7 ประเภทของโครงข่ายประสาทเทียมที่วิศวกร ML จำเป็นต้องรู้

Neural Networks เป็นเครือข่ายที่ใช้ใน Machine Learning ซึ่งทำงานคล้ายกับระบบประสาทของมนุษย์ มันถูกออกแบบให้ทำงานเหมือนกับสมองของมนุษย์ที่มีหลายสิ่งเชื่อมโยงกันในรูปแบบต่างๆ โครงข่ายประสาทเทียมพบแอปพลิเคชันมากมายในพื้นที่ที่คอมพิวเตอร์แบบเดิมใช้งานไม่ได้ มีโครงข่ายประสาทเทียมหลายประเภทที่ใช้สำหรับแบบจำลองการคำนวณ

ชุดของพารามิเตอร์และการดำเนินการของคณิตศาสตร์กำหนดประเภทของโครงข่ายประสาทเทียมที่จะใช้เพื่อให้ได้ผลลัพธ์ เราจะพูดถึง Neural Networks ที่สำคัญบางประเภทใน Machine Learning:

เครือข่ายประสาทเทียม 7 อันดับแรกในการเรียนรู้ของเครื่อง

1. โครงข่ายประสาทแบบโมดูลาร์

ในโครงข่ายประสาทเทียมประเภทนี้ เครือข่ายอิสระจำนวนมากมีส่วนในผลลัพธ์ร่วมกัน มีงานย่อยจำนวนมากที่ดำเนินการและสร้างโดยโครงข่ายประสาทเทียมแต่ละโครงข่าย นี่เป็นชุดของอินพุตที่ไม่ซ้ำกันเมื่อเปรียบเทียบกับโครงข่ายประสาทเทียมอื่นๆ ไม่มีการแลกเปลี่ยนสัญญาณหรือการโต้ตอบระหว่างโครงข่ายประสาทเทียมเหล่านี้เพื่อทำงานใดๆ ให้สำเร็จ

ความซับซ้อนของปัญหาจะลดลงอย่างง่ายดายในขณะที่แก้ปัญหาด้วยเครือข่ายแบบแยกส่วนเหล่านี้ เนื่องจากจะแบ่งกระบวนการคำนวณขนาดใหญ่ออกเป็นส่วนประกอบย่อยๆ ความเร็วในการคำนวณยังได้รับการปรับปรุงเมื่อจำนวนการเชื่อมต่อลดลง และลดความจำเป็นในการโต้ตอบของโครงข่ายประสาทเทียมระหว่างกัน

เวลาทั้งหมดของการประมวลผลจะขึ้นอยู่กับการมีส่วนร่วมของเซลล์ประสาทในการคำนวณผลลัพธ์และจำนวนเซลล์ประสาทที่เกี่ยวข้องในกระบวนการนี้ Modular Neural Networks (MNNs) เป็นหนึ่งในพื้นที่ปัญญาประดิษฐ์ที่เติบโตเร็วที่สุด

2. โครงข่ายประสาทฟีดฟอร์เวิร์ด – เซลล์ประสาทเทียม

ข้อมูลในโครงข่ายประสาทเทียมเคลื่อนที่ไปในทิศทางเดียวและเป็นรูปแบบที่บริสุทธิ์ที่สุดของโครงข่ายประสาทเทียม โครงข่ายประสาทเทียมประเภทนี้สามารถมีเลเยอร์ที่ซ่อนอยู่และข้อมูลที่ป้อนผ่านโหนดอินพุตและออกผ่านโหนดเอาต์พุต ฟังก์ชันการจำแนกประเภทที่ใช้ในโครงข่ายประสาทเทียมนี้ ไม่มีการแพร่กลับ และอนุญาตเฉพาะคลื่นที่แพร่กระจายด้านหน้าเท่านั้น

มีแอพพลิเคชั่นมากมายของโครงข่ายประสาทเทียมของ Feedforward เช่น การรู้จำเสียงพูดและการมองเห็นด้วยคอมพิวเตอร์ การบำรุงรักษา Neural Networks ประเภทนี้ทำได้ง่ายกว่า และยังมีการตอบสนองที่ดีเยี่ยมต่อข้อมูลที่มีเสียงดัง

รับ หลักสูตรปัญญาประดิษฐ์ ออนไลน์จากมหาวิทยาลัยชั้นนำของโลก รับ Masters, Executive PGP หรือ Advanced Certificate Programs เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

