljenega učenja, ki jih morate poznati kot navdušenci nad umetno inteligenco.

01. Konvolucijsko nevronsko omrežje (CNN)


CNN je morda najbolj priljubljeno nevronsko omrežje za obdelavo slik. CNN običajno vzame sliko kot vhod. Nevronsko omrežje analizira vsak piksel posebej. Uteži in pristranskosti modela se nato prilagodijo, da na sliki zaznajo želeni predmet. Tako kot drugi algoritmi morajo tudi podatki skozi fazo predhodne obdelave. Vendar CNN potrebuje relativno manj predhodne obdelave kot večina drugih algoritmov DL.





cnn_algorithm algoritem za poglobljeno učenje

Ključne funkcije



  • V vsakem algoritmu računalniškega vida mora slika ali signal skozi postopek filtriranja. CNN ima veliko konvolucijskih slojev za to filtriranje.
  • Po konvolucijski plasti ostane sloj ReLU. To pomeni Popravljena linearna enota. Izvaja operacije s podatki in oddaja popravljen zemljevid atributov.
  • Zemljevid popravljenih funkcij lahko najdemo iz sloja ReLU. Nato gre skozi plast združevanja. Torej gre v bistvu za metodo vzorčenja.
  • Združevalni sloj zmanjša dimenzijo podatkov. Zmanjšanje dimenzij je učni proces razmeroma cenejši.
  • Združujoča plast izravna dvodimenzionalne matrike iz združenega vektorja lastnosti, da ustvari en sam, dolg, podaljšan, zaporedni vektor.
  • Po sloju združevanja pride popolnoma povezana plast. Popolnoma povezana plast ima v osnovi nekaj skritih plasti nevronskega omrežja. Ta plast razvršča sliko v različne kategorije.

02. Ponavljajoča se nevronska omrežja (RNN)


RNN -ji so neke vrste nevronske mreže, v kateri se izhod iz prejšnje faze kot vhod prenese v sedanjo fazo. Za klasična nevronska omrežja vhod in izhod nista medsebojno odvisna. Kadar pa morate v stavku predvideti katero koli besedo, je treba upoštevati prejšnjo besedo. Napoved naslednje besede ni mogoča, če se ne spomnite zadnje besede. RNN -ji so prišli v industrijo, da bi rešili te vrste težav.

RNN_algoritem algoritma za poglobljeno učenje

kako vstopiti v

Ključne funkcije

  • Skrito stanje, v katerem so shranjene nekatere podrobnosti o ciklu, je bistveni element RNN. Kljub temu so osnovne značilnosti RNN odvisne od tega stanja.
  • RNN imajo pomnilnik, ki shranjuje vse podatke o izračunih. Za vsak vnos uporablja enake nastavitve, saj z istim ukazom na vseh vnosih ali skritih plasteh ustvari enak rezultat.
  • RNN zmanjšuje zaplete s pretvorbo avtonomnih aktivacij v odvisne, tako da vsem ravnem daje enako pristranskost in težo.
  • Posledično poenostavi učni proces z nadgradnjo parametrov in zapomnitvijo prejšnjih rezultatov tako, da vsak izid prenese na naslednjo skrito raven.
  • Poleg tega je mogoče vse te plasti združiti v eno samo ponavljajočo se plast, pri čemer so pristranskost in teža vseh skritih plasti enake.

03. Dolgoročna pomnilniška omrežja (LSTM)


Ponavljajoča se nevronska omrežja ali RNN v bistvu delujejo z glasovnimi podatki. Vendar pa ne delujejo dobro s kratkotrajnim spominom. Če je veriga dovolj dolga, bodo imeli težave pri prenosu informacij iz enega koraka v drugega. Če poskušate nekaj napovedati iz odlomka vsebine, lahko RNN zamudijo pomembne informacije. Za rešitev tega vprašanja so raziskovalci razvili sodobno različico RNN, imenovano LSTM. Ta algoritem poglobljenega učenja izključuje težave s kratkoročnim spominom.

Ključne funkcije

  • LSTM ves čas spremljajo podatke. Ker lahko sledijo preteklim podatkom, so dragoceni pri reševanju težav s časovnimi vrstami.
  • Štiri aktivne plasti se na poseben način integrirajo v LSTM. Posledično imajo nevronske mreže strukturo, podobno verigi. Ta struktura omogoča algoritmu, da iz vsebine izvleče majhne podatke.
  • Stanje celic in številna vrata so v središču LSTM. Stanje celice služi kot transportna pot za ustrezne podatke, ko potuje po zaporedni verigi.
  • Teoretično lahko stanje celice ohrani potrebne podatke skozi celotno izvedbo zaporedja. Posledično lahko podatki iz prejšnjih korakov najdejo pot do naslednjih časovnih korakov, kar zmanjša kratkoročne učinke spomina.
  • Poleg napovedovanja časovnih vrst lahko LSTM uporabite tudi v glasbeni industriji, prepoznavanju govora, farmacevtskih raziskavah itd.

