Неуронске мреже су компјутерски модели повезаних јединица или чворова који су дизајнирани да преносе, обрађују и учимо из информација (података) на сличан начин како неурони (нервне ћелије) раде код људи.
Вештачке неуронске мреже
У технологији, неуронске мреже се често називају вештачке неуронске мреже (АНН) или неуралне мреже да би се разликовале од биолошких неуронских мрежа на којима су моделирани. Главна идеја АНН-а је да је људски мозак најкомплекснији и интелигентнији "компјутер" који постоји. Моделирањем АНН-а што је ближе структури и систему обраде информација које користи мозак, истраживачи су се надали да ће створити рачунаре који су приступали или премашили људску интелигенцију. Неуронске мреже су кључна компонента тренутних напретака у вештачкој интелигенцији (АИ), машинском учењу (МЛ) и дубоком учењу.
Како функционишу Неурал Нетворкс: Поређење
Да бисмо разумели како функционишу неуронске мреже и разлике између два типа (биолошки и вештачки), користимо пример 15-канцеларијске зграде и телефонске линије и централе које пролазе кроз зграде, индивидуалне подове и појединачне канцеларије. Свака појединачна канцеларија у нашој 15-спратној пословној згради представља неурон (чвор у рачунарском умрежавању или нервне ћелије у биологији). Сама зграда је структура која садржи скуп уреда распоређених у систем од 15 спратова (неуронска мрежа).
Примјењујући примјер на биолошке неуронске мреже, разводна табла која прима позиве има линије за повезивање са било којом канцеларијом на било којем спрату у цијелој згради. Поред тога, свака канцеларија има линије које га повезују са свим другим канцеларијама у целој згради на било којем спрату. Замислите да долази позив (улаз) и разводник га пребацује у канцеларију на 3рд спрат, који га директно пребацује у канцеларију 11. новембратх спрат, који га директно пребацује у канцеларију на 5тх спрат. У мозгу, свака неуронска или нервна ћелија (канцеларија) може се директно повезати са било којим другим неуроном у систему или неуронској мрежи (зграда). Информација (позив) се може пренети на било који други неурон (канцеларија) да обрађује или сазна шта је потребно док не дође до одговора или резолуције (излаза).
Када применимо овај пример АНН-у, постаје прилично сложенији. Сваки спрат зграде захтева сопствену централа, која се може повезати само са канцеларијама на истом поду, као и централе на подовима изнад и испод ње. Свака канцеларија може директно да се повеже са другим канцеларијама на истом поду и централом за тај под. Сви нови позиви морају почети са разводном плочом на 1. кату и морају се пренети на сваки појединачни спрат у нумеричком редоследу до 15тх пре него што се позив заврши. Хајде да га покренемо да видимо како то функционише.
Замислите да долази позив (улаз) на 1ст подна централа и послата у канцеларију на 1ст под (чвор). Позив се затим преноси директно између осталих канцеларија (чворова) на 1ст док не буде спремна да буде послата на други спрат. Затим позив мора бити послат на 1ст подна централа, која затим пребацује на 2нд подна централа. Исти кораци понављају један спрат истовремено, а позив се шаље кроз овај процес на сваком спрату све до нивоа 15.
У АНН-има, чворови (канцеларије) су распоређени у слојеве (подови зграде). Информације (позив) увек долазе кроз улазни слој (1ст под и разводну плочу) и морају се послати и обрађивати по сваком слоју (поду) пре него што се пређе на следећи. Сваки слој (под) обрађује одређени детаљ о том позиву и шаље резултат уз позив на следећи слој. Када позив достигне излазни слој (15тх под и разводне плоче), она укључује информације обраде из слојева 1-14. Чворови (канцеларије) на 15тх слој (под) користи податке за унос и обраду из свих осталих слојева (подова) како би дошао до одговора или резолуције (излаза).
Неуронске мреже и машинско учење
Неуронске мреже су једна врста технологије у категорији машине за учење. Заправо, напредак у истраживању и развоју неуронских мрежа био је чврсто повезан са еббс и токовима напретка у МЛ. Неуралне мреже проширују могућности обраде података и повећавају рачунску снагу МЛ-а, повећавајући обим података који се могу обрађивати, али и способност обављања сложенијих задатака.
Први документовани компјутерски модел за АННс створио је 1943. године Валтер Питтс и Варрен МцЦуллоцх. Почетни интереси и истраживања у неуронским мрежама и машинском учењу на крају су успорили и били су мање-више одложени до 1969. године, са само малим експлозијама обнове интереса. Компјутери времена једноставно нису имали довољно брзих или довољно великих процесора да даље унапреде ова подручја, а огромна количина података потребних за МЛ и неуронске мреже у то вријеме није била доступна.
Масивна повећања рачунарске снаге током времена заједно са растом и ширењем интернета (а тиме и приступом великим количинама података путем интернета) решили су те ране изазове. Неуронске мреже и МЛ су сада инструменталне у технологијама које видимо и користимо свакодневно, као што су препознавање лица, обрада слике и претраживање, и превод у реалном времену - како бисмо имали само неколико.
Примери неуралне мреже у свакодневном животу
АНН је прилично сложена тема у оквиру технологије, међутим, вреди узети неко вријеме да истражите због све већег броја начина на који утиче на наш живот сваког дана. Ево још неколико примера начина на који неуронске мреже тренутно користе различите индустрије:
- Финансије: Неуралне мреже се користе за предвиђање девизних курсева. Оне се такође користе у технологији система аутоматског трговања који се користи на берзи.
- Медицина: Могућности обраде слике неуронских мрежа допринеле су технологији која тачније омогућава прецизно приказивање и детекцију ране фазе и тешко идентификовање типова карцинома. Једна таква врста рака је инвазивни меланом, најтежи и смртоноснији облик карцинома коже. Идентификовање меланома у ранијим фазама, пре него што се прошири, даје пацијентима ову врсту карцинома најбоље шансе да га побију.
- Време: Способност да се открију атмосферске промјене које потенцијално озбиљно и опасније догађаје показују што је могуће брже и тачније од суштинског је значаја за спашавање живота. Неуронске мреже укључене су у процесу обраде сателитских и радарских слика у реалном времену које не само да откривају рано формирање урагана и циклона, већ и откривају изненадне промјене у брзини и смјеру вјетра који указују на торнадо који формира. Торнади су неки од најјачих и најопаснијих метеоролошких догађаја у рекорду - често изненаднијих, деструктивних и смртоносних од урагана.
