딥 학습 및 신경망이란?

신경 회로망 및 Deep Learning 은 현재 인공 지능과 함께 사용되는 두 가지 뜨거운 유행어입니다. 인공 지능 세계의 최근 발전은 인공 지능의 지능을 향상시키는 데 중요한 역할을했기 때문에이 두 가지 요인에 기인 할 수 있습니다.

주변을 둘러보고 더 많은 지능형 기계를 발견하게 될 것입니다. Neural Networks와 Deep Learning 덕분에 한 때 인간의 장점으로 간주되었던 작업과 기능이 현재 기계에 의해 수행되고 있습니다. 오늘날 기계는 더 복잡한 알고리즘을 사용하지 않고 대신에 많은 산업 분야에 혁명을 일으킬 수있는 자율적 인 자체 교육 시스템으로 발전하게되었습니다.

신경 회로망 및 Deep 학습 은 이미지 인식, 음성 인식, 데이터 세트에서 더 깊은 관계를 찾는 것과 같은 작업에서 연구원에게 엄청난 성공을 가져 왔습니다. 엄청난 양의 데이터와 계산 능력의 도움으로 기계는 물체를 인식하고, 음성을 번역하고, 훈련하여 복잡한 패턴을 식별하고, 전략을 수립하고 실시간으로 비상 계획을 수립 할 수 있습니다.

작업? Neutral Networks와 Deep Learning은 모두 Deep Learning을 이해하기 위해 신경 네트워크에 대해 먼저 이해해야한다는 것을 알고 계십니까?

신경 네트워크 란?

신경 네트워크는 기본적으로 컴퓨터가 관측 데이터로부터 학습 할 수있게 해주는 프로그래밍 패턴 또는 알고리즘 세트입니다. 신경 네트워크는 패턴을 인식하여 작동하는 인간의 뇌와 유사합니다. 감각 데이터는 기계 인식, 라벨링 또는 원시 입력 클러스터링을 사용하여 해석됩니다. 인식 된 패턴은 수치이며, 벡터로 둘러싸여 있으며 이미지, 소리, 텍스트 등의 데이터가 번역됩니다.

신경망을 생각하십시오! 인간의 뇌 기능에 대해 생각해보십시오.

위에서 언급했듯이 신경망은 인간의 뇌와 똑같이 기능합니다. 학습 과정을 통해 모든 지식을 습득합니다. 그 후에, 시냅스 가중치는 획득 한 지식을 저장합니다. 학습 과정에서 네트워크의 시냅스 가중치가 원하는 목표를 달성하기 위해 개편됩니다.

인간의 뇌와 마찬가지로 Neural Networks는 패턴 인식 및 지각. 결과적으로 이러한 네트워크는 입력 / 신호가 본질적으로 비선형 인 음성, 오디오 및 이미지 인식과 같은 영역에서 매우 잘 수행됩니다.

간단히 말해서 신경망은 인간과 같은 지식을 축적 할 수있는 것으로 기억할 수 있습니다 신경망의 구조

뉴런 네트워크는

입력 층,

숨겨진 층, 등 세 계층으로 구성되어있다. 출력 계층. 각 계층은 하나 이상의 노드로 구성되며 아래 그림에서 작은 원으로 표시됩니다. 노드 사이의 선은 한 노드에서 다음 노드로의 정보의 흐름을 나타냅니다. 정보는 입력에서 출력으로, 즉 왼쪽에서 오른쪽으로 흐릅니다 (경우에 따라 오른쪽에서 왼쪽 또는 양방향으로 표시 될 수 있습니다).

1. 입력 레이어의 노드는 수동입니다. 즉, 데이터를 수정하지 않습니다.. 입력에 단일 값을 수신하고 값을 여러 출력에 복제합니다. 반면, 숨겨진 레이어와 출력 레이어의 노드는 활성화되어 있습니다. 따라서, 이들은 데이터를 수정할 수있다. 상호 연결된 구조에서, 입력 층으로부터의 각각의 값은 복제되어 모든 숨겨진 노드로 전송된다. 숨겨진 노드에 입력되는 값에는 가중치, 즉 프로그램에 저장된 미리 결정된 수의 세트가 곱 해집니다. 그런 다음 가중치가 적용된 입력을 추가하여 하나의 숫자를 생성합니다. 신경망은 임의의 수의 레이어와 레이어 당 여러 개의 노드를 가질 수 있습니다. 대부분의 응용 프로그램은 최대 수백 개의 입력 노드가있는 3 층 구조를 사용합니다.
2. 신경 회로망의 예

   소나 신호의 대상을 인식하는 신경망을 고려해 볼 때 PC에 저장된 신호 표본은 5000 개입니다. PC가이 샘플이 잠수함, 고래, 빙산, 바다 암석 또는 아무것도 나타내지 않는지 파악해야합니다. 종래의 DSP 방법은 상관 및 주파수 스펙트럼 분석과 같은 수학 및 알고리즘으로이 문제에 접근 할 것이다. 신경망을 사용하는 동안 5000 개의 샘플이 입력 층에 공급되어 출력 층으로부터 값이 튀어 나오게된다. 적절한 가중치를 선택하면 광범위한 정보를보고하도록 출력을 구성 할 수 있습니다. 예를 들어, 잠수함 (예 / 아니요), 바다 바위 (예 / 아니요), 고래 (예 / 아니요) 등의 출력이있을 수 있습니다.

