Qu'est-ce qu'un réseau neuronal en termes simples [fermé]

Pouvez-vous expliquer les réseaux de neurones en quelques mots avec un exemple?

Un réseau de neurones est une classe de système informatique. Ils sont créés à partir de nœuds de traitement très simples formés en réseau. Ils sont inspirés par la façon dont les systèmes biologiques comme le cerveau fonctionnent, bien que de nombreux ordres de grandeur soient moins complexes à l'heure actuelle.

Ce sont fondamentalement des systèmes de reconnaissance de formes et ont tendance à être plus utiles pour des tâches qui peuvent être décrites en termes de reconnaissance de formes. Ils sont «formés» en les alimentant avec des ensembles de données dont les résultats sont connus.

Par exemple, imaginez que vous essayez d'entraîner un réseau à produire un 1 lorsqu'il reçoit une image d'un chat et un 0 lorsqu'il voit une image qui n'est pas un chat. Vous entraîneriez le réseau en exécutant de nombreuses images de chats à travers celui-ci et en utilisant un algorithme pour modifier les paramètres du réseau jusqu'à ce qu'il donne la bonne réponse. Les paramètres sont généralement un gain sur chaque entrée et un poids sur chaque nœud ainsi que la structure réelle du réseau (combien de nœuds, dans combien de couches, avec quelles interconnexions).

La reconnaissance des images de chats est en fait un problème assez complexe et nécessiterait un réseau neuronal complexe (commençant éventuellement par un nœud par pixel). Un point de départ habituel pour expérimenter avec des réseaux de neurones est d'essayer d'implémenter des portes logiques simples, telles que AND, OR, NOT, etc. en tant que réseaux neuronaux.

Les réseaux de neurones peuvent être un moyen très rapide d'obtenir un résultat complexe. Ils sont très intéressants pour la recherche sur l'IA car ils sont un modèle pour le cerveau animal.

L'un des principaux inconvénients des réseaux de neurones est qu'il est très difficile de les désosser. Si votre réseau décide qu'une image particulière d'un éléphant est en fait un chat, vous ne pouvez pas vraiment déterminer le «pourquoi» dans un sens utile. Tout ce que vous pouvez vraiment faire, c'est essayer de former / peaufiner davantage le réseau.

Les réseaux de neurones ont tendance à être utilisés pour des tâches bien délimitées telles que la reconnaissance de pièces / billets dans des distributeurs automatiques ou le repérage de défauts sur les lignes de production.

Le meilleur endroit pour commencer si vous êtes intéressé est probablement sur google «perceptron» qui est le nom de l'un des premiers éléments du réseau neuronal.

J'étudie l'intelligence artificielle dans un programme de maîtrise, et nous utilisons beaucoup de réseaux de neurones. Ils sont en fait assez utiles.

Je pense que le problème des réseaux neuronaux est leur nom. Cela confond à la fois ce qu'est un réseau de neurones et fait que certaines personnes remettent en question leurs mérites car elles s'attendent à ce qu'elles agissent comme des cerveaux, alors qu'elles sont vraiment un type de fonction sophistiqué.

La meilleure façon de comprendre un réseau neuronal est de dépasser le nom. Ne le considérez pas comme un modèle de cerveau ... ce n'est pas ... c'était l'intention dans les années 1960 mais en 2011 et ils sont utilisés tout le temps pour l'apprentissage automatique et la classification.

Un réseau de neurones n'est en fait qu'une fonction mathématique. Vous entrez un vecteur de valeurs, ces valeurs sont multipliées par d'autres valeurs et une valeur ou un vecteur de valeurs est généré. C'est tout .

Ils sont très utiles dans les domaines problématiques où il n'y a pas de fonction connue pour approximer les caractéristiques (ou entrées) données à leurs sorties (classification ou régression). Un exemple serait la météo - il y a beaucoup de caractéristiques à la météo - type, température, mouvement, couverture nuageuse, événements passés, etc. - mais personne ne peut dire exactement comment calculer la météo dans 2 jours. Un réseau de neurones est une fonction qui est structurée d'une manière qui facilite la modification de ses paramètres pour approximer la prédiction météorologique en fonction des caractéristiques.

C'est la chose ... c'est une fonction et a une belle structure adaptée à "l'apprentissage". On prendrait les cinq dernières années de données météorologiques - avec les caractéristiques de la météo et l'état de la météo 2 jours dans le futur, pour chaque jour des cinq dernières années. Les pondérations du réseau (facteurs multiplicateurs qui résident dans les bords) sont générées de manière aléatoire et les données sont exécutées. Pour chaque prédiction, le NN affichera des valeurs incorrectes. En utilisant un algorithme d'apprentissage basé sur le calcul, tel que la rétroproposition, on peut utiliser les valeurs d'erreur de sortie pour mettre à jour tous les poids dans le réseau. Après avoir parcouru suffisamment de données, les niveaux d'erreur atteindront un point le plus bas (il y a plus, mais je n'entrerai pas dans les détails ici - le plus important est le sur-ajustement). Le but est d'arrêter l'algorithme d'apprentissage lorsque les niveaux d'erreur sont au meilleur point. Le réseau est alors fixe et à ce stade, il estjuste une fonction mathématique qui mappe les valeurs d'entrée en valeurs de sortie comme n'importe quelle ancienne équation. Vous introduisez de nouvelles données et vous vous assurez que les valeurs de sortie sont une bonne approximation.

Pour ceux qui prétendent qu'ils ont échoué: ils ne le sont pas. Ils sont extrêmement utiles dans de nombreux domaines. Comment pensez-vous que les chercheurs déterminent les corrélations entre les gènes et les maladies? Les NN, ainsi que d'autres algorithmes d'apprentissage, sont utilisés en bioinformatique et dans d'autres domaines. Ils se sont avérés produire des résultats extrêmement bons. La NASA les utilise désormais pour les routines des stations spatiales, comme la prévision de la durée de vie de la batterie. Certaines personnes diront que les machines à vecteurs de support, etc. sont meilleures ... mais il n'y a aucune preuve de cela, d'autres algorithmes sont juste plus récents.

Il est vraiment dommage que les gens prétendent encore que les réseaux de neurones sont défaillants car ils sont beaucoup plus simples que le cerveau humain - les réseaux de neurones ne sont plus utilisés pour modéliser le cerveau - c'était il y a 50 ans.

Il s'agit d'un schéma mathématique pour construire une équation (en prenant plusieurs entrées numériques et en fournissant une seule sortie numérique) avec des coefficients de pondération ajustables. Il existe des algorithmes qui peuvent ajuster les coefficients pour que l'équation se rapproche des résultats attendus, étant donné un ensemble d'apprentissage composé d'entrées et de sorties attendues.

L'exemple le plus simple, avec des graphiques, est disponible sur Wikipedia . Cet exemple est connu sous le nom de XOR.

En termes simples, comme vous l'avez demandé, Neural Network est une idée ratée de mimer les réseaux neuronaux biologiques. Cela n'a jamais donné de résultats intéressants et ne le fera probablement jamais, car:

(1) il est trop simpliste par rapport à ce que vous pouvez faire avec n'importe quel langage de programmation complet de Turing

(2) il est trop simpliste par rapport aux réseaux neuronaux biologiques: ils se sont avérés plus complexes qu'on ne le pensait au moment de la création de la théorie NN.

Toute affirmation selon laquelle les réseaux de neurones réussissent dans n'importe quelle tâche utilisée dans des applications du monde réel est une exagération.

Allez downvote moi.