Neuronale Netze für Dummies: Ein umfassender Leitfaden

Unser Gehirn ist eine unglaubliche Mustererkennungsmaschine. Es verarbeitet „Inputs“ von der Außenwelt, kategorisiert sie (das ist ein Hund; das ist ein Stück Pizza; oh, das ist ein Bus, der auf mich zukommt!) und generiert dann einen „Output“ (den Hund streicheln; der leckere Geschmack von diese Pizza; dem Bus aus dem Weg gehen!).
All dies mit wenig bewusster Anstrengung, fast impulsiv. Es ist das gleiche System, das erkennt, wenn jemand sauer auf uns ist oder unwillkürlich das Stoppsignal bemerkt, wenn wir daran vorbeirasen. Psychologen nennen diese Denkweise „System 1“, und sie beinhaltet angeborene Fähigkeiten – wie Wahrnehmung und Angst – die wir mit anderen Tieren teilen. (Es gibt auch ein 'System 2', um mehr darüber zu erfahren, lesen Sie das äußerst informative Thinking, Fast and Slow von Daniel Kahneman ).
Wie hängt das alles mit neuronalen Netzen zusammen , fragen Sie? Warte, wir sind gleich da.

Schauen Sie sich das Bild oben an, nur Ihre regulären Zahlen, verzerrt, um Ihnen zu helfen, das Lernen von neuronalen Netzwerken besser zu erklären. Selbst bei flüchtigem Hinsehen wird Ihr Verstand Sie mit den Worten „192“ auffordern.
Sie haben sicherlich nicht gesagt „Ah, das sieht aus wie eine gerade Linie, ich glaube, es ist eine 1“. Du hast es nicht berechnet – es ist sofort passiert.
Faszinierend, oder?
Dafür gibt es einen ganz einfachen Grund – Sie sind in Ihrem Leben schon so oft auf die Ziffer gestoßen, dass Ihr Gehirn die Ziffer durch Versuch und Irrtum automatisch erkennt, wenn Sie ihm etwas auch nur annähernd Ähnliches präsentieren.
Was ist der Unterschied zwischen Data Science, Machine Learning und Big Data?

Kommen wir zur Sache.

Was genau ist ein neuronales Netzwerk ? Wie funktioniert es?

Per Definition ist ein neuronales Netzwerk ein System aus Hardware oder Software, das der Funktionsweise von Neuronen im menschlichen Gehirn nachempfunden ist. Grundsätzlich hilft es Computern, wie Menschen zu denken und zu lernen. Ein Beispiel soll dies verdeutlichen:
Wenn wir als Kind jemals eine heiße Kaffeetasse berührt haben und es uns verbrannt hat, haben wir darauf geachtet, nie wieder eine heiße Tasse anzufassen. Aber hatten wir ein solches Konzept von Verletzung in unserem Gewissen, BEVOR wir es berührten? Nicht wirklich.
Diese Anpassung unseres Wissens und Verständnisses der Welt um uns herum basiert auf dem Erkennen von Mustern. Und wie wir lernen auch Computer durch die gleiche Art der Mustererkennung. Dieses Lernen bildet die gesamte Grundlage für das Funktionieren neuronaler Netze .
Herkömmliche Computerprogramme arbeiten mit Logikbäumen – Wenn A passiert, dann passiert B. Alle möglichen Ergebnisse für jedes der Systeme können vorprogrammiert werden. Dies eliminiert jedoch den Spielraum für Flexibilität. Da gibt es kein Lernen.
Und hier kommen neuronale Netze ins Spiel! Ein neuronales Netz wird ohne spezifische Logik aufgebaut. Im Wesentlichen handelt es sich um ein System, das darauf trainiert ist, Muster in Daten zu suchen und sich daran anzupassen. Es ist genau nachempfunden, wie unser eigenes Gehirn funktioniert. Jedes Neuron (Idee) ist über Synapsen verbunden. Jede Synapse hat einen Wert, der die Wahrscheinlichkeit oder Wahrscheinlichkeit darstellt, dass die Verbindung zwischen zwei Neuronen auftritt. Schauen Sie sich das Bild unten an:

