Naon nu peryogi kauninga ngartos téknologi ngarobah sabudeureun anjeun
Jaringan neural anu model komputer unit disambungkeun atawa titik dirancang pikeun ngirimkeun, prosés, sarta diajar ti informasi (data) dina cara nu sarupa jeung kumaha neuron (sél saraf) dianggo dina manusa.
Jieunan neural Jaringan
Dina téhnologi, jaringan neural anu mindeng disebut jaringan sakumaha jieunan neural (ANNs) atawa jaring neural keur ngabedakeun ti jaringan neural biologis aranjeunna nuju dimodelkeun sanggeus. Gagasan utama balik ANNs nyaéta yén otak manusa nyaeta nu paling rumit sarta calakan "komputer" nu aya. Ku modeling ANNs sakumaha raket sabisa kana struktur jeung sistem pamrosésan informasi dipaké ku otak, peneliti ngaharepkeun pikeun nyieun komputer anu ditilik atanapi surpassed kecerdasan manusa. Jaring neural mangrupakeun komponén konci advancements ayeuna di kecerdasan jieunan (AI), mesin diajar (ML), sarta learning jero .
Kumaha neural Jaringan Gawé: A Babandingan
Ngartos kumaha neural jaringan gawé sarta béda antara dua jenis (biologi jeung jieunan), hayu urang nganggo conto wangunan kantor 15-carita jeung garis telepon tur switchboards nu nelepon jalur sapanjang wangunan, floors individu, sarta kantor individu. Unggal kantor individu dina wangunan kantor kami 15-carita ngagambarkeun neuron (titik dina jaringan komputer atawa sél saraf dina biologi). Wangunan téa mangrupakeun struktur ngandung susunan kantor disusun dina sistem 15 lanté (jaringan neural).
Nerapkeun conto ka jaringan neural biologis, switchboard nu narima nelepon boga garis nyambung ka kantor sagala di lantai sagala di sakabéh wangunan. Sajaba ti, unggal kantor boga garis anu nyambung ka unggal kantor séjén di sakuliah wangunan di lantai nanaon. Ngabayangkeun nu nelepon asalna di (input) sarta mindahkeun switchboard ka hiji kantor di lantai 3 Rd nu Mindahkeun eta langsung ka kantor di lantai th 11, nu lajeng langsung Mindahkeun ka hiji kantor di lantai 5 th. Dina uteuk, unggal neuron atawa saraf sél (hiji kantor) bisa langsung nyambung ka sagala neuron lianna di sistem na atanapi jaringan neural (wangunan). Émbaran (sauran) bisa dikirimkeun ka mana waé neuron lianna (kantor) ngolah atanapi neuleuman naon anu diperyogikeun dugi aya jawaban atawa resolusi (output).
Nalika urang nerapkeun conto ieu ANNs, nya meunang rada bit leuwih kompleks. Unggal lantai wangunan butuh switchboard sorangan, anu ukur bisa nyambung ka kantor di lantai sarua, kitu oge switchboards dina lanté luhur jeung handap eta. Unggal kantor ngan langsung nyambung ka kantor séjén di lantai sarua jeung switchboard pikeun lanté éta. Kabéh télépon anyar kedah mimitian ku switchboard di lantai 1st sarta kudu dibikeun ka unggal lantai individu dina urutan numeris nepi ka lantai th 15 saméméh panggero nu bisa ngeureunkeun. Hayu urang nempatkeun eta ojah ningali kumaha gawéna.
Ngabayangkeun nu nelepon asalna di (input) kana 1 st lanté switchboard sarta dikirimkeun ka kantor dina 1 st floor (titik). Panggero kasebut lajeng dialihkeun langsung diantara kantor séjén (titik) dina 1 st lanté nepika siap dikirim ka lanté salajengna. Lajeng panggero kudu dikirim deui ka 1 st lanté switchboard, nu lajeng Mindahkeun ka 2 nd lanté switchboard. Ieu lengkah sarua ngulang hiji lantai dina hiji waktu, jeung panggero keur dikirim ngaliwatan prosés ieu dina unggal lantai hiji sakabéh jalan nepi ka lantai 15.
