Wenn Sie neu in der Welt der künstlichen Intelligenz (KI) sind, dann ist Python eine großartige Sprache zum Lernen, da die meisten Tools damit erstellt wurden. tiefes Lernen Es ist eine Technik, die verwendet wird, um Vorhersagen unter Verwendung von Daten zu treffen, und die stark darauf angewiesen ist Neuronale Netze . Heute lernen Sie, wie Sie ein neuronales Netzwerk von Grund auf neu erstellen.
In einer Produktionsumgebung können Sie ein Deep-Learning-Framework wie z Tensorfluss wo PyTorch Anstatt ein eigenes neuronales Netzwerk zu erstellen. Es ist jedoch nützlich, einige Kenntnisse über die Funktionsweise neuronaler Netze zu haben, da Sie sie verwenden können, um Deep-Learning-Modelle besser zu entwerfen.
Videokredit: Studio TV
Einführung in die Künstliche Intelligenz
Einfach gesagt, das Ziel des Einsatzes von KI ist es, Computer dazu zu bringen, wie Menschen zu denken. Es mag wie etwas Neues klingen, aber das Weingut wurde in den 1950er Jahren geboren.
Stellen Sie sich vor, Sie müssten ein Python-Programm schreiben, das künstliche Intelligenz verwendet Sudoku-Problemlösung . Eine Möglichkeit, dies zu tun, ist das Schreiben bedingte Sätze Und überprüfen Sie die Einschränkungen, um zu sehen, ob Sie an jeder Position eine Zahl eingeben können. Nun, dieses Python-Skript ist wirklich eine KI-App, weil Sie einen Computer programmiert haben, um ein Problem zu lösen!
Maschinelles Lernen (ML) Und Tiefes Lernen (DL) Sie sind auch Ansätze zur Problemlösung. Der Unterschied zwischen diesen Techniken und dem Python-Skript ist die Verwendung von ML und DL Trainingsdaten Anstelle von codierten Regeln, aber sie alle können verwendet werden, um Probleme mit KI zu lösen. In den folgenden Abschnitten erfahren Sie mehr darüber, was diese beiden Technologien unterscheidet.
maschinelles Lernen
Maschinelles Lernen ist eine Technik, bei der Sie ein System trainieren, um ein Problem zu lösen, anstatt die Regeln explizit zu programmieren. Zurück zum Sudoku-Beispiel aus dem vorherigen Abschnitt: Um das Problem mithilfe von maschinellem Lernen zu lösen, müssen Sie Daten aus den gelösten Sudoku-Spielen sammeln und trainieren Statistisches Modell . Statistische Modelle Sie sind mathematisch formale Mittel zur Annäherung an das Verhalten eines Phänomens.
Eine häufige maschinelle Lernaufgabe ist Überwachtes Lernen , wo Sie einen Datensatz mit bekannten Eingaben und Ausgaben haben. Die Aufgabe besteht darin, mit diesem Datensatz ein Modell zu trainieren, das basierend auf der Eingabe die korrekte Ausgabe vorhersagt.
Das Ziel überwachter Lernaufgaben ist es, Vorhersagen über neue, unsichtbare Daten zu treffen. Dazu gehen Sie davon aus, dass diese unsichtbaren Daten einer Datei folgen Wahrscheinlichkeitsverteilung Ähnlich wie bei der Verteilung des Trainingsdatensatzes. Wenn sich diese Verteilung in Zukunft ändert, müssen Sie Ihr Modell mit dem neuen Trainingsdatensatz neu trainieren.
Neuronale Netze: Grundkonzepte
Ein neuronales Netzwerk ist ein System, das lernt, Vorhersagen zu treffen, indem es die folgenden Schritte befolgt:
- Nehmen Sie die Eingabedaten
- Vorwegnahme
- Vergleichen Sie die Prognose mit dem gewünschten Output
- Ändern Sie den inneren Zustand des Individuums, um das nächste Mal richtig vorherzusagen
drei Dimensionen Das Lagen Und lineare Regression sind einige der Grundbausteine neuronaler Netze. Die Daten werden als Vektoren gespeichert, und mit Python speichern Sie diese Vektoren im Format Tische . Jede Schicht transformiert die Daten der vorherigen Schicht. Sie können sich jede Ebene als Feature-Engineering-Schritt vorstellen, da jede Ebene eine Darstellung der zuvor bereitgestellten Daten extrahiert.
Das Interessante an neuronalen Netzwerkschichten ist, dass dieselben Berechnungen Informationen aus ihnen extrahieren können Welche Datentyp. Das heißt, es spielt keine Rolle, ob Sie Bilddaten oder Textdaten verwenden. Der Prozess zum Extrahieren nützlicher Informationen und Trainieren eines Deep-Learning-Modells ist für beide Szenarien gleich.
