인공 신경망 ML 엔지니어가 알아야 할 7가지 유형

신경망은 인간의 신경계와 유사하게 작동하는 기계 학습에 사용되는 네트워크입니다. 많은 것들이 다양한 방식으로 연결되어 있는 인간의 두뇌처럼 기능하도록 설계되었습니다. 인공 신경망은 기존 컴퓨터가 잘 작동하지 않는 영역에서 광범위한 응용 프로그램을 찾습니다. 계산 모델에 사용되는 인공 신경망에는 여러 종류가 있습니다.

매개변수 집합과 수학 연산은 결과를 얻는 데 사용할 신경망 유형을 결정합니다. 여기에서는 기계 학습에서 중요한 신경망 유형 중 일부에 대해 설명합니다.

기계 학습의 상위 7개 인공 신경망

1. 모듈식 신경망

이러한 유형의 신경망에서는 많은 독립적인 네트워크가 결과에 집합적으로 기여합니다. 이러한 각 신경망에 의해 수행되고 구성되는 많은 하위 작업이 있습니다. 이것은 다른 신경망과 비교할 때 고유한 입력 세트를 제공합니다. 어떤 작업을 수행하기 위해 이러한 신경망 간에 신호 교환이나 상호 작용이 없습니다.

이러한 모듈식 네트워크는 상당한 계산 프로세스를 작은 구성요소로 완전히 분해하기 때문에 문제를 해결하는 동안 문제의 복잡성을 쉽게 줄일 수 있습니다. 또한 연결 수를 세분화하면 계산 속도가 향상되고 신경망 상호 작용의 필요성이 줄어듭니다.

총 처리 시간은 결과 계산에 뉴런이 관여하는 것과 프로세스에 관여하는 뉴런의 수에 따라 달라집니다. MNN(Modular Neural Networks)은 인공 지능에서 가장 빠르게 성장하는 분야 중 하나입니다.

2. 피드포워드 신경망 – 인공 뉴런

신경망의 정보는 한 방향으로 이동하며 인공 신경망의 가장 순수한 형태입니다. 이러한 종류의 신경망은 은닉층을 가질 수 있고 데이터는 입력 노드를 통해 입력되고 출력 노드를 통해 나갈 수 있습니다. 이 신경망에서는 활성화 함수 분류를 사용합니다. backpropagation은 없고 front propagated wave만 허용됩니다.

음성 인식 및 컴퓨터 비전과 같은 Feedforward 신경망의 많은 응용 프로그램이 있습니다. 이러한 유형의 신경망은 유지 관리가 더 쉽고 잡음이 많은 데이터에 대한 응답성이 뛰어납니다.

세계 최고의 대학에서 인공 지능 과정 을 온라인으로 받으십시오 . 석사, 이그 제 큐 티브 PGP 또는 고급 인증 프로그램을 획득하여 경력을 빠르게 추적하십시오.

3. 방사형 기저 기능 신경망

RBF의 기능에는 두 개의 계층이 있습니다. 이들은 점에 대한 중심의 거리를 고려하는 데 사용됩니다. 첫 번째 레이어에서 내부 레이어의 피처는 Radial Basis Function과 결합됩니다. 다음 단계에서 이 계층의 출력은 다음 반복에서 동일한 출력을 계산하기 위해 고려됩니다. Radial Basis 기능의 응용 중 하나는 Power Restoration Systems에서 볼 수 있습니다. 정전 후 가능한 한 안정적이고 신속하게 전력을 복구할 필요가 있습니다.

4. 코호넨 자가 조직화 신경망

이 신경망에서 벡터는 임의 차원의 이산 맵에 입력됩니다. 조직의 교육 데이터는 지도를 교육하여 생성됩니다. 지도에 하나 또는 두 개의 차원이 있을 수 있습니다. 뉴런의 가중치는 값에 따라 변경될 수 있습니다.

지도를 훈련하는 동안 뉴런의 위치는 변경되지 않으며 일정하게 유지됩니다. 자기 조직화 과정의 첫 번째 단계에서 모든 뉴런 값에 입력 벡터와 작은 가중치가 부여됩니다. 이기는 뉴런은 점에 가장 가까운 뉴런입니다. 다른 뉴런들도 두 번째 단계에서 승리한 뉴런과 함께 지점을 향해 움직이기 시작할 것입니다.

