შესავალი ნერვულ ქსელებში

როგორც შესავალში განვიხილეთ, ინტელექტის მიღწევის ერთ-ერთი გზაა კომპიუტერული მოდელის ან ხელოვნური ტვინის მომზადება. მე-20 საუკუნის შუა ხანებიდან მკვლევარებმა სცადეს სხვადასხვა მათემატიკური მოდელები, სანამ ბოლო წლებში ეს მიმართულება უაღრესად წარმატებული აღმოჩნდა. ტვინის ასეთ მათემატიკურ მოდელებს ნეირონული ქსელები ეწოდება.

ზოგჯერ ნერვულ ქსელებს უწოდებენ ხელოვნურ ნერვულ ქსელებს, ANN-ებს, რათა მიუთითონ, რომ ჩვენ ვსაუბრობთ მოდელებზე და არა ნეირონების რეალურ ქსელებზე.

მანქანათმცოდნეობა

ნერვული ქსელები არის უფრო დიდი დისციპლინის ნაწილი, რომელსაც ეწოდება Machine Learning, რომლის მიზანია გამოიყენოს მონაცემები კომპიუტერული მოდელების მოსამზადებლად, რომლებსაც შეუძლიათ პრობლემების გადაჭრა. მანქანათმცოდნეობა წარმოადგენს AIს დიდ ნაწილს, თუმცა, ამ სასწავლო გეგმებში ჩვენ არ ვფარავთ კლასიკურ ML-ს.

ეწვიეთ ჩვენს ცალკე Machine Learning დამწყებთათვის სასწავლო გეგმას, რომ გაიგოთ მეტი კლასიკური მანქანათმცოდნეობის შესახებ.

მანქანათმცოდნეობაში, ჩვენ ვვარაუდობთ, რომ გვაქვს მაგალითების ნაკრები X და შესაბამისი გამომავალი მნიშვნელობები Y. მაგალითები ხშირად არის N-განზომილებიანი ვექტორები, რომლებიც შედგება ფუნქციებისგან, და გამოსავალს უწოდებენ ლეიბლებს.

ჩვენ განვიხილავთ მანქანური სწავლების ორ ყველაზე გავრცელებულ პრობლემას:

• კლასიფიკაცია, სადაც შეყვანის ობიექტი უნდა დავყოთ ორ ან მეტ კლასად.
• რეგრესია, სადაც უნდა ვიწინასწარმეტყველოთ რიცხვითი რიცხვი თითოეული შეყვანის ნიმუშისთვის.

შეყვანის და გამოსავლების ტენსორების სახით წარმოდგენისას, შეყვანის მონაცემთა ნაკრები არის M×N ზომის მატრიცა, სადაც M არის ნიმუშების რაოდენობა და N არის მახასიათებლების რაოდენობა. გამომავალი ეტიკეტები Y არის M ზომის ვექტორი.

ამ სასწავლო გეგმაში ჩვენ მხოლოდ ნერვული ქსელის მოდელებზე გავამახვილებთ ყურადღებას.

ნეირონის მოდელი

ბიოლოგიიდან ჩვენ ვიცით, რომ ჩვენი ტვინი შედგება ნერვული უჯრედებისგან (ნეირონები), თითოეულ მათგანს აქვს მრავალი „შეყვანი“ (დენდრიტები) და ერთი „გამომავალი“ (აქსონი). როგორც დენდრიტებს, ასევე აქსონებს შეუძლიათ ელექტრული სიგნალების გატარება და მათ შორის კავშირები - ცნობილი როგორც სინაფსები - შეიძლება აჩვენონ გამტარობის სხვადასხვა ხარისხი, რომელიც რეგულირდება ნეიროტრანსმიტერებით.

ამრიგად, ნეირონის უმარტივესი მათემატიკური მოდელი შეიცავს რამდენიმე შეყვანას X1, ..., XN და გამოსავალს Y და წონების სერიას W1, ... WN. გამომავალი გამოითვლება შემდეგნაირად:

სადაც f არის რაღაც არაწრფივი აქტივაციის ფუნქცია.

ნეირონების ადრეული მოდელები აღწერილი იყო კლასიკურ ნაშრომში ნერვულ საქმიანობაში იმანენტური იდეების ლოგიკური გაანგარიშება უორენ მაკალოკისა და უოლტერ პიტსის მიერ 1943 წელს. დონალდ ჰებმა თავის წიგნში "ქცევის ორგანიზაცია: ნეიროფსიქოლოგიური თეორია" შესთავაზა ამ ქსელების გაწვრთნა.

ამ განყოფილებაში

ამ განყოფილებაში ჩვენ გავეცნობით:

• პერცეპტრონი, ნერვული ქსელის ერთ-ერთი ყველაზე ადრეული მოდელი ორკლასიანი კლასიფიკაციისთვის
• მრავალ ფენიანი ქსელები დაწყვილებული ბლოკნოტით როგორ ავაშენოთ საკუთარი ჩარჩო
• ნერვული ქსელის ჩარჩოები, ამ ნოუთბუქებით: PyTorch და Keras/Tensorflow
• ზედმეტად მორგება