2555d81160
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
Pengenalan kepada Rangkaian Neural
Seperti yang telah kita bincangkan dalam pengenalan, salah satu cara untuk mencapai kecerdasan adalah dengan melatih model komputer atau otak tiruan. Sejak pertengahan abad ke-20, para penyelidik mencuba pelbagai model matematik, sehingga beberapa tahun kebelakangan ini arah ini terbukti sangat berjaya. Model matematik otak ini dipanggil rangkaian neural.
Kadang-kadang rangkaian neural dipanggil Rangkaian Neural Tiruan, ANNs, untuk menunjukkan bahawa kita sedang bercakap tentang model, bukan rangkaian neuron sebenar.
Pembelajaran Mesin
Rangkaian Neural adalah sebahagian daripada disiplin yang lebih besar yang dipanggil Pembelajaran Mesin, yang bertujuan menggunakan data untuk melatih model komputer yang mampu menyelesaikan masalah. Pembelajaran Mesin merupakan sebahagian besar daripada Kecerdasan Buatan, namun, kita tidak akan membincangkan Pembelajaran Mesin klasik dalam kurikulum ini.
Lawati kurikulum Pembelajaran Mesin untuk Pemula kami untuk mengetahui lebih lanjut tentang Pembelajaran Mesin klasik.
Dalam Pembelajaran Mesin, kita mengandaikan bahawa kita mempunyai beberapa dataset contoh X, dan nilai output yang sepadan Y. Contoh-contoh ini sering kali merupakan vektor N-dimensi yang terdiri daripada ciri-ciri, dan output dipanggil label.
Kita akan mempertimbangkan dua masalah pembelajaran mesin yang paling biasa:
- Klasifikasi, di mana kita perlu mengklasifikasikan objek input kepada dua atau lebih kelas.
- Regresi, di mana kita perlu meramalkan nombor berangka untuk setiap sampel input.
Apabila mewakili input dan output sebagai tensor, dataset input adalah matriks bersaiz M×N, di mana M adalah bilangan sampel dan N adalah bilangan ciri. Label output Y adalah vektor bersaiz M.
Dalam kurikulum ini, kita hanya akan memberi tumpuan kepada model rangkaian neural.
Model Neuron
Daripada biologi, kita tahu bahawa otak kita terdiri daripada sel neural, setiap satunya mempunyai pelbagai "input" (akson), dan satu output (dendrit). Akson dan dendrit boleh menghantar isyarat elektrik, dan sambungan antara akson dan dendrit boleh menunjukkan tahap kekonduksian yang berbeza (dikawal oleh neuromediator).
 |
 |
|---|---|
| Neuron Sebenar (Imej dari Wikipedia) | Neuron Tiruan (Imej oleh Pengarang) |
Oleh itu, model matematik paling mudah bagi neuron mengandungi beberapa input X1, ..., XN dan satu output Y, serta satu siri berat W1, ..., WN. Output dikira sebagai:
di mana f adalah beberapa fungsi pengaktifan tidak linear.
Model awal neuron telah diterangkan dalam kertas klasik A logical calculus of the ideas immanent in nervous activity oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "The Organization of Behavior: A Neuropsychological Theory" mencadangkan cara rangkaian tersebut boleh dilatih.
Dalam Bahagian Ini
Dalam bahagian ini kita akan belajar tentang:
- Perceptron, salah satu model rangkaian neural terawal untuk klasifikasi dua kelas
- Rangkaian berlapis-lapis dengan notebook berpasangan cara membina rangka kerja kita sendiri
- Rangka Kerja Rangkaian Neural, dengan notebook berikut: PyTorch dan Keras/Tensorflow
- Overfitting
Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.