Едно и нула Въведение в изкуствения интелект

Въведение

Хората и машините могат да имат много общо. Хората изобретяват нови машини през цялото време и казват, че първата изобретена машина е колелото.

От далечни тъмни векове в историята до днешните компютри остаряват и в основата на всяка машина има Едно и Нула. Известна като двоична система, всъщност, когато видите буквата „А“ в компютъра си, зад нея има единици и нули . Когато използвате най-сложния софтуер или сърфирате в любимия си уеб сайт, там също има единици и нули. Духовните хора казват, че Вселената е направена от нищо (нула) и нещо (едно), че Вселената е направена предимно от празнота.

Филмът AI създаде мит в съзнанието на хората, възприемащи изкуствения интелект като някаква „магия“ на технологията. Освен това в старите научнофантастични филми винаги виждаме машини, онези гигантски компютри, които развиват независима свободна воля, за да поемат контрола над хората. Не е толкова хубава снимка, а?

В тази статия ще се опитам да демистифицирам идеята за изкуствения интелект, като давам прости обяснения и без математика, ако е възможно, давам в ръцете ви простата истина: всичко, което има зад, е Едно и нула.

Още през 1943 г. Маккулок и Питс разработват модели на изкуствени невронни мрежи (от сега нататък ANN) въз основа на тяхното разбиране за неврологията, тези открития откриха как невроните се учат в човешкия мозък: чрез предаване на електрически импулси през синапсите (връзките) между невроните.

Бихме могли да кажем, че невроните в нашия мозък са обединени чрез гигантски брой връзки, което кара цялото да действа като огромна почти безкрайна мрежа.

Е, тази идея беше пренесена в софтуерни изследвания за създаване на алгоритъм или метод, който може да се учи като мозъка: чрез връзки и разпространение на сигнала през неврони.

Мозъкът ни се нуждае от входните данни, като четене, миришене или слушане на музика, след което мозъкът филтрира всичко чрез електрически импулси и вълни.

Когато човек слуша само няколко мелодии, той/тя може да разпознае мелодията и да каже името на песните преди края на пиесата.

Тук входът са музикалните ноти и изходът, името на песента, току-що разпознато. Лесно..

По същия начин можем да проектираме ANN:

  1. Вход
  2. Обработка
  3. Изход

Но една нота няма да е достатъчна, за да разпознае цяла мелодия и затова ANN се нуждае от повече входни данни, за да научи, преди да може да даде валиден изход.

Защо ANN се нуждае от слоеве?

Уеб връзките в ANN са организирани на слоеве и слой съдържа от един до много неврони, така че за музикалния проблем разпределението на слоя е:

  1. Един входен слой, съдържащ информация за научаване на ANN, да кажем музикалните ноти, където всяка нота е неврон.
  2. Един до няколко скрити слоя, които ще свържат входната информация с изходната.
  3. Един изходен слой, за да даде отговорите, в този случай да/не, ако нотите отговарят на определена песен.

Как се учи ANN?

ANN учи чрез итерации или повторения и тези итерации се наричат ​​епохи.

Така че за всяка учебна епоха в ANN има:

  1. Входящи данни за фураж
  2. Разпространете сигнала през слоеве
  3. Дайте изход

Е, тогава, ако не кажем на мрежата кога да спре, цикълът може да продължи вечно. Този поток трябва да бъде по-разработен чрез задаване на условия за спиране някъде, понякога, когато е сигурно, че мрежата е научила.

Подобно на биологичния модел, невроните предават електрическите импулси през слоеве от неврони в мозъка, докато има желания изход.

Най-известният модел на ANN се нарича многослойно обратно разпространение или многослоен персептрон, а персептронът е просто неврон, който се учи.

Нека разширим модела на обучение още малко, като създадем условие за спиране, наречено минимална желана грешка (ANN се учи от грешките си точно като нас! Е, хм! понякога…),

така:

  1. Входящи данни за фураж.
  2. Разпространете сигнала през слоеве от последния изходен слой назад до първия скрит слой. Това е обратно разпространение.
  3. Изчислете текущата грешка.
  4. Попитайте: текущата грешка по-малка ли е от минималната желана грешка? След това дайте изход и ИЗХОД.
  5. Ако текущата грешка е по-голяма: Върнете се към 1.

Този модел е все още много прост модел, както може да се запита човек: какво ще стане, ако текущата грешка никога не е по-малка от минималната желана грешка? След това можем да създадем второ условие за спиране, максималният брой разрешени итерации (епохи).

В стъпка втора (разпространение назад) се правят някои необходими математически изчисления, за да се открие текущата грешка.

Тези изчисления се основават на връзките между слоевете. Няма да навлизам дълбоко в подробностите за формулите, просто ще дам идеята зад това:

Моите действителни данни за слой=Изчисленията на предишния ми слой.

И думата Предишна е много важно тук, защото това е начинът, по който слоевете са свързани един с друг.

Заключение.. и какво всъщност има вътре в неврона?

Досега говорихме за неврони, мрежи, слоеве, входни и изходни данни, обратно разпространение и епохи.

Всички тези думи са обичайната терминология във всички статии за ANN, но тази статия е различна и аз искам да говоря за това какво е вътре в неврон.

Вътре в неврон има едно или нула и изходното решение, след като мрежата е научила, се дава като едно (вярно) или нула (невярно). Разбира се, има ANN, които работят с реални числа като 1,5672, но в повечето случаи входните данни се мащабират близо до стойности нула или една, за да се гарантира, че са дадени най-добрите резултати.

След тези много прости обяснения изкуственият интелект вече е във вашите ръце и можете да вървите по пътя си.

Empfohlene Artikel

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.