Неуралне мреже^{(Neural Networks)} и дубоко учење^{(Deep Learning)} су тренутно две популарне речи које се данас користе са вештачком интелигенцијом^{(Artificial Intelligence)} . Недавни развоји у свету вештачке интелигенције могу се приписати овој двојици јер су одиграли значајну улогу у побољшању интелигенције вештачке интелигенције.

Погледајте около и наћи ћете све више и више интелигентних машина. Захваљујући неуронским мрежама^{(Neural Networks)} и дубоком учењу^{(Deep Learning)} , послови и способности који су се некада сматрали јачом страном људи сада обављају машине. Данас машине више нису направљене да једу сложеније алгоритме, већ се уместо тога напајају да се развију у аутономни систем који самоподучава способан да револуционише многе индустрије широм света.

Неуралне мреже^{(Neural Networks)} и дубоко учење^{(Deep Learning )} пружили су огроман успех истраживачима у задацима као што су препознавање слика, препознавање говора, проналажење дубљих односа у скуповима података. Уз помоћ доступности огромне количине података и рачунарске снаге, машине могу да препознају објекте, преводе говор, обуче се да идентификују сложене обрасце, науче како да осмисле стратегије и праве планове за ванредне ситуације у реалном времену.

Дакле, како тачно ово функционише? Да ли знате да и неутралне ^(Neutral) мреже^(Networks) и дубоко учење^{(Deep-Learning)} , у ствари, да бисте разумели дубоко^(Deep) учење, прво морате да разумете неуронске мреже^{(Neural Networks)} ? Читајте даље да бисте сазнали више.

Шта је неуронска мрежа

Неуронска^(Neural) мрежа је у основи програмски образац или скуп алгоритама који омогућавају рачунару да учи из података посматрања. Неуронска^(Neural) мрежа је слична људском мозгу, који функционише тако што препознаје обрасце. Сензорни подаци се тумаче коришћењем машинске перцепције, означавања или груписања сировог уноса. Препознати обрасци су нумерички, затворени у векторе, у које се преводе подаци као што су слике, звук, текст итд.

Think Neural Network! Think how a human brain function

Као што је горе поменуто, неуронска мрежа функционише баш као људски мозак; сва знања стиче кроз процес учења. Након тога, синаптичке тежине чувају стечено знање. Током процеса учења, синаптичке тежине мреже се реформишу да би се постигао жељени циљ.

Баш као и људски мозак, неуронске мреже^{(Neural Networks)} раде као нелинеарни системи за паралелну обраду информација који брзо изводе прорачуне као што су препознавање образаца и перцепција. Као резултат тога, ове мреже раде веома добро у областима као што су препознавање говора, звука и слике где су улази/сигнали инхерентно нелинеарни.

Једноставним речима, можете запамтити неуронску мрежу као нешто што је способно да прикупи знање попут људског мозга и да га користи за предвиђања.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

Структура неуронских мрежа

(Имаге Цредит: Матхворкс)

Неуралне мреже^(Networks) се састоје од три слоја,

1. Улазни слој,
2. Скривени слој и
3. Излазни слој.

Сваки слој се састоји од једног или више чворова, као што је приказано на доњем дијаграму малим круговима. Линије између чворова означавају ток информација од једног чвора до другог. Информација тече од улаза ка излазу, односно с лева на десно (у неким случајевима може бити с десна на лево или у оба смера).

Чворови улазног слоја су пасивни, што значи да не мењају податке. Они примају једну вредност на свом улазу и дуплирају вредност на више излаза. Док^(Whereas) су чворови скривеног и излазног слоја активни. Тако могу да модификују податке.

У међусобно повезаној структури, свака вредност из улазног слоја се дуплира и шаље свим скривеним чворовима. Вредности које улазе у скривени чвор се множе са тежинама, скупом унапред одређених бројева ускладиштених у програму. Пондерисани улази се затим додају да би се добио један број. Неуронске мреже могу имати било који број слојева и било који број чворова по слоју. Већина апликација користи трослојну структуру са највише неколико стотина улазних чворова

Пример неуронске мреже^{(Example of Neural Network)}

Замислите неуронску мрежу која препознаје објекте у сонарном сигналу, а постоји 5000 узорака сигнала ускладиштених у рачунару. Рачунар мора да открије да ли ови узорци представљају подморницу, кит, санту леда, морске стене или ништа? Конвенционалне ДСП^{(Conventional DSP)} методе би приступиле овом проблему помоћу математике и алгоритама, као што су анализа корелације и спектра фреквенција.

Док са неуронском мрежом, 5000 узорака би се унело у улазни слој, што би резултирало да вредности искачу из излазног слоја. Одабиром одговарајућих тежина, излаз се може конфигурисати за извештавање о широком спектру информација. На пример, могу постојати резултати за: подморницу (да/не), морски камен (да/не), кит (да/не) итд.

Са другим тежинама, излази могу класификовати објекте као металне или неметалне, биолошке или небиолошке, непријатеље или савезнике, итд. Без алгоритама, без правила, без процедура; само однос између улаза и излаза диктиран вредностима изабраних тежина.

