Walton Electronics Co., Ltd.
Contactez nous

ContPerson : Walton-cara

Numéro de téléphone : 15986872308

Free call

Créant les programmes qui apprennent

July 1, 2022

Dernières nouvelles de l'entreprise Créant les programmes qui apprennent

  L'intelligence artificielle se trouve au coeur des avances dramatiques dans des véhicules à moteur, des soins de santé, des systèmes industriels, et un nombre en expansion de domaines d'application. Pendant que l'intérêt continue à monter, la nature de l'AI a obtenu une certaines confusion et même crainte au sujet du rôle croissant de l'AI dans la vie quotidienne. Le type d'AI qui permet un nombre croissant de produits futés construit sur des méthodes de génie industriel simples mais non triviales pour fournir des capacités loin enlevé de la civilisation-fin AI de la science-fiction.

  Définitions de gamme d'AI des ses la plupart avancé-et encore forme conceptuelle, où les machines sont comme humaine dans le comportement, à une forme plus familière où des machines sont formées pour effectuer des tâches spécifiques. Sous sa forme plus avancée, les véritables intelligences artificielles fonctionneraient sans direction et contrôle explicites des humains à arriver indépendamment à une certaine conclusion ou pour prendre une certaine mesure juste comme une force humaine. À la fin orientée ingénierie plus familière du spectre d'AI, les méthodes de l'apprentissage automatique (ml) fournissent typiquement la base informatique pour des applications actuelles d'AI. Ces méthodes produisent des réponses aux données d'entrée avec la vitesse et l'exactitude impressionnantes sans employer le code explicitement écrit pour fournir ces réponses. Tandis que les programmateurs de logiciel écrivent le code pour traiter des données dans les systèmes conventionnels, les promoteurs de ml emploient des données pour enseigner des algorithmes de ml tels que les modèles artificiels de réseau neurologique pour produire des réponses désirées aux données.
Comment est-ce qu'un modèle de base de réseau neurologique va-t-il a construit ?
Parmi les types les plus familiers d'apprentissage automatique, les modèles de réseau neurologique passent des données de leur couche d'entrée par des couches cachées à une couche de sortie (le schéma 1). Comme décrit, les couches cachées sont formées pour exécuter une série d'extrait de transformationsthat que les caractéristiques ont dû distinguer entre différentes classes des données d'entrée. Ces transformations culminent dedans
valeurs chargées dans la couche de sortie, où chaque unité de sortie fournit une valeur représentant la probabilité que les données d'entrée appartiennent dans une classe particulière. Avec cette approche, les promoteurs peuvent classifier des données telles que des images ou des mesures de capteur utilisant une architecture appropriée de réseau neurologique.

  Les architectures de réseau neurologique prennent beaucoup de formes, s'étendant du type simple de réseau neurologique de réaction représenté sur le schéma 1 aux réseaux neurologiques profonds (DNNs) établis avec plusieurs couches cachées et différentes couches contenant des centaines de milliers de neurones. Néanmoins, les différentes architectures construisent typiquement sur une unité artificielle de neurone avec des entrées multiples et un à sortie unique (le schéma 2). Le schéma 1 : Les réseaux neurologiques comportent des couches des neurones artificiels qualifiés pour distinguer différentes classes de données d'entrée. (Source : adapté de Wikipedia)

dernières nouvelles de l'entreprise Créant les programmes qui apprennent  0

dernières nouvelles de l'entreprise Créant les programmes qui apprennent  1

Le schéma 2 : Un neurone artificiel produit un résultat basé sur une fonction d'actiation qui fonctionne

sur la somme des imputs pesés des nouron. (Source : Wikipedia)

 

 

Dans un réseau neurologique de réaction, un neurone particulier n, dans des sommes cachées de couche ses entrées, x, s'est ajusté par un poids entrée-spécifique wp et ajoute un facteur polarisé couche-spécifique b (non représenté sur la figure) comme fllows :

dernières nouvelles de l'entreprise Créant les programmes qui apprennent  2

 

  En conclusion, les valeurs additionnées est converties en résultat simple de valeur par une fonction d'activation. Selon des conditions, ces fonctions peuvent prendre beaucoup de formes, telles qu'une fonction d'étape simple, une tangente d'arc, ou une cartographie non linéaire telle qu'une unité linéaire rectifiée (ReLU), qui produit 0 pour S0<>.

Bien qu'ils tous soient conçus pour extraire les caractéristiques de distinction des données, les différentes architectures pourraient employer des transformations sensiblement différentes. Par exemple, les réseaux neurologiques circonvolutionnaires (CNNs) ont employé dans des applications d'image-reconnaissance pour employer des convolutions de noyau. En cela, les fonctions, appelées les noyaux, effectuent des convolutions sur l'image d'entrée pour la transformer en cartes de caractéristique. Les couches suivantes effectuent plus de convolutions ou d'autres fonctions, plus loin extrayant et transformant des caractéristiques jusqu'au modèle de CNN produit d'un résultat semblable de probabilité de classification comme dans des réseaux neurologiques plus simples. Cependant, pour des promoteurs, les maths sous-jacentes pour des architectures populaires de réseau neurologique sont en grande partie transparentes en raison de la disponibilité des instruments de développement de ml (a discuté ailleurs dans cette question). Utilisant ces outils, les promoteurs peuvent assez facilement mettre en application un modèle de réseau neurologique et commencer à le former utilisant un ensemble de données a appelé l'ensemble s'exerçant. Cet ensemble de données s'exerçant inclut un ensemble représentatif d'observations de données et le casification correct pour chaque observation et représente un des aspects plus provocants du modèle de développement de réseau neurologique.

Comment est-ce qu'un modèle de réseau neurologique est formé et déployé ?

  Dans le passé, les promoteurs créant les ensembles s'exerçants ont eu l'option de ltte mais pour travailler par les nombreux milliers d'observations exigées dans un ensemble typique, marquant manuellement chaque observation avec son nom correct. Par exemple, pour créer un ensemble s'exerçant pour une application de reconnaissance de panneau routier, ils

le besoin de regarder des images des panneaux routiers et du label chaque image avec le nom correct de signe. Les ensembles de public domain de données prémarquées ont laissé beaucoup de chercheurs d'apprentissage automatique évitent ces tâche et foyer sur le développement d'algorithme. Pour des applications de ml de production, cependant, la tâche de étiquetage peut présenter un défi significatif. Les promoteurs avancés de ml emploient souvent les modèles préalablement formés dans a

le processus a appelé le transfert apprenant à aider à faciliter ce problème.

Prenez contact avec nous

Entrez votre message