人工神经网络及其应用
当你阅读这篇文章时，你身体的哪个器官正在考虑它？当然是大脑！但是你知道大脑是如何工作的吗？嗯，它有神经元或神经细胞，它们是大脑和神经系统的主要单位。这些神经元接收来自外部世界的感觉输入，它们对其进行处理，然后提供输出，这些输出可能充当下一个神经元的输入。
这些神经元中的每一个都以突触的复杂排列与其他神经元相连。现在，你想知道这与人工神经网络有什么关系吗？好吧，人工神经网络是以人脑中的神经元为模型的。让我们详细看看它们是什么以及它们如何学习信息。
人工神经网络
人工神经网络包含称为单元的人工神经元。这些单元排列在一系列层中，这些层共同构成了系统中的整个人工神经网络。一个层只能有十几个单位或数百万个单位，因为这取决于如何需要复杂的神经网络来学习数据集中的隐藏模式。通常，人工神经网络具有输入层、输出层以及隐藏层。输入层接收来自外部世界的数据，神经网络需要分析或了解这些数据。然后，此数据通过一个或多个隐藏层，这些隐藏层将输入转换为对输出层有价值的数据。最后，输出层以人工神经网络对所提供输入数据的响应的形式提供输出。
在大多数神经网络中，单元从一层到另一层相互连接。这些连接中的每一个都有权重，用于确定一个单元对另一个单元的影响。当数据从一个单元传输到另一个单元时，神经网络会越来越多地了解数据，最终导致输出层的输出。
人类神经元的结构和操作是人工神经网络的基础。它也被称为神经网络或神经网络。人工神经网络的输入层是第一层，它接收来自外部源的输入并将其释放到隐藏层，即第二层。在隐藏层中，每个神经元接收来自前一层神经元的输入，计算加权总和，并将其发送到下一层的神经元。这些连接是加权的，意味着通过为每个输入分配不同的权重或多或少地优化了上一层输入的效果，并在训练过程中通过优化这些权重来调整这些权重以提高模型性能。
人工神经元与生物神经元
人工神经网络的概念来自动物大脑中发现的生物神经元，因此它们在结构和功能方面有很多相似之处。
- 结构：人工神经网络的结构受到生物神经元的启发。生物神经元有一个细胞体或体体来处理冲动，树突来接收它们，轴突将它们转移到其他神经元。人工神经网络的输入节点接收输入信号，隐藏层节点计算这些输入信号，输出层节点通过使用激活函数处理隐藏层的结果来计算最终输出。
| Biological Neuron 生物神经元 | Artificial Neuron 人工神经元 |
|---|---|
| Dendrite 树突 | Inputs 输入 |
| Cell nucleus or Soma 细胞核或相马 | Nodes 节点 |
| Synapses 突触 | Weights 权重 |
| Axon 轴突 | Output 输出 |
- 突触：突触是生物神经元之间的纽带，能够将脉冲从树突传递到细胞体。突触是将人工神经元中的一层节点连接到下一层节点的权重。链节的强度由重量值决定。
- 学习：在生物神经元中，学习发生在细胞体核或体细胞核中，细胞核或体细胞核有助于处理冲动。如果冲动足够强大以达到阈值，则会产生动作电位并穿过轴突。突触可塑性使这成为可能，突触可塑性代表了突触随着时间的推移而变强或变弱以响应其活动变化的能力。在人工神经网络中，反向传播是一种用于学习的技术，它根据预测结果和实际结果之间的误差或差异来调整节点之间的权重。
| Biological Neuron 生物神经元 | Artificial Neuron 人工神经元 |
|---|---|
| Synaptic plasticity 突触可塑性 | Backpropagations 反向传播 |
- 激活：在生物神经元中，激活是神经元的放电速率，当冲动足够强以达到阈值时发生。在人工神经网络中，一种称为激活函数的数学函数将输入映射到输出，并执行激活。
How do Artificial Neural Networks learn? 人工神经网络如何学习？