Was genau sind Neuronen, fragen Sie?
Einfach ausgedrückt ist ein Neuron nur ein singuläres Konzept. Eine Tasse, die Farbe Weiß, Tee -, das brennende Gefühl, eine heiße Tasse zu berühren, im Grunde alles. All dies sind mögliche Neuronen. Sie alle können miteinander verbunden werden, und die Stärke ihrer Verbindung wird durch den Wert ihrer Synapse bestimmt. Je höher der Wert, desto besser die Verbindung. Sehen wir uns eine grundlegende neuronale Netzwerkverbindung an, damit Sie es besser verstehen:

Jedes Neuron ist der Knoten und die Linien, die sie verbinden, sind Synapsen. Der Synapsenwert stellt die Wahrscheinlichkeit dar, dass ein Neuron neben dem anderen gefunden wird. Es ist also ziemlich klar, dass das im obigen Bild gezeigte Diagramm einen Becher mit Kaffee beschreibt, der eine weiße Farbe hat und extrem heiß ist.
Generierung natürlicher Sprache: Die wichtigsten Dinge, die Sie wissen müssen

Nicht alle Becher haben die Eigenschaften wie der fragliche. Wir können viele andere Neuronen mit dem Becher verbinden. Tee zum Beispiel ist wahrscheinlich häufiger als Kaffee. Die Wahrscheinlichkeit, dass zwei Neuronen miteinander verbunden sind, wird durch die Stärke der sie verbindenden Synapse bestimmt. Je größer die Anzahl der heißen Tassen, desto stärker die Synapse.
In einer Welt, in der Becher nicht zum Aufbewahren heißer Getränke verwendet werden, würde die Anzahl heißer Becher jedoch drastisch abnehmen. Übrigens würde diese Abnahme auch zu einer Verringerung der Stärke der Synapsen führen, die Tassen mit Wärme verbinden.
Damit,

Wird

Diese kleine und scheinbar unwichtige Beschreibung eines Bechers repräsentiert die Kernkonstruktion neuronaler Netze .
Wir berühren einen Becher, der auf einem Tisch steht – wir stellen fest, dass er heiß ist. Es lässt uns denken, dass alle Tassen heiß sind. Dann berühren wir einen anderen Becher – diesmal den im Regal – der ist überhaupt nicht heiß. Wir schließen daraus, dass Tassen im Regal nicht heiß sind. Wenn wir wachsen, entwickeln wir uns weiter.
Unser Gehirn hat die ganze Zeit Daten aufgenommen. Diese Daten ermöglichen es, eine genaue Wahrscheinlichkeit dafür zu bestimmen, ob die Tasse, die wir berühren werden, heiß sein wird oder nicht. Neuronale Netze lernen auf die gleiche Weise.
Lassen Sie uns nun ein wenig über das erste und grundlegendste Modell eines neuronalen Netzwerks sprechen : das Perceptron!

Was ist ein Perzeptron?

Ein Perzeptron ist das grundlegendste Modell eines neuronalen Netzes. Es nimmt mehrere binäre Eingaben: x1, x2, … und erzeugt eine einzelne binäre Ausgabe.

Lassen Sie uns das obige neuronale Netzwerk mit Hilfe einer Analogie besser verstehen.
Angenommen, Sie gehen zur Arbeit. Ihre Entscheidung, zur Arbeit zu gehen, hängt hauptsächlich von zwei Faktoren ab: dem Wetter und ob es ein Wochentag ist oder nicht. Der Wetterfaktor ist noch überschaubar, aber Arbeiten am Wochenende ist ein großes Nein! Da wir mit binären Eingaben arbeiten müssen, schlagen wir die Bedingungen als Ja- oder Nein-Fragen vor. Ist das Wetter gut? 1 für ja, 0 für nein. Ist es ein Wochentag? 1 ja, 0 nein.
Ein Leitfaden für Anfänger zum Verständnis natürlicher Sprache