Сада, хајде да разумемо концепт дубоког учења.^{(Now, let’s understand the concept of Deep Learning.)}

Шта је дубоко учење

Дубоко учење је у основи подскуп неуронских мрежа^{(Neural Networks)} ; можда можете рећи сложену неуронску мрежу^{(Neural Network)} са много скривених слојева у њој.

Технички гледано, дубоко^(Deep) учење се такође може дефинисати као моћан скуп техника за учење у неуронским мрежама. Односи се на вештачке неуронске мреже ( АНН^(ANN) ) које се састоје од много слојева, масивних скупова података, моћног рачунарског хардвера који омогућава компликован модел обуке. Садржи класу метода и техника које користе вештачке неуронске мреже са више слојева све богатије функционалности.

Структура мреже дубоког учења^{(Structure of Deep learning network)}

Мреже дубоког^(Deep) учења углавном користе архитектуре неуронских мрежа и стога се често називају дубоким неуронским мрежама. Употреба рада „дубоко“ се односи на број скривених слојева у неуронској мрежи. Конвенционална неуронска мрежа садржи три скривена слоја, док дубоке мреже могу имати чак 120-150.

Дубоко ^(Deep) учење^(Learning) укључује уношење много података у рачунарски систем које може да користи за доношење одлука о другим подацима. Ови подаци се уносе кроз неуронске мреже, као што је случај у машинском учењу. Мреже за дубоко^(Deep) учење могу научити карактеристике директно из података без потребе за ручним издвајањем карактеристика.

Примери дубоког учења^{(Examples of Deep Learning)}

Дубоко учење се тренутно користи у скоро свакој индустрији, почевши од аутомобила^(Automobile) , ваздухопловства^(Aerospace) и аутоматизације^(Automation) до медицине^(Medical) . Ево неких примера.

• Гоогле^(Google) , Нетфлик^(Netflix) и Амазон^(Amazon) : Гоогле^(Google) га користи у својим алгоритмима за препознавање гласа и слика. Нетфлик^(Netflix) и Амазон^(Amazon) такође користе дубоко учење како би одлучили шта желите да гледате или купите следеће
• Вожња без возача: Истраживачи користе мреже дубоког учења како би аутоматски открили објекте као што су знакови за заустављање и семафори. Дубоко^(Deep) учење се такође користи за откривање пешака, што помаже у смањењу несрећа.
• Ваздухопловство и одбрана: Дубоко учење се користи за идентификацију објеката са сателита који лоцирају подручја од интереса и идентификују безбедне или небезбедне зоне за трупе.
• Захваљујући дубоком учењу^{(Deep Learning)} , Фацебоок^(Facebook) аутоматски проналази и означава пријатеље на вашим фотографијама. Скипе може превести говорну комуникацију у реалном времену и прилично прецизно.
• Медицинско истраживање: Медицински истраживачи користе дубоко учење за аутоматско откривање ћелија рака
• Индустријска аутоматизација^{(Industrial Automation)} : Дубоко учење помаже да се побољша безбедност радника око тешких машина аутоматским откривањем када су људи или објекти на небезбедној удаљености од машина.
• Електроника: Дубоко^(Deep) учење се користи у аутоматизованом превођењу слуха и говора.

Прочитајте^(Read) : Шта је машинско учење и дубоко учење^{(Machine Learning and Deep Learning)} ?

Закључак^(Conclusion)

Концепт неуронских мрежа^{(Neural Networks)} није нов, а истраживачи су постигли умерен успех у последњој деценији. Али права промена игре је еволуција дубоких^(Deep) неуронских мрежа.

Надмашујући традиционалне приступе машинском учењу, показао је да дубоке неуронске мреже могу бити обучене и испробане не само од стране неколико истраживача, већ имају обим да их усвоје мултинационалне технолошке компаније како би дошле са бољим иновацијама у блиској будућности.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• СМС Организатор: СМС апликација коју покреће машинско учење

• Шта су машинско учење и дубоко учење у вештачкој интелигенцији

• Како инсталирати Друпал користећи ВАМП на Виндовс-у

• Најбољи софтвер и хардвер Битцоин новчаници за Виндовс, иОС, Андроид

• Бесплатно подесите Интернет радио станицу на Виндовс рачунару

• Најбољи бесплатни софтвер за безбедне дигиталне нотебоок рачунаре и услуге на мрежи

• Најбоље карактеристике у ЛибреОффице Цалц-у

• Управљање е-отпадом, рециклажа, одлагање, чињенице, проблеми, решења

• Како да креирате самопотписане ССЛ сертификате у оперативном систему Виндовс 11/10

• 10 најбољих УСБ ЛЕД лампи за лаптопове

• Дискус оквир за коментаре се не учитава нити приказује за веб локацију

• Како заштитити лозинком и обезбедити пдф документе помоћу ЛибреОффице-а

• Како направити позивницу на Виндовс рачунару

• Најбољи алати за бесплатно слање СМС-а са рачунара

• Шта су велики подаци - једноставно објашњење са примером

• Претворите магнетне везе у везе за директно преузимање користећи Сеедр

• Разлика између аналогних, дигиталних и хибридних рачунара

• Шта је Блуе Вхале Цхалленге Даре игра

• Најбољи столови за лаптоп за куповину на мрежи

• Како шифровати и додати лозинке у ЛибреОффице документе