04. Večplastni Perceptron


Točka vstopa v zapletena nevronska omrežja, kjer vnos podatkov poteka skozi več ravni umetnih nevronov. Vsako vozlišče je povezano z vsakim drugim nevronom v prihajajoči plasti, kar ima za posledico popolnoma združeno nevronsko mrežo. Na voljo sta vhodna in izhodna plast, med njima pa je skrita plast. To pomeni, da ima vsak večplastni perceptron vsaj tri plasti. Poleg tega ima multimodalni prenos, kar pomeni, da se lahko širi tako naprej kot nazaj.

Ključne funkcije

  • Podatki gredo skozi vhodno plast. Nato algoritem pomni vhodne podatke z ustreznimi utežmi v skritem sloju in doda se pristranskost.
  • Pomnoženi podatki nato preidejo v aktivacijsko funkcijo. Glede na vhodne kriterije se uporabljajo različne aktivacijske funkcije. Na primer, večina podatkovnih znanstvenikov uporablja sigmoidno funkcijo.
  • Poleg tega obstaja funkcija izgube za merjenje napake. Najpogosteje se uporabljajo izgube dnevnika, povprečna kvadratna napaka, ocena natančnosti itd.
  • Poleg tega algoritem poglobljenega učenja uporablja tehniko širjenja nazaj za zmanjšanje izgube. S to tehniko se nato spremenijo uteži in pristranskosti.
  • Tehnika se nadaljuje, dokler izguba ne postane minimalna. Ob najmanjši izgubi naj bi bil učni proces končan.
  • Večplastni perceptron ima veliko uporab, kot so zapletena klasifikacija, prepoznavanje govora, strojno prevajanje itd.

05. Posredujte posredovana nevronska omrežja


Najosnovnejša vrsta nevronskega omrežja, pri kateri vhodne informacije gredo samo v eno smer, vstopajo skozi umetna nevronska vozlišča in zapuščajo prek izhodnih vozlišč. Na območjih, kjer so skrite enote lahko ali pa niso, so na voljo vhodne in odhodne plasti. Na podlagi tega jih lahko razvrstimo kot večplastno ali enoslojno napačno nevronsko omrežje. Ker imajo FFNN preprosto arhitekturo, je njihova preprostost lahko ugodna v nekaterih aplikacijah za strojno učenje.

feed_forward_neural_networks

Ključne funkcije

  • Prefinjenost funkcije določa število plasti. Prenos navzgor je enosmeren, vendar ni širjenja nazaj.
  • Poleg tega so teže fiksne. Vhodi se združijo z utežmi in pošljejo v aktivacijsko funkcijo. Za to se uporablja funkcija razvrščanja ali koračne aktivacije.
  • Če je dodatek odčitkov več kot vnaprej določen prag, ki je običajno nastavljen na nič, je rezultat na splošno 1. Če je vsota manjša od praga, je izhodna vrednost na splošno -1.
  • Algoritem poglobljenega učenja lahko ovrednoti rezultate svojih vozlišč z želenimi podatki z uporabo tehnike, znane kot pravilo trikotnika, kar sistemu omogoča, da med učenjem spreminja svoje uteži za ustvarjanje natančnejših izhodnih vrednosti.
  • Vendar algoritem nima gostih plasti in širjenja nazaj, kar ni primerno za računsko drage težave.

06. Nevronska omrežja s funkcijo radialne osnove


Radialna osnova analizira razpon katere koli točke od središča. Te nevronske mreže obstajajo na dveh ravneh. Najprej se atributi združijo s funkcijo radialne osnove v notranji plasti. Pri izračunu istega rezultata v naslednji plasti se upošteva izhod teh atributov. Poleg tega ima izhodna plast po en nevron za vsako kategorijo. Algoritem uporablja podobnost vhoda za vzorčenje točk iz podatkov o usposabljanju, kjer vsak nevron vzdržuje prototip.

Ključne funkcije

  • Vsak nevron meri evklidsko razdaljo med prototipom in vhodom, ko je treba razvrstiti svež vhodni vektor, to je n-dimenzionalni vektor, ki ga poskušate kategorizirati.
  • Po primerjavi vhodnega vektorja s prototipom algoritem zagotovi izhod. Izhod se običajno giblje od 0 do 1.
  • Ko se vhod ujema s prototipom, bo izhod tega nevrona RBF 1, in ko se bo prostor med prototipom in vhodom povečal, se bodo rezultati premaknili proti ničli.
  • Krivulja, ustvarjena z aktivacijo nevrona, je podobna standardni zvončni krivulji. Izhodno plast sestavlja skupina nevronov.
  • V sistemih za obnovo energije inženirji pogosto uporabljajo nevronsko mrežo radialne osnove. V poskusu ponovne vzpostavitve moči v najkrajšem času ljudje uporabljajo to nevronsko omrežje v sistemih za obnovo energije.