3. ฟังก์ชั่นพื้นฐานเรเดียล Neural Network

หน้าที่ของ RBF มีสองชั้น ใช้เพื่อพิจารณาระยะห่างของจุดศูนย์กลางเทียบกับจุด ในเลเยอร์แรก คุณลักษณะในเลเยอร์ภายในจะรวมกับฟังก์ชัน Radial Basis ในขั้นตอนต่อไป เอาต์พุตจากเลเยอร์นี้จะถูกพิจารณาเพื่อคำนวณเอาต์พุตเดียวกันในการวนซ้ำครั้งต่อไป แอปพลิเคชั่นหนึ่งของฟังก์ชัน Radial Basis สามารถเห็นได้ใน Power Restoration Systems จำเป็นต้องฟื้นฟูพลังงานอย่างน่าเชื่อถือและรวดเร็วที่สุดหลังจากไฟฟ้าดับ

4. Kohonen Self Organizing Neural Network

ในโครงข่ายประสาทเทียมนี้ เวกเตอร์จะถูกป้อนลงในแผนที่แยกจากมิติใดๆ ข้อมูลการฝึกอบรมขององค์กรถูกสร้างขึ้นโดยการฝึกอบรมแผนที่ อาจมีหนึ่งหรือสองมิติบนแผนที่ น้ำหนักของเซลล์ประสาทอาจเปลี่ยนแปลงได้ขึ้นอยู่กับค่า

ตำแหน่งของเซลล์ประสาทจะไม่เปลี่ยนแปลงขณะฝึกแผนที่และจะคงที่ เวกเตอร์อินพุตและน้ำหนักขนาดเล็กจะมอบให้กับทุกค่าของเซลล์ประสาทในระยะแรกของกระบวนการจัดระเบียบตนเอง เซลล์ประสาทที่ชนะคือเซลล์ประสาทที่อยู่ใกล้กับจุดมากที่สุด เซลล์ประสาทอื่นๆ จะเริ่มเคลื่อนที่ไปยังจุดนั้นพร้อมกับเซลล์ประสาทที่ชนะในระยะที่สอง

เซลล์ประสาทที่ชนะจะมีระยะห่างน้อยที่สุด และระยะทางแบบยุคลิดจะใช้ในการคำนวณระยะห่างระหว่างเซลล์ประสาทกับจุด เซลล์ประสาทแต่ละเซลล์เป็นตัวแทนของคลัสเตอร์แต่ละประเภท และการรวมกลุ่มของจุดทั้งหมดจะเกิดขึ้นผ่านการวนซ้ำ

หนึ่งในแอปพลิเคชั่นหลัก Kohonen Neural Network คือการจดจำรูปแบบข้อมูล นอกจากนี้ยังใช้ในการวิเคราะห์ทางการแพทย์เพื่อจำแนกโรคได้อย่างแม่นยำมากขึ้น ข้อมูลจะถูกจัดกลุ่มเป็นหมวดหมู่ต่างๆ หลังจากวิเคราะห์แนวโน้มในข้อมูลแล้ว

5. โครงข่ายประสาทกำเริบ (RNN)

หลักการของ Recurrent Neural Network คือการป้อนกลับเอาต์พุตของเลเยอร์กลับไปยังอินพุตอีกครั้ง หลักการนี้ช่วยในการทำนายผลลัพธ์ของเลเยอร์ ในกระบวนการคำนวณ แต่ละเซลล์ประสาทจะทำหน้าที่เป็นเซลล์หน่วยความจำ เซลล์ประสาทจะเก็บข้อมูลบางอย่างไว้เมื่อทำขั้นตอนต่อไป

เรียกว่ากระบวนการโครงข่ายประสาทเทียมแบบกำเริบ ข้อมูลที่จะใช้ในภายหลังจะถูกจดจำและการทำงานสำหรับขั้นตอนต่อไปจะดำเนินการในกระบวนการ การคาดคะเนจะดีขึ้นโดยการแก้ไขข้อผิดพลาด ในการแก้ไขข้อผิดพลาด มีการเปลี่ยนแปลงบางอย่างเพื่อสร้างผลลัพธ์การคาดการณ์ที่ถูกต้อง อัตราการเรียนรู้คืออัตราเร็วที่เครือข่ายสามารถทำนายได้ถูกต้องจากการทำนายที่ผิด