Denken Sie daran, dass wir dem neuronalen Netzwerk diese Bedingungen nicht explizit mitteilen können; es muss sie für sich selbst lernen. Wie entscheidet es über die Priorität dieser Faktoren, während es eine Entscheidung trifft? Durch die Verwendung von etwas, das als „Gewichte“ bekannt ist. Gewichtungen sind nur eine numerische Darstellung der Präferenzen. Eine höhere Gewichtung bewirkt, dass das neuronale Netzwerk diese Eingabe mit einer höheren Priorität als die anderen betrachtet. Dies wird durch w1, w2… im obigen Flussdiagramm dargestellt.
„Okay, das ist alles ziemlich faszinierend, aber wo finden neuronale Netze in einem praktischen Szenario Arbeit?“

Reale Anwendungen von Neuronalen Netzen

Wenn Sie es noch nicht herausgefunden haben, dann hier ist es, ein neuronales Netzwerk kann so ziemlich alles tun, solange Sie in der Lage sind, genügend Daten und eine effiziente Maschine zu erhalten, um die richtigen Parameter zu erhalten. Alles, was maschinelles Lernen auch nur im Entferntesten erfordert, wendet sich an neuronale Netze, um Hilfe zu erhalten. Deep Learning ist ein weiterer Bereich, der intensiven Gebrauch von neuronalen Netzen macht. Es ist einer der vielen maschinellen Lernalgorithmen, die es einem Computer ermöglichen, eine Vielzahl von Aufgaben wie Klassifizierung, Clustering oder Vorhersage auszuführen.

• Mit Hilfe von neuronalen Netzen können wir die Lösung solcher Probleme finden, für die ein traditionell-algorithmisches Verfahren teuer ist oder nicht existiert.
• Neuronale Netze können anhand von Beispielen lernen, daher müssen wir sie nicht in großem Umfang programmieren.
• Neuronale Netze sind genau und erheblich schneller als herkömmliche Geschwindigkeiten.

Aus den oben genannten und weiteren Gründen findet Deep Learning durch die Nutzung neuronaler Netze in den folgenden Bereichen umfangreiche Anwendung:

• Spracherkennung: Nehmen Sie das Beispiel von Amazon Echo Dot – magische Lautsprecher, mit denen Sie Essen bestellen, Nachrichten und Wetter-Updates erhalten oder einfach etwas online kaufen können, indem Sie es einfach aussprechen.
• Handschrifterkennung: Neuronale Netze können darauf trainiert werden, die Muster in der Handschrift einer Person zu verstehen. Werfen Sie einen Blick auf die Handschrifteingabe- Anwendung von Google – die Handschrifterkennung nutzt, um Ihre Kritzeleien nahtlos in aussagekräftige Texte umzuwandeln.
• Gesichtserkennung: Von der Verbesserung der Sicherheit auf Ihrem Telefon (Face ID) bis hin zu den supercoolen Snapchat-Filtern – Gesichtserkennung ist überall. Wenn Sie jemals ein Foto auf Facebook hochgeladen haben und gebeten wurden, die Personen auf Ihrem Foto zu markieren, wissen Sie, was Gesichtserkennung ist!
• Bereitstellung künstlicher Intelligenz in Spielen: Wenn Sie schon einmal Schach gegen einen Computer gespielt haben, wissen Sie bereits, wie künstliche Intelligenz Spiele und Spielentwicklung antreibt. Es geht darum, dass Spieler KI verwenden, um ihre Taktiken zu verbessern und ihre Strategien aus erster Hand auszuprobieren .

Abschließend…
Neuronale Netze bilden das Rückgrat fast jeder großen Technologie oder Erfindung, die Sie heute sehen. Es ist nur fair zu sagen, dass es nahezu unmöglich ist , sich tiefes/maschinelles Lernen ohne neuronale Netze vorzustellen. Je nachdem, wie Sie ein Netzwerk implementieren und welche Art von Lernen Sie verwenden, können Sie mit einem neuronalen Netzwerk im Vergleich zu einem herkömmlichen Computersystem viel erreichen .

Lernen Sie ML-Kurse von den besten Universitäten der Welt. Erwerben Sie Master-, Executive PGP- oder Advanced Certificate-Programme, um Ihre Karriere zu beschleunigen.