배우는 생성하는 프로그램

  인공지능은 자동차, 의료와 산업 시스템과 적용 분야의 팽창하는 수의 극적 진보의 더 하트에 놓여 있습니다. 관심이 계속 상승한 것처럼, AI의 자연은 일상생활에서 AI의 성장하는 역할에 관한 약간의 혼란과 균일한 두려움을 유도했습니다. 점점 많은 수의 스마트 제품을 가능하게 하는 AI의 종류는 훨씬 사이언스 픽션의 문명 엔딩 AI에서 제거된 능력을 전달하기 위해 똑바르 그러나 자명하지 않은 공학법을 토대로 합니다.

  AI의 정의는 그것의 가장 진보적인 것 이르고 더 익숙한 기계가 특정한 작업을 수행한다고 훈련받는 형태에, 행위에서 기계가 휴먼-라이크 개념의 형태를 가라앉힙니다. 그것의 가장 발전된 형태에서, 사실인 인공지능은 약간의 결론에 독립적으로 도착하거나 단지 약간의 행동을 인간 실력으로 간주하기 위해 인간들의 명백한 방향과 통제 없이 작동할 것입니다. 더 익숙한 AI 스펙트럼의 공학-방향 지어진 말에, 기계 학습 (ML) 법은 일반적으로 현재 AI 적용을 위한 계산 토대를 제공합니다. 이러한 방법은 그 응답을 제공하기 위해 명백하게 작성된 사용하는 코드 없이 인상적 속도와 정확도와 데이터를 입력하기 위해 응답을 발생시킵니다. 소프트웨어 개발자들이 앵커 긴결 공법에서 데이터를 처리하기 위해 코드를 작성하는 동안, ML 개발자들은 인공 신경망 모델들과 같은 ML 알고리즘에게 데이터에 대한 기대응답을 발생시키는 것을 가르치기 위해 데이터를 사용합니다.
구축된 기초적 신경망 모델은 어떻습니까?
가장 익숙한 기계 학습의 종류 중에서, 신경망 모델들은 그들의 입력 층을 거쳐 은닉층 까지에서부터 출력 층까지 데이터를 통과시킵니다 (수치 1). 은닉층이 일련의 트렌스폼케이션트하트를 수행하도록 훈련받는가를 설명한 것처럼 입력 데이터의 다양한 수업을 구별하는데 필요한 기능을 추출하세요. 이러한 변환은 안에 끝납니다
가치가 출력 층에 실었으며, 그 곳에서 각각 출력 장치는 입력 데이터가 특정 계층에 속한다는 가능성을 대표하는 가치를 제공합니다. 이 접근법으로, 개발자들은 적절한 신경망 구조를 사용하여 사진 또는 센서 측정과 같은 데이터를 분류할 수 있습니다.

  신경망 구조는 인물 1에 나타난 전방향 신경 회로망의 단순형에서 (DNNs) 여러 은닉층과 개별 층이 수십만 뉴런을 포함하면서 구축된 깊은 신경망까지 범위에 이르는 많은 형태를 취합니다. 그럼에도 불구하고, 다른 아키텍처는 일반적으로 다중 입력과 단일 출력으로 인공 뉴론 단위를 토대로 합니다 (수치들 2). 형태 1 : 신경망은 다양한 입력 데이터 수업을 구별하도록 훈련받은 인공 뉴론의 레이어를 포함합니다. (원천 : 위키피디아로부터 적응됩니다)

형태 2 : 인공 뉴론은 작동하는 악티레이션 기능을 기반으로 출력을 생산합니다

노우론의 무게를 지운 임푸트스의 금액에. (원천 : 위키피디아)

전방향 신경 회로망에서, 입력 특이적 체중 wp에 의해 조정되는 그것의 입력, Ｘ를 합산하고, 플로운 것처럼 은닉층에서, 특별한 뉴런 엔은 계층 특성 바이어스 요소 비를 추가합니다 (형태에 나타나) :

  마침내, 집합된 밸류는 활성 기능에 의해 출력된 단일 값으로 변환됩니다. 요구조건에 따라서, 이러한 기능은 S0<>을 위해 0를 출력하는 정류된 선형 장치 (ReLU)와 같은 단순한 계단 함수 또는 아크 탄젠트 또는 비직선 매핑과 같은 많은 형태를 취할 수 있습니다.

비록 그들이 모두 데이터의 눈에 띄는 특징을 추출하도록 설계되지만, 다른 아키텍처는 의미 심장하게 다른 변환을 사용할 것입니다. (CNNs) 영상 인식 처리 응용에서 사용된 예를 들면, 컨벌루셔널 신경망은 핵심 회선을 사용합니다. 이것에서, 핵심으로 불린 기능은 그것을 특징 지도로 변형하기 위해 입력 영상에 회선을 수행합니다. 다음층은 더욱 뽑아내는 더 많은 회선 또는 다른 기능을 수행하고 CNN 모델까지 변형 기능이 더 단순한 신경망에서와 같이 비슷한 분류 확률 출력을 발생시킵니다. 그러나, 개발자들을 위해, 인기있는 신경망 구조를 위한 근본적 수학은 ML 개발 도구의 유용성 때문에 주로 투명합니다 (이 문제의 다른곳에서 논의됩니다).그 도구를 사용할 때, 개발자들은 훈련 집합이라고 불리는 일련의 데이터를 상당히 쉽게 신경망 모델을 구현하고 사용하여 기차로 가기 시작할 수 있습니다. 이 트레이닝 데이터 세트는 각각 관찰을 위해 데이터 감시와 정확한 캐시피케이션의 대표적 세트를 포함하고, 더 도전해 볼 만한 신경망 모델 개발의 측면 중 하나를 대표합니다.

훈련되고 배치된 신경망 모델은 어떻습니까?

  과거에 훈련 집합을 만드는 개발자들은 라이트 옵션을 가졌습니다 그러나 손으로 그것의 수정 명칭으로 각각 관찰을 라벨링하면서, 전형적 세트에서 요구된 많은 수천의 관찰을 통한 작품에 그렇다. 예를 들면, 도로 표지 인식 애플리케이션을 위한 훈련 집합을 만들기 위해, 그들

도로 표지의 이미지를 보고 정확한 호기명으로 각각 이미지를 라벨링할 필요가 있으세요. 예비 표지 데이터의 공공 도메인 세트는 많은 기계 학습 연구자들이 이 과제를 회피하고 알고리즘 개발에 초점을 맞추게 했습니다. 생산 ML 애플리케이션을 위해, 그러나, 라벨링 업무는 의미있는 도전을 제기할 수 있습니다. 진보적 ML 개발자들은 종종 a에서 사전 적응한 모델들을 이용합니다

과정은 이 문제를 완화시키는 것을 돕는 것을 배우는 열전달을 불렀습니다.