Dina ANNs, titik (kantor) nu disusun dina lapisan (floors wangunan). Émbaran (a panggero) salawasna asalna di ngaliwatan lapisan input (1 st lanté sarta switchboard na) jeung kudu dikirim ngaliwatan tur diolah ku unggal lapisan (lanté) sateuacan eta tiasa ngalih ka hiji salajengna. Unggal lapisan (lanté) prosés a jéntré husus ngeunaan panggero anu na ngirimkeun hasilna sapanjang jeung panggero ka lapisan salajengna. Lamun télépon tos nepi ka lapisan kaluaran (15 th lanté sarta switchboard na), eta kaasup informasi ngolah tina lapisan 1-14. Dina lapisan 15 th (lanté) tempat ngumpulna (kantor) nganggo input sarta ngolah émbaran ti sadaya lapisan séjénna (lanté) datang nepi ka jawaban atawa resolusi (output).
Jaringan neural na Mesin Learning
jaring neural mangrupakeun salah sahiji jenis téhnologi handapeun kategori mesin learning. Kanyataanna, kamajuan dina panalungtikan sarta pamekaran tina jaring neural geus pageuh disambungkeun kana ebbs sarta aliran tina kamajuan dina ML. jaring neural dilegakeun kamampuhan ngolah data jeung naekeun daya komputasi of ML, ngaronjatna volume data anu bisa diolah tapi ogé kamampuhan pikeun ngalakukan tugas leuwih kompleks.
modél komputer kahiji documented pikeun ANNs dijieun dina 1943 ku Walter Pitts jeung Warren McCulloch. interest awal jeung hasil panalungtikan di jaringan neural jeung learning mesin pamustunganana kalem tur éta leuwih atawa kirang shelved ku 1969, kalawan ukur bursts leutik dipikaresep renewed. Komputer waktu saukur teu boga cukup gancang atawa badag cukup prosesor maju wewengkon kasebut satuluyna, jeung jumlah vast data diperlukeun pikeun ML na jaring neural éta henteu sadia dina waktu éta.
nambahan masif dina kakuatan leuwih waktos komputasi sapanjang jeung tumuwuhna perluasan internet (sahingga aksés ka jumlahna masif data ngaliwatan internet) geus direngsekeun pamadegan tantangan mimiti. Jaring neural na ML nu kiwari instrumental di téknologi urang tingali jeung ngagunakeun unggal dinten, kayaning pangakuan raray , pamrosésan gambar na néangan, sarta tarjamah basa real-time - mun ngaran ngan sababaraha.
Conto Network neural di Sapopoé Kahirupan
The araya mangrupakeun topik cukup rumit dina téhnologi, kumaha oge, éta patut nyokot sababaraha waktu ngajajah kusabab ngaronjatna Jumlah cara eta tabrakan kahirupan urang unggal dinten. Di dieu aya sababaraha deui conto cara jaringan neural ayeuna dipaké ku industri béda:
- Keuangan: jaring neural anu dipaké pikeun ngaduga ongkos mata uang bursa. Éta ogé dipaké dina téhnologi balik sistem perdagangan otomatis dipaké di pasar saham.
- Kedokteran: The kamampuhan pengolahan citra sahiji jaring neural geus nyumbang ka téhnologi nu mantuan langkung akurat layar pikeun tur ngadeteksi mimiti-tahap sarta hésé pikeun ngaidentipikasi tipe kangker. Hiji tipe sapertos kangker téh melanoma invasif, bentuk paling serius na deadly kangker kulit. Ngidentipikasi melanoma dina hambalan tadi, méméh éta geus nyebarkeun, témbong penderita tipe ieu kanker Chances pangalusna ngéléhkeun éta.
- Cuaca: Kamampuh ngadeteksi parobahan atmosfir nu nunjukkeun hiji acara cuaca berpotensi serius tur bahaya gancang tur akurat sakumaha mungkin penting pisan pikeun nyimpen akherat. jaring neural nu aub dina ngolah real-time gambar satelit sarta radar nu teu ukur ngadeteksi formasi awal hurricanes jeung siklon, tapi ogé ngadeteksi parobahan dadakan di speed angin jeung arah nu nunjukkeun hiji puting beliung ngabentuk. Tornadoes aya sababaraha acara cuaca neneng jeung paling bahaya kana catetan - mindeng leuwih dadakan, destructive, sarta deadly ti hurricanes.