07. Modularna nevronska omrežja


Modularna nevronska omrežja združujejo več nevronskih omrežij za rešitev težave. V tem primeru različna nevronska omrežja delujejo kot moduli, od katerih vsak reši del problema. Integrator je odgovoren za razdelitev vprašanja na številne module in za integracijo odgovorov modulov za oblikovanje končnega rezultata programa.

Preprosta ANN v mnogih primerih ne more zagotoviti ustreznega delovanja kot odgovor na težavo in potrebe. Posledično bomo za isti izziv morda potrebovali več ANN -jev. Modularna nevronska omrežja so pri tem res odlična.

feed_forward_neural_networks poglobljeni učni algoritmi

Ključne funkcije

  • Za reševanje celotne težave se kot moduli v MNN uporabljajo različni ANN -ji. Vsaka ANN simbolizira modul in je zadolžena za reševanje določenega vidika problema.
  • Ta metoda vključuje sodelovanje med številnimi ANN -ji. Cilj je razdeliti problem na različne module.
  • Vsaka ANN ali modul ima glede na svojo funkcijo določen vhod. Številni moduli obravnavajo vsak svoj element problema. To so programi, ki izračunavajo ugotovitve.
  • Integrator prejme analizirane rezultate. Naloga integratorja je, da združi številne posamezne odgovore iz številnih ANN -jev in ustvari kombiniran odgovor, ki služi kot rezultat sistema.
  • Zato algoritem poglobljenega učenja rešuje težave z dvodelno metodo. Na žalost kljub številnim uporabam ni primeren za težave s premikanjem tarč.

08. Modeli zaporedja do zaporedja


Dve ponavljajoči se nevronski mreži tvorita model zaporedja v zaporedje. Tu je kodirnik za obdelavo podatkov in dekoder za obdelavo rezultata. Dajalnik in dekodirnik delujeta istočasno z istimi ali ločenimi parametri.

V nasprotju z dejanskim RNN je ta model še posebej uporaben, kadar sta količina vhodnih podatkov in velikost izhodnih podatkov enaki. Ti modeli se uporabljajo predvsem pri sistemih za odgovarjanje na vprašanja, strojnih prevodih in klepetalnicah. Vendar pa so prednosti in slabosti podobne prednostim RNN.

Ključne funkcije

  • Arhitektura dajalnika-dekoderja je najosnovnejša metoda za izdelavo modela. To je zato, ker sta dajalnik in dekoder dejansko modela LSTM.
  • Vhodni podatki gredo v kodirnik in pretvori celoten vnos podatkov v vektorje notranjega stanja.
  • Ta kontekstni vektor zajema podatke za vse vhodne postavke, ki dekoderju pomagajo pri pravilnih napovedih.
  • Poleg tega je dekoder LSTM, katerega začetne vrednosti so vedno pri končnih vrednostih kodirnika LSTM, to je, da kontekstni vektor zadnje celice dajalnika preide v prvo celico dekoderja.
  • Dekoder ustvarja izhodni vektor z uporabo teh začetnih stanj in te rezultate upošteva pri naslednjih odzivih.

09. Omejeni Boltzmannovi stroji (RBM)


Geoffrey Hinton je prvič razvil omejene Boltzmannove stroje. RBM so stohastična nevronska omrežja, ki se lahko učijo iz verjetnostne porazdelitve po zbirki podatkov. Ta algoritem poglobljenega učenja ima veliko uporab, kot so učenje funkcij, skupno filtriranje zmanjšanja dimenzij, klasifikacija, modeliranje tem in regresija.

RBM -ji proizvajajo osnovno strukturo Globoko prepričljivih omrežij. Tako kot mnogi drugi algoritmi imajo tudi oni dve plasti: vidno enoto in skrito enoto. Vsaka vidna enota se združi z vsemi skritimi enotami.

rbm_algoritem algoritem za poglobljeno učenje

kako dodeliti naključne številke v

Ključne funkcije

  • Algoritem v osnovi deluje s kombinacijo dveh faz. To sta prehod naprej in nazaj.
  • Pri posredovanju naprej RBM sprejemajo podatke in jih pretvorijo v niz številk, ki kodirajo vhode.
  • RBM integrirajo vsak vhod z lastno utežjo in enotno splošno pristranskostjo. Končno se izhod prenese s skrito plastjo s tehniko.
  • RBM -ji pridobijo to zbirko celih števil in jih pretvorijo, da ustvarijo ponovno ustvarjene vnose pri povratnem prehodu.
  • Vsako aktivacijo zmešajo z lastno težo in splošno pristranskostjo, preden rezultat posredujejo vidni plasti za obnovo.
  • RBM analizira rekonstruirane podatke do dejanskega vhoda na vidni plasti, da oceni učinkovitost rezultata.