3. 다른 가중치를 사용하면 출력물을 금속 또는 비 - 금속, 생물학적 또는 비 생물학적, 적 또는 동맹국 등. 알고리즘, 규칙, 절차 없음;

딥 학습 (Deep Learning)이란 무엇인가?

딥 학습은 기본적으로 신경 네트워크의 하위 집합이다.; 아마도 많은 숨겨진 레이어가있는 복잡한 신경망을 말할 수 있습니다.

기술적으로 말하자면, 딥 학습은 신경 네트워크 학습을위한 강력한 기술 집합으로 정의 할 수도 있습니다. 인공 신경망 (ANN)은 많은 계층, 거대한 데이터 세트, 강력한 컴퓨터 하드웨어로 구성되어 복잡한 교육 모델을 가능하게합니다. 여기에는 점점 더 풍부한 기능성을 가진 여러 계층의 인공 신경 네트워크를 사용하는 방법과 기술이 포함되어 있습니다.

깊은 학습 네트워크의 구조

깊은 학습 네트워크는 주로 신경 네트워크 아키텍처를 사용하므로 종종 심 신경 네트워크. "깊은"작업의 사용은 신경망에서 숨겨진 레이어의 수를 나타냅니다. 기존의 신경망에는 3 개의 숨겨진 레이어가 포함되어 있지만 딥 네트워크에는 120-150 개까지 저장할 수 있습니다.

딥 학습은 컴퓨터 시스템에 많은 데이터를 제공하여 다른 데이터를 결정할 때 사용할 수 있습니다. 이 데이터는 기계 학습의 경우와 마찬가지로 신경망을 통해 공급됩니다. 심층 학습 네트워크는 수동 피쳐 추출의 필요없이 데이터에서 직접 피쳐를 학습 할 수 있습니다.

심층 학습의 예

자동차, 우주 항공 및 자동화에서 의료로 시작하는 거의 모든 산업에서 심층 학습이 현재 사용되고 있습니다. 다음은 몇 가지 예입니다.

Google, Netflix 및 Amazon: Google은 음성 및 이미지 인식 알고리즘에이 광고를 사용합니다. 넷플 릭스 (Netflix)와 아마존 (Amazon)은 또한 당신이보고 싶어하거나 다음에 사고 싶은 것을 결정하기 위해 깊은 학습을 사용합니다.

운전자없이 운전: 연구원은 심화 학습 네트워크를 활용하여 정지 신호 및 신호등과 같은 물체를 자동 감지합니다. 깊은 학습은 또한 보행자를 탐지하여 사고를 줄이는 데에도 사용됩니다.

항공 우주 및 방위: 깊은 학습은 관심 지역을 찾는 인공위성의 물체를 식별하고 군대의 안전한 구역 또는 안전하지 않은 구역을 식별하는 데 사용됩니다.

감사합니다. Deep Learning, Facebook은 자동으로 친구의 사진을 찾고 태그를 붙입니다. Skype는 음성 통신을 실시간으로 정확하게 해석 할 수 있습니다.

의료 연구: 의학 연구원은 암 세포를 자동으로 탐지하기 위해 심층 학습을 사용합니다.

산업 자동화: 심화 학습은 중장비 주변의 작업자 안전을 자동으로 향상시킵니다 사람이나 물체가 안전하지 않은 거리에있을 때를 감지합니다.

전자 공학: 자동 학습 및 음성 번역에 심화 학습이 사용되고 있습니다. 결론

신경망의 개념은 새로운 것이 아니며 연구자들이 만났습니다 지난 10 년 간 적당한 성공을 거두었습니다. 그러나 진정한 게임 체인저는 딥 신경 네트워크의 진화입니다. 전통적인 기계 학습 접근법을 능가하는 것으로서 소수의 연구자 만이 아니라 깊은 신경 네트워크를 훈련하고 시행 할 수 있다는 것을 보여주었습니다. 가까운 장래에 더 나은 혁신을 위해 다국적 기술 기업에 채택 될 것입니다.

• Deep Learning과 Neural Network 덕분에 AI는 작업을 수행하는 것이 아니라 생각하기 시작했습니다!