1755330efa
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
Panimula sa Neural Networks
Tulad ng tinalakay natin sa panimula, isa sa mga paraan upang makamit ang katalinuhan ay ang pagsasanay ng isang modelo ng kompyuter o isang artipisyal na utak. Simula noong kalagitnaan ng ika-20 siglo, sinubukan ng mga mananaliksik ang iba't ibang mga matematikal na modelo, hanggang sa mga nakaraang taon kung saan napatunayan na ang direksyong ito ay napaka-matagumpay. Ang ganitong mga matematikal na modelo ng utak ay tinatawag na neural networks.
Minsan ang neural networks ay tinatawag na Artificial Neural Networks o ANNs, upang ipahiwatig na pinag-uusapan natin ang tungkol sa mga modelo, hindi ang totoong mga network ng neurons.
Machine Learning
Ang Neural Networks ay bahagi ng mas malawak na disiplina na tinatawag na Machine Learning, na ang layunin ay gamitin ang datos upang sanayin ang mga modelo ng kompyuter na kayang lutasin ang mga problema. Ang Machine Learning ay bumubuo ng malaking bahagi ng Artificial Intelligence, subalit, hindi natin tatalakayin ang klasikong ML sa kurikulum na ito.
Bisitahin ang aming hiwalay na Machine Learning for Beginners na kurikulum upang matuto pa tungkol sa klasikong Machine Learning.
Sa Machine Learning, ipinapalagay natin na mayroon tayong dataset ng mga halimbawa X, at mga kaukulang output na halaga Y. Ang mga halimbawa ay madalas na N-dimensional na mga vector na binubuo ng mga features, at ang mga output ay tinatawag na labels.
Tatalakayin natin ang dalawang pinakakaraniwang problema sa machine learning:
- Classification, kung saan kailangan nating uriin ang isang input na bagay sa dalawa o higit pang mga klase.
- Regression, kung saan kailangan nating hulaan ang isang numerikal na halaga para sa bawat input na halimbawa.
Kapag kinakatawan ang mga input at output bilang tensors, ang input dataset ay isang matriks na may sukat na M×N, kung saan ang M ay ang bilang ng mga halimbawa at ang N ay ang bilang ng mga features. Ang output labels Y ay isang vector na may sukat na M.
Sa kurikulum na ito, magpopokus lamang tayo sa mga modelo ng neural network.
Isang Modelo ng Neuron
Mula sa biyolohiya, alam natin na ang ating utak ay binubuo ng mga neural cells, bawat isa ay may maraming "inputs" (axons), at isang output (dendrite). Ang mga axons at dendrites ay maaaring magdala ng mga signal na elektrikal, at ang mga koneksyon sa pagitan ng axons at dendrites ay maaaring magpakita ng iba't ibang antas ng conductivity (kinokontrol ng mga neuromediator).
 |
 |
|---|---|
| Totoong Neuron (Larawan mula sa Wikipedia) | Artipisyal na Neuron (Larawan ng May-akda) |
Kaya, ang pinakasimpleng matematikal na modelo ng isang neuron ay naglalaman ng ilang inputs X1, ..., XN at isang output Y, at isang serye ng mga weights W1, ..., WN. Ang output ay kinakalkula bilang:
kung saan ang f ay isang non-linear na activation function.
Ang mga unang modelo ng neuron ay inilarawan sa klasikong papel na A logical calculus of the ideas immanent in nervous activity nina Warren McCullock at Walter Pitts noong 1943. Si Donald Hebb sa kanyang aklat na "The Organization of Behavior: A Neuropsychological Theory" ay nagmungkahi ng paraan kung paano maaaring sanayin ang mga network na ito.
Sa Seksyong Ito
Sa seksyong ito, matututuhan natin ang tungkol sa:
- Perceptron, isa sa mga pinakaunang modelo ng neural network para sa two-class classification
- Multi-layered networks na may kasamang notebook kung paano bumuo ng sarili nating framework
- Neural Network Frameworks, na may mga sumusunod na notebook: PyTorch at Keras/Tensorflow
- Overfitting
Paunawa:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.