10. Avtokoderji


Avtokoderji so res neke vrste posredno nevronsko omrežje, kjer sta vhod in izhod podobna. V osemdesetih letih je Geoffrey Hinton ustvaril avtokoderje za reševanje učnih težav brez nadzora. To so nevronska omrežja, ki ponavljajo vnose iz vhodne plasti v izhodno plast. Avtokoderji imajo različne aplikacije, vključno z odkrivanjem zdravil, obdelavo slik in napovedovanjem priljubljenosti.

Deep-Autoencoder-DAE

Ključne funkcije

  • Avtokoder je sestavljen iz treh plasti. To so kodirnik, koda in dekoder.
  • Zasnova Autoencoderja omogoča sprejemanje informacij in njihovo spreminjanje v drugačen kontekst. Nato poskušajo čim natančneje poustvariti resnični vnos.
  • Včasih ga znanstveniki uporabljajo kot model filtriranja ali segmentacije. Recimo, da slika ni jasna. Nato lahko uporabite samodejni kodirnik za prikaz jasne slike.
  • Samodejni kodirniki najprej kodirajo sliko, nato pa podatke stisnejo v manjšo obliko.
  • Na koncu samodejni kodirnik dekodira sliko, ki ustvari ponovno ustvarjeno sliko.
  • Obstajajo različne vrste kodirnikov, od katerih ima vsak svojo uporabo.

Konec misli


V zadnjih petih letih so algoritmi poglobljenega učenja postali priljubljeni v številnih podjetjih. Na voljo so različna nevronska omrežja, ki delujejo na različne načine, da ustvarijo ločene rezultate.

Z dodatnimi podatki in uporabo se bodo naučili in še bolj razvili. Vsi ti atributi so globoko učenje postali znani med podatkovnimi znanstveniki. Če se želite potopiti v svet računalniškega vida in obdelave slik, morate dobro poznati te algoritme.

Torej, če želite vstopiti na fascinantno področje znanosti o podatkih in pridobiti več znanja o algoritmih poglobljenega učenja, začnite in preglejte članek. Članek daje predstavo o najbolj znanih algoritmih na tem področju. Seveda nismo mogli našteti vseh algoritmov, ampak le pomembne. Če menite, da smo kaj zamudili, nam to sporočite s komentarjem spodaj.

Deliti Facebook Twitter Pinterest WhatsApp ReddIt Telegram Viber

    PUSTITE ODGOVOR Prekliči odgovor

    Komentar: Prosimo, vnesite svoj komentar! Ime:* Vnesite svoje ime tukaj E -pošta:* Vnesli ste napačen e -poštni naslov! Tukaj vnesite svoj e -poštni naslov Spletna stran:

    Shrani moje ime, e -pošto in spletno mesto v ta brskalnik za naslednjič, ko bom komentiral.

    spot_img

    Najnovejša objava

    Android

    10 najboljših aplikacij za zamenjavo obrazov za naprave Android in iOS

    OS Windows

    Kako načrtovati samodejno izpraznitev koša Windows 10

    Android

    10 najboljših aplikacij za izdajanje računov za naprave Android za hitro plačilo

    OS Windows

    10 najboljših grafičnih programov za vaš računalnik

    Morati prebrati

    Podatkovna znanost

    20 najboljših orodij za vizualizacijo podatkov, ki jih potrebuje vsak znanstvenik

    ML in AI

    10 najboljših programskih jezikov AI in strojnega učenja

    ML in AI

    Top 20 algoritmov, metod in tehnik AI in strojnega učenja

    Podatkovna znanost

    Data Science vs Machine Learning: 15 najboljših stvari, ki jih morate vedeti

    Sorodna objava

    10 najboljših idej za projekte globokega učenja za začetnike in profesionalce

    10 novih trendov globokega učenja, ki jih je treba spremljati v bližnji prihodnosti

    10 glavnih konceptov IoT proti M2M, ki jih morate razumeti

    10 najboljših avtomatizacij doma z uporabo interneta stvari (internet stvari)

    10 najboljših grafičnih uporabniških vmesnikov za brezplačno programiranje za R

    10 najboljših trendov obdelave naravnega jezika (NLP), ki jih je treba gledati naprej



    ^