人工神经网络使用训练集进行训练。例如，假设您要教 ANN 识别猫。然后，它显示了数千张不同的猫图像，以便网络可以学习识别猫。一旦神经网络使用猫的图像进行了足够的训练，那么你需要检查它是否能正确识别猫的图像。这是通过使 ANN 通过确定它们是否是猫图像来对它提供的图像进行分类来完成的。人工神经网络获得的输出由人工提供的图像是否为猫图像的描述来证实。如果 ANN 识别不正确，则使用反向传播来调整它在训练期间学到的任何内容。反向传播是通过根据获得的错误率微调以 ANN 单元为单位的连接权重来完成的。这个过程一直持续到人工神经网络能够以最小的错误率正确识别图像中的猫。
人工神经网络有哪些类型？
- 前馈神经网络：前馈神经网络是最基本的人工神经网络之一。在此 ANN 中，提供的数据或输入沿单一方向传输。它通过输入层进入 ANN，通过输出层退出，而隐藏层可能存在也可能不存在。因此，前馈神经网络只有前向传播波，通常没有反向传播。
- 卷积神经网络：卷积神经网络与前馈神经网络有一些相似之处，其中单元之间的连接具有权重，这些权重决定了一个单元对另一个单元的影响。但是 CNN 具有一个或多个卷积层，该卷积层对输入使用卷积运算，然后将以输出形式获得的结果传递到下一层。CNN在语音和图像处理方面有应用，这在计算机视觉中特别有用。
- 模块化神经网络：模块化神经网络包含一组不同的神经网络，这些神经网络独立工作以获得输出，它们之间没有交互。与其他网络相比，每个不同的神经网络通过获得独特的输入来执行不同的子任务。这种模块化神经网络的优点是它将一个庞大而复杂的计算过程分解为更小的组件，从而降低其复杂性，同时仍能获得所需的输出。
- 径向基函数 神经网络：径向基函数是那些考虑点相对于中心的距离的函数。RBF 函数有两层。在第一层中，输入被映射到隐藏层中的所有径向基函数，然后输出层在下一步中计算输出。径向基函数网络通常用于对表示任何潜在趋势或函数的数据进行建模。
- 递归神经网络：递归神经网络保存层的输出，并将该输出反馈给输入，以更好地预测层的结果。RNN 中的第一层与前馈神经网络非常相似，一旦计算出第一层的输出，循环神经网络就会启动。在这一层之后，每个单元将记住上一步中的一些信息，以便它可以在执行计算时充当存储单元。
工神经网络的应用
- 社交媒体：人工神经网络在社交媒体中被大量使用。例如，让我们以 Facebook 上的"您可能认识的人"功能为例，该功能会推荐您在现实生活中可能认识的人，以便您可以向他们发送好友请求。好吧，这种神奇的效果是通过使用人工神经网络来实现的，该神经网络可以分析您的个人资料、您的兴趣、您当前的朋友以及他们的朋友以及各种其他因素来计算您可能认识的人。机器学习在社交媒体中的另一个常见应用是面部识别。这是通过在人的脸上找到大约 100 个参考点，然后使用卷积神经网络将它们与数据库中已有的参考点进行匹配来完成的。
- 营销和销售：当您登录亚马逊和
Flipkart等电子商务网站时，他们会根据您之前的浏览历史记录推荐您要购买的产品。同样，假设您喜欢意大利面，那么Zomato、Swiggy等会根据您的口味和以前的订单历史向您显示餐厅推荐。这适用于所有新时代的营销领域，如图书网站、电影服务、酒店网站等，它是通过实施个性化营销来完成的。这使用人工神经网络来识别客户的好恶、以前的购物历史等，然后相应地定制营销活动。 - 医疗保健：人工神经网络在肿瘤学中用于训练算法，这些算法可以在微观水平上以与训练有素的医生相同的精度识别癌组织。各种罕见疾病可能表现为身体特征，可以通过对患者照片进行面部分析来识别其过早阶段。因此，人工神经网络在医疗环境中的全面实施，只能提高医学专家的诊断能力，并最终导致全球医疗质量的整体提高。
- 个人助理：我相信你们都听说过Siri，Alexa，Cortana等，并且还根据您拥有的手机听说过它们!!这些是个人助理和语音识别的一个例子，它使用自然语言处理与用户交互并相应地制定响应。自然语言处理使用人工神经网络来处理这些个人助理的许多任务，例如管理语言语法、语义、正确的语音、正在进行的对话等。