ディープラーニングとニューラルネットワークとは

ニューラルネットワーク と ディープラーニング は、現在、人工知能で現在使用されている2つの熱い流行語です。人工知能の世界における最近の動向は、AIの知性を向上させる上で重要な役割を果たしているため、これら2つに起因している可能性があります。

周りを見ると、ますますインテリジェントなマシンが登場します。ニューラルネットワークとディープラーニングのおかげで、かつては人間の才能と見なされていた仕事と能力が、現在、マシンによって実行されています。今日では、機械は複雑なアルゴリズムを食べることはなくなりましたが、代わりに、多くの産業に革命を起こす自律的な自己教授システムに発展していったのです。

Neural Networks and Deep学習 は、画像認識、音声認識、データセットのより深い関係の発見などのタスクにおいて、研究者に大きな成功をもたらしました。膨大な量のデータと計算能力が備わっているため、マシンはオブジェクトを認識し、音声を翻訳し、複雑なパターンを識別するためにトレーニングを行い、戦略を策定する方法を学び、リアルタイムでコンティンジェンシープランを作成できます。

作業？ニュートラルネットワークとディープ学習の両方が、実際にディープ学習を理解するために関連していることを知っていますか？まず、ニューラルネットワークについて理解する必要がありますか？

ニューラルネットワークとは

ニューラルネットワークは、基本的にプログラミングパターンまたはアルゴリズムのセットであり、コンピュータが観測データから学習することを可能にします。ニューラルネットワークは、パターンを認識することによって動作する人間の脳に似ています。感覚データは、機械の知覚、ラベリングまたは生の入力のクラスタリングを用いて解釈される。認識されるパターンは数値であり、ベクトルで囲まれ、画像、音声、テキストなどのデータが翻訳されます。

神経ネットワークを考えよう！人間の脳の働きを考える

前述のように、ニューラルネットワークは人間の脳のように機能する。学習プロセスを通じてすべての知識を取得します。その後、シナプス荷重は獲得した知識を保存する。ニューラルネットワークは、人間の脳と同様に、パターン認識やパターン認識などの計算を高速に実行する非線形の並列情報処理システムのように機能します。また、学習プロセス中に、ネットワークのシナプス重みが改変されて目的の目的が達成されます。知覚。結果として、これらのネットワークは、入力/信号が本質的に非線形である音声、音声、画像認識などの分野で非常によく機能します。

簡単に言えば、人間のような知識を蓄えることができるもの

入力層、

隠し層、および

の3層からなるニューラルネットワークは、出力層。

各層は、以下の図に示すように、小さな円で示されるように、1つまたは複数のノードからなる。ノード間の線は、あるノードから次のノードへの情報の流れを示す。情報は、入力から出力へ、すなわち左から右に流れる（場合によっては、右から左または両方の方向であり得る）。

1. 入力層のノードはパッシブであり、データを変更しない。彼らは入力に単一の値を受け取り、その値を複数の出力に複製します。一方、非表示レイヤーと出力レイヤーのノードはアクティブです。したがって、それらはデータを変更することができる。相互接続された構造では、入力層からの各値が複製され、すべての隠れノードに送られる。隠れノードに入る値には、プログラムに格納されている所定数の集合である重みが乗算されます。重み付けされた入力は、単一の数を生成するために加算されます。ニューラルネットワークは、任意の数の層、および層ごとの任意の数のノードを有することができる。ほとんどのアプリケーションは、最大数百の入力ノードを持つ3層構造を使用します。
2. ニューラルネットワークの例ソナー信号中の物体を認識するニューラルネットワークを考え、PCに5000個の信号サンプルが記憶されているとする。 PCは、これらのサンプルが潜水艦、クジラ、氷山、海砕石、または何も表示していないかを把握していなければなりません。従来のDSP方法は、相関および周波数スペクトル分析などの数学およびアルゴリズムでこの問題に近づくであろう。ニューラルネットワークでは、5000サンプルが入力層に供給され、出力層から値が飛び出す。適切な重みを選択することにより、広範囲の情報を報告するように出力を構成することができます。たとえば、潜水艦（yes / no）、海岩石（yes / no）、クジラ（yes / no）などの出力があるかもしれません。
3. 他の重量の場合、出力はオブジェクトを金属か非生物学的または非生物学的、敵または味方など。アルゴリズムなし、規則なし、手順なし。

ディープ・ラーニングとは

ディープ・ラーニングは、基本的にはニューラル・ネットワークのサブセットであり、入力と出力の関係は選択された重みの値によって決定されます。;多分、あなたはそれに多くの隠れた層を持つ複雑なニューラルネットワークを言うことができます。技術的に言えば、ディープラーニングはニューラルネットワークの学習のための強力な技術のセットと定義することもできます。それは複雑な訓練モデルを可能にするために、多くの層、大量のデータセット、強力なコンピュータハードウェアから構成される人工ニューラルネットワーク（ANN）を指す。

深い学習ネットワークの構造

深い学習ネットワークは、主にニューラルネットワークアーキテクチャを使用するため、深いニューラルネットワークと呼ばれることがよくあります。仕事「深い」の使用は、ニューラルネットワークにおける隠れた層の数を指す。従来のニューラルネットワークには3つの隠れ層があり、深いネットワークには120~150もあります。

ディープラーニングとは、コンピュータシステムに多くのデータを提供し、他のデータを決定するために使用できます。このデータは、機械学習の場合のように、ニューラルネットワークを介して供給される。深い学習ネットワークは、手動の特徴抽出を必要とせずに、データから直接的にフィーチャを学習することができます。

深い学習の例

自動車、航空宇宙、オートメーションから医療まで、ほぼすべての業界で深層学習が現在利用されています。例はいくつかあります。

Google、Netflix、Amazon：Googleは音声と画像の認識アルゴリズムでこれを使用しています。 NetflixとAmazonはまた、あなたが見たいものや次に購入したいものを決めるために深い学習を使います。

ドライバーなしでの運転：研究者は深い学習ネットワークを利用して、停止標識や信号などのオブジェクトを自動的に検出します。

航空宇宙および防衛：深い学習は、関心のある場所を探している衛星から物体を識別し、安全で危険な部隊を特定するために使用されます。

ディープラーニングは、Facebookが自動的にあなたの写真の友人を見つけてタグ付けします。

医療研究：医学研究者が深い学習を使用して癌細胞を自動的に検出する

産業オートメーション：深い学習は重機の周りの労働者の安全を自動的に改善するのに役立っています

神経ネットワークの概念は新しいものではなく、研究者は会ったことがある過去10年ほどで中程度の成功を収めています。しかし、実際のゲームチェンジャーはディープニューラルネットワークの進化であった。従来の機械学習アプローチを凌駕することで、深いニューラルネットワークはほとんど研究者だけではなく、訓練と試行が可能であることが示された。近い将来により良い技術革新をもたらすために、多国籍企業によって採用される予定です。

ディープラーニングとニューラルネットワークのおかげで、AIはタスクを実行するだけでなく、思考し始めました！