AI-For-Beginners/translations/fi/lessons/3-NeuralNetworks

Johdanto neuroverkkoihin

Kuten keskustelimme johdannossa, yksi tapa saavuttaa älykkyyttä on kouluttaa tietokonemalli tai keinotekoinen aivo. 1900-luvun puolivälistä lähtien tutkijat kokeilivat erilaisia matemaattisia malleja, kunnes viime vuosina tämä suunta osoittautui erittäin menestyksekkääksi. Näitä aivojen matemaattisia malleja kutsutaan neuroverkoiksi.

Neuroverkkoja kutsutaan joskus keinotekoisiksi neuroverkoiksi (Artificial Neural Networks, ANNs) korostaakseen, että kyseessä ovat mallit, eivät oikeat hermosolujen verkostot.

Koneoppiminen

Neuroverkot ovat osa laajempaa tieteenalaa nimeltä koneoppiminen, jonka tavoitteena on käyttää dataa tietokonemallien kouluttamiseen ongelmien ratkaisemiseksi. Koneoppiminen muodostaa suuren osan tekoälystä, mutta emme käsittele perinteistä koneoppimista tässä oppimateriaalissa.

Tutustu erilliseen Koneoppiminen aloittelijoille -opetussuunnitelmaamme oppiaksesi lisää perinteisestä koneoppimisesta.

Koneoppimisessa oletamme, että meillä on jokin esimerkkien X datasetti ja vastaavat tulosarvot Y. Esimerkit ovat usein N-ulotteisia vektoreita, jotka koostuvat piirteistä, ja tuloksia kutsutaan luokiksi.

Käsittelemme kahta yleisintä koneoppimisongelmaa:

• Luokittelu, jossa meidän täytyy luokitella syöteobjekti kahteen tai useampaan luokkaan.
• Regressio, jossa meidän täytyy ennustaa numeerinen arvo jokaiselle syötenäytteelle.

Kun syötteet ja tulokset esitetään tensoreina, syötedatasetti on M×N-kokoinen matriisi, jossa M on näytteiden määrä ja N on piirteiden määrä. Tulosluokat Y ovat M-kokoinen vektori.

Tässä oppimateriaalissa keskitymme vain neuroverkkopohjaisiin malleihin.

Hermosolun malli

Biologiasta tiedämme, että aivomme koostuvat hermosoluista, joilla jokaisella on useita "tuloja" (aksonit) ja yksi lähtö (dendriitti). Aksonit ja dendriitit voivat johtaa sähköisiä signaaleja, ja aksonien ja dendriittien väliset yhteydet voivat osoittaa erilaisia johtavuusasteita (joita säätelevät välittäjäaineet).

Oikea hermosolu (Kuva Wikipediasta)	Keinotekoinen hermosolu (Kuva tekijältä)

Näin ollen yksinkertaisin matemaattinen hermosolumalli sisältää useita tuloja X₁, ..., X_N ja yhden lähdön Y sekä joukon painoja W₁, ..., W_N. Lähtö lasketaan seuraavasti:

missä f on jokin epälineaarinen aktivointifunktio.

Varhaiset hermosolumallit kuvattiin klassisessa artikkelissa A logical calculus of the ideas immanent in nervous activity, jonka kirjoittivat Warren McCullock ja Walter Pitts vuonna 1943. Donald Hebb ehdotti kirjassaan "The Organization of Behavior: A Neuropsychological Theory" tapaa, jolla näitä verkkoja voidaan kouluttaa.

Tässä osiossa

Tässä osiossa opimme:

• Perceptronista, joka on yksi varhaisimmista neuroverkkopohjaisista malleista kaksiluokkaiseen luokitteluun
• Monikerroksisista verkoista ja siihen liittyvästä muistikirjasta kuinka rakentaa oma kehys
• Neuroverkkokehityksestä ja näistä muistikirjoista: PyTorch ja Keras/Tensorflow
• Ylitrainauksesta

---

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.