O que é uma rede neural em palavras simples [fechado]

Você pode explicar as redes neurais em palavras simples com um exemplo?

Uma rede neural é uma classe de sistema de computação. Eles são criados a partir de nós de processamento muito simples formados em uma rede. Eles são inspirados pela maneira como sistemas biológicos, como o cérebro, funcionam, embora muitas ordens de magnitude menos complexas no momento.

Eles são fundamentalmente sistemas de reconhecimento de padrões e tendem a ser mais úteis para tarefas que podem ser descritas em termos de reconhecimento de padrões. Eles são 'treinados', alimentando-os com conjuntos de dados com saídas conhecidas.

Como exemplo, imagine que você está tentando treinar uma rede para gerar 1 quando recebe uma imagem de um gato e 0 quando vê uma imagem que não é um gato. Você treinaria a rede executando muitas fotos de gatos através dela e usando um algoritmo para ajustar os parâmetros da rede até que ela desse a resposta correta. Os parâmetros são geralmente um ganho em cada entrada e um peso em cada nó, bem como a estrutura real da rede (quantos nós, em quantas camadas, com quais interconexões).

Reconhecer fotos de gatos é realmente um problema bastante complexo e exigiria uma rede neural complexa (possivelmente começando com um nó por pixel). Um ponto de partida usual para experimentar redes neurais é tentar implementar portas lógicas simples, como AND, OR, NOT etc. como redes neurais.

As redes neurais podem ser uma maneira muito rápida de obter um resultado complexo. Eles são muito interessantes para a pesquisa em IA porque são um modelo para o cérebro animal.

Uma das principais desvantagens das redes neurais é que é muito difícil fazer a engenharia reversa delas. Se sua rede decide que uma imagem em particular de um elefante é realmente um gato, você não pode realmente determinar 'por que' em qualquer sentido útil. Tudo o que você realmente pode fazer é tentar treinar / ajustar ainda mais a rede.

As redes neurais tendem a ser usadas para tarefas bem limitadas, como reconhecimento de moedas / notas em máquinas de venda automática ou detecção de defeitos nas linhas de produção.

O melhor lugar para começar, se você estiver interessado, é provavelmente o Google 'perceptron', que é o nome de um dos primeiros elementos da rede neural.

Estudo inteligência artificial em um programa de mestrado e usamos bastante redes neurais. Eles são realmente bastante úteis.

Eu acho que o problema das redes neurais é o nome deles. Isso confunde o que é uma rede neural real e faz com que algumas pessoas questionem seus méritos porque esperam que elas ajam como cérebros, quando são realmente um tipo de função sofisticado.

A melhor maneira de entender uma rede neural é ultrapassar o nome. Não pense nisso como um modelo de cérebro ... não é ... essa era a intenção nos anos 1960, mas em 2011, e eles são usados ​​o tempo todo para aprendizado e classificação de máquinas.

Uma rede neural é na verdade apenas uma função matemática. Você insere um vetor de valores, esses valores são multiplicados por outros valores e um valor ou vetor de valores é gerado. Isso é tudo .

Eles são muito úteis em domínios problemáticos em que não há função conhecida para aproximar os recursos (ou entradas) fornecidos às suas saídas (classificação ou regressão). Um exemplo seria o clima - existem muitos recursos para o clima - tipo, temperatura, movimento, cobertura de nuvens, eventos passados, etc. - mas ninguém pode dizer exatamente como calcular qual será o clima daqui a dois dias. Uma rede neural é uma função estruturada de maneira a facilitar a alteração de seus parâmetros para aproximar a previsão do tempo com base em recursos.

É isso mesmo ... é uma função e tem uma estrutura agradável, adequada para "aprender". Seriam utilizados os últimos cinco anos de dados climáticos - completos com os recursos climáticos e as condições do clima em dois dias no futuro, para todos os dias nos últimos cinco anos. Os pesos da rede (fatores multiplicadores que residem nas bordas) são gerados aleatoriamente e os dados são executados. Para cada previsão, o NN emitirá valores incorretos. Usando um algoritmo de aprendizado baseado em cálculo, como retropropagação, pode-se usar os valores de erro de saída para atualizar todos os pesos na rede. Depois de executar bastante os dados, os níveis de erro chegarão a um ponto mais baixo (há mais do que isso, mas não vou entrar aqui - o mais importante é o ajuste excessivo). O objetivo é interromper o algoritmo de aprendizado quando os níveis de erro estiverem no melhor ponto. A rede é então fixa e, nesse ponto, éapenas uma função matemática que mapeia valores de entrada em valores de saída, como qualquer equação antiga. Você alimenta novos dados e confia que os valores de saída são uma boa aproximação.

Para aqueles que afirmam que falharam: não são. Eles são extremamente úteis em muitos domínios. Como você acha que os pesquisadores descobrem correlações entre genes e doenças? NNs, assim como outros algoritmos de aprendizado, são usados ​​em bioinformática e em outras áreas. Eles demonstraram produzir resultados extremamente bons. A NASA agora os utiliza para rotinas de estações espaciais, como prever a duração da bateria. Algumas pessoas dirão que as máquinas de vetores de suporte etc. são melhores ... mas não há evidências disso, outros algoritmos são apenas mais recentes.

É realmente muito ruim que as pessoas ainda afirmem que as redes neurais falharam porque são muito mais simples que o cérebro humano - as redes neurais não são mais usadas para modelar cérebros - isso foi há 50 anos.

É um esquema matemático para a construção de uma equação (recebendo várias entradas numéricas e fornecendo uma única saída numérica) com pesos de coeficientes ajustáveis. Existem algoritmos que podem ajustar os coeficientes para que a equação se aproxime das saídas esperadas, dado um conjunto de treinamento que consiste em entradas e saídas esperadas.

O exemplo mais simples, junto com os gráficos, está disponível na Wikipedia . Este exemplo é conhecido como o XOR.

Em palavras simples, como você perguntou, a Rede Neural é uma idéia falhada de imitar redes neurais biológicas. Ele nunca deu resultados interessantes e provavelmente nunca funcionará, porque:

(1) é muito simplista comparado ao que você pode fazer com qualquer linguagem de programação completa de Turing

(2) é simplista demais em comparação com as redes neurais biológicas: elas se mostraram mais complexas do que se pensava no momento em que a teoria da NN foi criada.

Qualquer afirmação de que as redes neurais sejam bem-sucedidas em qualquer tarefa usada em aplicações do mundo real é um exagero.

Venha me votar.