이기는 뉴런의 거리가 가장 짧고 유클리드 거리는 뉴런과 점 사이의 거리를 계산하는 데 사용됩니다. 각 뉴런은 클러스터의 각 종류를 나타내며 모든 점의 클러스터링은 반복을 통해 발생합니다.

코호넨 신경망의 주요 애플리케이션 중 하나는 데이터 패턴을 인식하는 것입니다. 또한 의료 분석에서 더 높은 정확도로 질병을 분류하는 데 사용됩니다. 데이터의 추세를 분석한 후 데이터를 다양한 범주로 클러스터링합니다.

5. 순환신경망(RNN)

Recurrent Neural Network의 원리는 레이어의 출력을 다시 입력으로 피드백하는 것입니다. 이 원칙은 레이어의 결과를 예측하는 데 도움이 됩니다. 계산 과정에서 각 뉴런은 기억 세포 역할을 합니다. 뉴런은 다음 단계로 넘어갈 때 일부 정보를 유지합니다.

이를 순환 신경망 프로세스라고 합니다. 나중에 사용할 데이터를 기억하고 그 과정에서 다음 단계를 위한 작업을 계속합니다. 오류 수정으로 예측이 향상됩니다. 오류 수정에서 올바른 예측 출력을 생성하기 위해 일부 변경이 이루어집니다. 학습률은 네트워크가 잘못된 예측에서 올바른 예측을 할 수 있는 속도입니다.

Recurrent Neural Networks의 응용 프로그램은 많이 있으며 그 중 하나는 텍스트를 음성으로 변환하는 모델입니다. 순환 신경망은 티칭 신호가 필요 없는 지도 학습을 위해 설계되었습니다.

6. 컨볼루션 신경망

이러한 유형의 신경망에서는 학습 가능한 편향과 가중치가 처음에 뉴런에 제공됩니다. 이미지 처리 및 신호 처리는 컴퓨터 비전 분야의 응용 프로그램 중 일부입니다. OpenCV를 인수했습니다.

이미지는 컴퓨팅 작업에서 네트워크를 돕기 위해 부분적으로 기억됩니다. 사진은 입력 특징을 일괄적으로 취하여 인식됩니다. 컴퓨팅 프로세스에서 이미지는 HSI 또는 RGB 스케일에서 그레이스케일로 변환됩니다. 이미지의 분류는 이미지가 변환된 후 다양한 범주로 수행됩니다. 픽셀 값 변화를 찾아 가장자리를 감지합니다.

ConvNet에서는 이미지 분류 및 신호 처리 기술이 사용됩니다. 이미지 분류를 위해 Convolutional Neural Networks는 매우 높은 수준의 정확도를 가지고 있습니다. 이것이 컨볼루션 신경망이 컴퓨터 비전 기술을 지배하는 이유이기도 합니다. 토지의 미래에 대한 수확량 및 성장 예측은 날씨 및 농업 기능에서 컨볼루션 신경망의 다른 응용 프로그램입니다.

7. 장기/단기 기억

1997년 Schmidhuber와 Hochreiter는 LSTM(장단기 기억 네트워크)이라고 하는 신경망을 구축했습니다. 주요 목표는 명시적으로 정의된 메모리 셀에서 사물을 오랫동안 기억하는 것입니다. "forget gate"에 의해 값을 잊어버리라고 하지 않는 한 이전 값은 메모리 셀에 저장됩니다.

새로운 것이 "입력 게이트"를 통해 메모리 셀에 추가되고 "출력 게이트"에 의해 결정된 벡터를 따라 셀에서 다음 은닉 상태로 전달됩니다. 원시 음악의 작곡, 셰익스피어와 같은 작문 또는 복잡한 시퀀스 학습은 LSTM의 응용 프로그램 중 일부입니다.

결론

이들은 인공 지능 및 기계 학습을 구동하는 데 사용되는 다양한 유형의 신경망입니다. 이 기사가 신경망과 ML에 사용되는 유형에 대한 정보를 제공하기를 바랍니다.

열정이 있고 인공 지능에 대해 더 배우고 싶다면 400시간 이상의 학습, 실습 세션, 직업 지원 등을 제공 하는 IIIT-B & upGrad의 기계 학습 및 딥 러닝 PG 디플로마를 수강할 수 있습니다.