第四次工业革命:人工智能(AI)入门

深度学习使用相同的方法。人工的、基于软件的计算器,近似的大脑中的神经元功能连接在一起。他们形成神经网络,接收输入信号 (继续我们的示例中,一辆汽车的图片);分析它; 预测,被告知预测是否正确。如果输出是错的, 神经元之间的连接被算法调整,将改变未来的预测。最初的网络会有错了很多次。但作为我们喂了数以百万计的例子,神经元之间的连接将进行调整,所以神经网络可以在几乎所有场合作出正确决定。熟(几乎)能生巧。

使用此过程中,提高效率,我们现在可以︰

  • 鉴别图片中的元素;
  • 实时翻译;
  • 语音控制设备 (通过苹果 Siri,谷歌 Now;亚马逊 Alexa 和微软 小娜);
  • 预测遗传变异如何影响 DNA 转录;
  • 分析客户评论中的情绪
  • 检测医学图像中的肿瘤;等。

深度学习并不适合所有问题。它通常需要大型数据集进行训练。它需要大量运算能力和一个神经网络。它有一个“可解释性”问题 — — 很难知道神经网络是如何发展其预测的。但通过把程序员从复杂的特征值中解放出来,深度学习已成功为一系列的重要问题交付了预测引擎。因此,它已经是 AI 开发者 的一个牛逼的工具包。

2.深度学习如何工作呢?

鉴于其重要性,它是有必要了解的如何深入学习的基础知识。深度学习涉及到使用人工的神经网络 — — 集合神经元 (基于软件的计算器) 连接在一起。

人工神经元有一个或多个输入。它执行数学计算基于这些提供的产出。输出将取决于每个输入的‘权重’和 ‘输入输出函数’ 在神经元中的配置 (图 5,所示)。输入输出函数可以发生变化。神经元可能是︰

  • 线性单元 (输出是成正比的总加权的输入;
  • 阈值单位(输出设置为两个级别中的一个,具体取决于是否总投入是上面指定的值)
  • S形单元 (输出不断变化,但作为输入的变化不是线性增长)

神经网络被创建当神经元连接到另一个;一个神经元的输出成为另一个的输入 (图 6,所示)。

神经网络被组织成多层的神经元 (所以叫 ‘深度’ 学习)。’输入的层’ 接收信息,神经网络将处理 — — 例如,一组图片。’输出层’ 提供结果。输入和输出之间层是大多数活动发生的’隐藏的层’。通常情况下,每个神经元上一个级别的神经网络的输出作为下一层神经元的输入 (图 7,所示)。

这篇文章对你有用吗?

点右边奖杯,点个赞⤵

平均分: / 5. 评价数:

太好了,这篇文章对你有用...

请在社交媒体上转发!

很抱歉,这篇文章对你没用...

让我们改进这篇文章!

发表评论

电子邮件地址不会被公开。