มีการประยุกต์ใช้ Recurrent Neural Networks มากมาย และหนึ่งในนั้นคือรูปแบบของการแปลงข้อความเป็นคำพูด โครงข่ายประสาทที่เกิดซ้ำได้รับการออกแบบสำหรับการเรียนรู้ภายใต้การดูแลโดยไม่ต้องใช้สัญญาณการสอน

6. โครงข่ายประสาทเทียม

ในโครงข่ายประสาทประเภทนี้ ความเอนเอียงและน้ำหนักที่เรียนรู้ได้จะถูกมอบให้กับเซลล์ประสาทในขั้นต้น การประมวลผลภาพและการประมวลผลสัญญาณเป็นแอปพลิเคชั่นบางส่วนในด้านการมองเห็นด้วยคอมพิวเตอร์ มันเข้ายึดครอง OpenCV

ภาพจะถูกจดจำเป็นส่วนๆ เพื่อช่วยเครือข่ายในการดำเนินการด้านคอมพิวเตอร์ ภาพถ่ายได้รับการยอมรับโดยการใช้คุณสมบัติการป้อนข้อมูลแบบแบทช์ ในกระบวนการคำนวณ รูปภาพจะถูกแปลงเป็นระดับสีเทาจากมาตราส่วน HSI หรือ RGB การจัดหมวดหมู่รูปภาพจะทำเป็นหมวดหมู่ต่างๆ หลังจากแปลงรูปภาพแล้ว ตรวจพบขอบโดยการค้นหาการเปลี่ยนแปลงค่าพิกเซล

เทคนิคการจัดประเภทรูปภาพและการประมวลผลสัญญาณใช้ใน ConvNet สำหรับการจำแนกรูปภาพ Convolutional Neural Networks มีระดับความแม่นยำที่สูงมาก นั่นคือเหตุผลที่โครงข่ายประสาทเทียมกำลังครอบงำเทคนิคการมองเห็นด้วยคอมพิวเตอร์ การคาดคะเนผลผลิตและการเติบโตในอนาคตของพื้นที่บกเป็นการประยุกต์ใช้โครงข่ายประสาทเทียมในลักษณะอื่นๆ ในลักษณะสภาพอากาศและการเกษตร

7. หน่วยความจำระยะยาว / ระยะสั้น

Schmidhuber และ Hochreiter ในปี 1997 ได้สร้างโครงข่ายประสาทเทียมที่เรียกว่าเครือข่ายหน่วยความจำระยะสั้นระยะยาว (LSTMs) เป้าหมายหลักคือการจดจำสิ่งต่าง ๆ เป็นเวลานานในเซลล์หน่วยความจำที่กำหนดไว้อย่างชัดเจน ค่าก่อนหน้าจะถูกเก็บไว้ในเซลล์หน่วยความจำ เว้นแต่จะมีการบอกให้ลืมค่าโดย "forget gate"

สิ่งใหม่ๆ ถูกเพิ่มผ่าน "ประตูอินพุต" ไปยังเซลล์หน่วยความจำ และส่งผ่านไปยังสถานะที่ซ่อนอยู่ถัดไปจากเซลล์ตามเวกเตอร์ซึ่งกำหนดโดย "เกตเอาต์พุต" องค์ประกอบของดนตรีดึกดำบรรพ์ การเขียนเช่น Shakespeare หรือการเรียนรู้ลำดับที่ซับซ้อนคือการประยุกต์ใช้ LSTM บางส่วน

บทสรุป

นี่คือเครือข่ายประสาทประเภทต่างๆ ที่ใช้ในการขับเคลื่อนปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง เราหวังว่าบทความนี้จะช่วยให้กระจ่างเกี่ยวกับโครงข่ายประสาทเทียมและประเภทที่ใช้สำหรับ ML

หากคุณมีความหลงใหลและต้องการเรียนรู้เพิ่มเติมเกี่ยวกับปัญญาประดิษฐ์ คุณสามารถ เรียนหลักสูตร PG Diploma in Machine Learning และ Deep Learning ของ IIIT-B และ upGrad ที่มีการเรียนรู้มากกว่า 400 ชั่วโมง ภาคปฏิบัติ การช่วยเหลืองาน และอื่นๆ อีกมากมาย