Ett neuralt nätverk är en typ av maskininlärning som modellerar sig själv efter människans hjärna. Detta skapar ett konstgjort neuralt nätverk som via en algoritm låter datorn lära sig genom att inkorporera ny data.

Medan det finns massor av artificiell intelligensalgoritmer dessa dagar, kan neurala nätverk utföra det som har kallats djupt lärande. Medan den grundläggande enheten i hjärnan är neuronen är det väsentliga byggstenen i ett konstgjort neuralt nätverk en perceptron som åstadkommer enkel signalbehandling och dessa ansluts sedan till ett stort nätverksnätverk.

Datorn med det neurala nätverket lär sig att göra en uppgift genom att analysera träningsexemplen, som tidigare har märkts i förväg. Ett vanligt exempel på en uppgift för ett neuralt nätverk som använder djupt lärande är en objektigenkänningsuppgift där det neurala nätverket presenteras med ett stort antal objekt av en viss typ, t.ex. en katt eller ett gatustte och datorn, Genom att analysera de återkommande mönstren i de presenterade bilderna lär man sig att kategorisera nya bilder.

Hur neurala nätverk lär sig

Till skillnad från andra algoritmer kan neurala nätverk med sin djupa inlärning inte programmeras direkt för uppgiften. Snarare har de kravet, precis som ett barns utvecklande hjärna, att de behöver lära sig informationen. Inlärningsstrategierna går genom tre metoder:

  • Övervakat lärande: Denna inlärningsstrategi är den enklaste, eftersom det finns en märkt dataset som datorn går igenom, och algoritmen blir modifierad tills den kan bearbeta datasetet för att få önskat resultat.
  • Oövervakad inlärning: Denna strategi används i fall där det inte finns någon märkt dataset som är tillgänglig för att lära av. Det neurala nätverket analyserar datasetet, och sedan en kostnadsfunktion berättar sedan det neurala nätverket hur långt av målet det var. Det neurala nätverket justerar sedan för att öka noggrannheten hos algoritmen.
  • Förstärkt lärande: I denna algoritm förstärks det neurala nätverket för positiva resultat och straffas för ett negativt resultat, vilket tvingar det neurala nätverket att lära sig över tiden.

Historia av neurala nätverk

Medan neurala nätverk verkligen representerar kraftfull modern datorteknik, går tanken tillbaka till 1943, med två forskare vid University of Chicago, Warren McCullough, en neurofysiolog och Walter Pitts, en matematiker.

Deras papper, “En logisk analys av idéerna Immanent i nervös aktivitet,” publicerades först i tidningen Brain Theory, som populariserade teorin om att aktivering av en neuron är den grundläggande enheten för hjärnaktivitet. Emellertid hade detta dokument mer att göra med utvecklingen av kognitiva teorier vid den tiden och de två forskarna flyttade till MIT 1952 för att starta den första kognitiva vetenskapsavdelningen.

Neurala nätverk på 1950-talet var ett bördigt område för dator neuralt nätverk forskning, inklusive Perceptron som uppnådde visuellt mönsterigenkänning baserad på en sammansatt öga. År 1959 utvecklade två forskare från Stanford University MADALINE (Multiple ADAptive LINear Elements), med ett neuralt nätverk som gick utöver det teoretiska och tog på sig ett verkligt problem. MADALINE användes specifikt för att minska mängden eko på en telefonlinje för att förbättra röstkvaliteten och var så framgångsrik, den förblir i kommersiell användning till nuvarande tider.

Trots initial entusiasm i konstgjorda neurala nätverk, en anmärkningsvärd bok 1969 ut av MIT, hämtade Perceptroner: En introduktion till beräkningsgeometri detta. Författarna uttryckte sin skepticism av artificiella neurala nätverk, och hur det var sannolikt ett dödsfall i strävan efter sann artificiell intelligens. Detta fördjupade detta område avsevärt för forskning under 1970-talet, både i helhetsintresse och finansiering. Trots detta fortsatte en del ansträngningar och 1975 utvecklades det första flerskiktsnätet som banade vägen för vidare utveckling i neurala nätverk, en prestation som någon hade tänkt omöjligt mindre än ett decennium tidigare.

Intressen för 1982 var signifikant förnyad i neurala nätverk när John Hopfield, en professor vid Princeton University, uppfann det associativa neurala nätverket. Innovationen var att data kunde resa tvåvägs som tidigare det var bara enriktad, och är också känt för sin uppfinnare som ett Hopfield-nätverk. Framåt har konstgjorda neurala nätverk haft stor popularitet och tillväxt.

Den verkliga världen använder sig av neurala nätverk

Handskriftigenkänning är ett exempel på ett verkligt världsproblem som kan nås via ett konstgjort neuralt nätverk. Utmaningen är att människor kan känna igen handstil med enkel intuition, men utmaningen för datorer är varje persons handstil är unik, med olika stilar och till och med olika avstånd mellan bokstäver, vilket gör det svårt att identifiera konsekvent.

Till exempel kan den första bokstaven, en huvudstad A, beskrivas som tre raka linjer där två möts högst uppe och den tredje är tvärs över de andra två halvvägs och är meningsfull för människor men är en utmaning att uttrycka detta i en datoralgoritm.

Med den konstgjorda neurala nätverksmetoden matas datorn utbildningsexempel på kända handskrivna tecken, som tidigare har märkts vilken bokstav eller nummer de motsvarar, och via algoritmen lär datorn då att känna igen varje tecken och som data uppsättning tecken ökar, det gör också noggrannheten. Handskriftsigenkänning har olika tillämpningar, så varierad som automatisk adressläsning på brev i posttjänsten, vilket minskar bankbedrägerier på kontroller, till teckeninmatning för pennabaserad databehandling.

En annan typ av problem för ett konstgjort neuralt nätverk är prognoserna på de finansiella marknaderna. Detta gäller också begreppet "algoritmisk handel" och har tillämpats på alla typer av finansmarknader, från aktiemarknader, råvaror, räntor och olika valutor. När det gäller aktiemarknaden använder handlarna neurala nätverksalgoritmer för att hitta undervärderade aktier, förbättra befintliga lagermodeller och använda de djupa inlärningsspecifikationerna för att optimera deras algoritm när marknaden förändras. Det finns nu företag som specialiserar sig på neurala nätverksaktiehandel algoritmer, till exempel MJ Trading Systems.

Artificiella neurala nätverksalgoritmer, med sin inneboende flexibilitet, fortsätter att tillämpas för komplext mönsterigenkänning och prediktionsproblem. Förutom exemplen ovan inkluderar detta så varierade applikationer som ansiktsigenkänning på sociala medier, cancerdetektering för medicinsk bildbehandling och affärsprognoser.

  • Intresserad av AI? Vi har markerat 7 dagliga användningsområden för AI som du aldrig har tänkt på tidigare