傻瓜神经网络：综合指南

我们的大脑是一台令人难以置信的模式识别机器。 它处理来自外部世界的“输入”，对它们进行分类（那是一只狗；那是一片披萨；哦，那是一辆开向我的公共汽车！），然后生成一个“输出”（抚摸狗；那个披萨；让开公共汽车！）。
所有这一切都几乎是出于冲动而有意识地努力。 如果有人在生我们的气，或者在我们加速驶过它时不由自主地注意到停止信号，这正是同一个系统。 心理学家将这种思维模式称为“系统 1”，它包括我们与其他动物共有的与生俱来的技能——比如感知和恐惧。 （还有一个“系统 2”，要了解更多信息，请查看Daniel Kahneman 的内容丰富的 Thinking, Fast and Slow ）。
你问，这一切与神经网络有什么关系？ 等一下，我们马上就到。

看上面的图片，只是你的常规数字，被扭曲以帮助你更好地解释神经网络的学习。 即使是粗略地看，你的大脑也会提示你“192”这个词。
你肯定没有说“啊，这似乎是一条直线，我认为它是 1”。 你没有计算它 - 它立即发生。
很迷人，对吧？
这有一个非常简单的原因——你在生活中多次遇到这个数字，通过反复试验，如果你把数字放在离它很近的地方，你的大脑就会自动识别出这个数字。
数据科学、机器学习和大数据之间有什么区别？

让我们切入正题。

究竟什么是神经网络？ 它是如何工作的？

根据定义，神经网络是一个硬件或软件系统，以人脑中神经元的工作模式为基础。 基本上，它可以帮助计算机像人类一样思考和学习。 一个例子将使这一点更清楚：
小时候，如果我们曾经碰过热咖啡杯而烫伤了我们，我们一定不要再碰热​​杯了。 但是，在我们触摸它之前，我们的良心中有没有这样的伤害概念？ 并不真地。
这种对我们周围世界的知识和理解的调整是基于对模式的认识。 而且，和我们一样，计算机也通过相同类型的模式识别进行学习。 这种学习形成了神经网络工作的整个基础。
传统的计算机程序在逻辑树上工作——如果 A 发生，则 B 发生。 每个系统的所有潜在结果都可以预先编程。 然而，这消除了灵活性的范围。 那里没有学习。
这就是神经网络发挥作用的地方！ 神经网络是在没有任何特定逻辑的情况下构建的。 从本质上讲，它是一个经过训练可以在数据中寻找和适应模式的系统。 它完全按照我们自己的大脑工作方式建模。 每个神经元（想法）通过突触连接。 每个突触都有一个值，表示两个神经元之间发生连接的概率或可能性。 看看下面的图片：

你问神经元到底是什么？
简单地说，神经元只是一个单一的概念。 一个杯子，白色，茶-，触摸热杯子的灼热感，基本上任何东西。 所有这些都是可能的神经元。 它们都可以连接起来，它们的连接强度取决于它们的突触值。 值越高，连接越好。 让我们看一个基本的神经网络连接，让你更好地理解：

每个神经元都是节点，连接它们的线是突触。 突触值表示一个神经元与另一个神经元并排出现的可能性。 因此，很明显，上图中显示的图表描述的是一个装有咖啡的杯子，它是白色的，而且非常热。
自然语言生成：你需要知道的最重要的事情

所有的杯子都没有像问题中那样的特性。 我们可以将许多其他神经元连接到杯子。 例如，茶可能比咖啡更常见。 连接两个神经元的可能性取决于连接它们的突触的强度。 热杯的数量越多，突触越强。
然而，在一个不使用杯子盛装热饮的世界里，热杯子的数量将急剧减少。 顺便说一句，这种减少也会导致将杯子与热量连接起来的突触强度降低。
所以，

变成

这个对杯子的小而看似不重要的描述代表了神经网络的核心构造。
我们触摸了放在桌子上的杯子——我们发现它很热。 它让我们觉得所有的杯子都很热。 然后，我们碰了碰另一个杯子——这次是放在架子上的那个——它一点也不热。 我们得出结论，架子上的杯子不热。 随着我们的成长，我们也在进化。
我们的大脑一直在接收数据。 这些数据使它可以确定我们将要触摸的杯子是否会很热的准确概率。 神经网络以完全相同的方式学习。
现在，让我们谈谈神经网络的第一个也是最基本的模型：感知器！

什么是感知器？

感知器是神经网络最基本的模型。 它需要多个二进制输入：x1、x2、……，并产生一个二进制输出。

让我们借助一个类比更好地理解上述神经网络。
说你走路上班。 你去上班的决定主要基于两个因素：天气，以及是否是工作日。 天气因素仍然可以控制，但周末工作是一个很大的问题！ 由于我们必须使用二进制输入，因此我们将条件提出为是或否问题。 天气好吗？ 1 表示是，0 表示否。 是工作日吗？ 1 是，0 不是。
自然语言理解初学者指南

请记住，我们不能明确地告诉神经网络这些条件； 它必须自己学习它们。 它在做决定时将如何决定这些因素的优先级？ 通过使用称为“权重”的东西。 权重只是偏好的数字表示。 较高的权重将使神经网络认为该输入比其他输入具有更高的优先级。 这由上面流程图中的 w1、w2……表示。
“好吧，这一切都非常吸引人，但是神经网络在实际场景中哪里可以找到工作呢？”

神经网络的实际应用

如果您还没有弄清楚，那么就是这样，只要您能够获得足够的数据和高效的机器来获得正确的参数，神经网络几乎可以做任何事情。 任何远程需要机器学习的东西都会求助于神经网络。 深度学习是另一个广泛使用神经网络的领域。 它是众多机器学习算法之一，使计算机能够执行大量任务，例如分类、聚类或预测。

• 在神经网络的帮助下，我们可以找到传统算法方法昂贵或不存在的问题的解决方案。
• 神经网络可以通过示例学习，因此我们不需要在很大程度上对其进行编程。
• 神经网络是准确的，并且比传统速度快得多。

由于上述及更多原因，深度学习通过利用神经网络，在以下领域得到广泛应用：

• 语音识别：以亚马逊 Echo Dot为例——神奇的扬声器让您可以点餐、获取新闻和天气更新，或者只需说出来就可以在线购买东西。
• 笔迹识别：可以训练神经网络来理解某人笔迹中的模式。 看看谷歌的手写输入应用程序——它利用手写识别将你的涂鸦无缝转换成有意义的文本。
• 人脸识别：从提高手机安全性（Face ID）到超酷的Snapchat 过滤器——人脸识别无处不在。 如果您曾经在 Facebook 上上传过照片并被要求标记照片中的人物，那么您就会知道什么是人脸识别！
• 在游戏中提供人工智能：如果您曾经与计算机下过国际象棋，那么您已经知道人工智能如何为游戏和游戏开发提供动力。 在某种程度上，玩家使用人工智能来改进他们的战术并亲自尝试他们的策略。

综上所述…
神经网络构成了您今天看到的几乎所有重大技术或发明的支柱。 公平地说，想象没有神经网络的深度/机器学习几乎是不可能的。 与传统的计算机系统相比，根据您实现网络的方式和所使用的学习类型，您可以从神经网络中获得很多成就。

从世界顶级大学学习 ML 课程。 获得硕士、Executive PGP 或高级证书课程以加快您的职业生涯。