Neuronale Netzwerke sind Computermodelle verbundener Einheiten oder Knoten, die dazu dienen, Informationen (Daten) auf ähnliche Weise zu übertragen, zu verarbeiten und daraus zu lernen, wie Neuronen (Nervenzellen) beim Menschen funktionieren.
Künstliche neurale Netzwerke
In der Technologie werden neuronale Netzwerke oft als künstliche neuronale Netzwerke (ANNs) oder neuronale Netze bezeichnet, um sich von den biologischen neuronalen Netzwerken zu unterscheiden, nach denen sie modelliert sind. Die Grundidee hinter ANNs ist, dass das menschliche Gehirn der komplexeste und intelligenteste "Computer" ist, der existiert. Durch die Modellierung von ANNs so nah wie möglich an die Struktur und das System der Informationsverarbeitung, die das Gehirn verwendet, hofften die Forscher, Computer zu entwickeln, die die menschliche Intelligenz erreichen oder übertreffen. Neuronale Netze sind eine Schlüsselkomponente der aktuellen Fortschritte in den Bereichen künstliche Intelligenz (KI), maschinelles Lernen (ML) und tiefes Lernen.
Wie neuronale Netzwerke funktionieren: Ein Vergleich
Um zu verstehen, wie neuronale Netze funktionieren und welche Unterschiede zwischen den beiden Arten (biologisch und künstlich) bestehen, wollen wir das Beispiel eines 15-stöckigen Bürogebäudes und die Telefonleitungen und Telefonzentralen verwenden, die Anrufe im gesamten Gebäude, in den einzelnen Etagen und in den einzelnen Büros leiten. Jedes einzelne Büro in unserem 15-stöckigen Bürogebäude stellt ein Neuron dar (Knoten in Computernetzwerken oder Nervenzellen in der Biologie). Das Gebäude selbst ist eine Struktur mit mehreren Büros, die in einem 15-stöckigen System (neuronales Netzwerk) angeordnet sind.
Anhand des Beispiels auf biologische neuronale Netze verfügt die Telefonzentrale, die Anrufe entgegennimmt, über Leitungen, über die Verbindungen zu beliebigen Büros in allen Etagen des gesamten Gebäudes hergestellt werden können. Darüber hinaus verfügt jedes Büro über Leitungen, die es mit jedem anderen Büro im gesamten Gebäude in jeder Etage verbinden. Stellen Sie sich vor, dass ein Anruf eingeht (Eingang) und die Vermittlung den Anruf an ein Büro in der 3 weiterleitetrd Stockwerk, das es direkt in ein Büro am 11th Stockwerk, das es dann direkt in ein Büro am 5th Fußboden. Im Gehirn kann sich jedes Neuron oder jede Nervenzelle (ein Büro) direkt mit jedem anderen Neuron in seinem System oder neuronalen Netzwerk (dem Gebäude) verbinden. Informationen (der Anruf) können an jedes andere Neuron (Büro) übertragen werden, um zu verarbeiten oder zu lernen, was benötigt wird, bis eine Antwort oder Auflösung (Ausgabe) vorliegt.
Wenn wir dieses Beispiel auf ANNs anwenden, wird es etwas komplexer. Für jede Etage des Gebäudes ist eine eigene Schalttafel erforderlich, über die nur die Büros in derselben Etage sowie die Schalttafeln in den darüber und darunter liegenden Etagen angeschlossen werden können. Jedes Büro kann nur eine direkte Verbindung zu anderen Büros auf derselben Etage und zur Telefonzentrale für diese Etage herstellen. Alle neuen Anrufe müssen mit der Telefonzentrale in der 1. Etage beginnen und müssen in numerischer Reihenfolge in die einzelnen Etagen bis zur 15 weitergeleitet werdenth Stock, bevor der Anruf enden kann. Lassen Sie uns etwas bewegen, um zu sehen, wie es funktioniert.
Stellen Sie sich vor, ein Anruf kommt an der 1 anst Etagenschalttafel und wird in ein Büro am 1st Stock (Knoten). Der Anruf wird dann direkt zwischen den anderen Stellen (Knoten) auf der 1 übertragenst Stock, bis es in den nächsten Stock geschickt werden kann. Dann muss der Anruf an die 1 zurückgeschickt werdenst Etagenschalttafel, die es dann an die 2 überträgtnd Bodenschalttafel. Dieselben Schritte wiederholen sich jeweils eine Etage, wobei der Anruf auf jeder Etage bis zum 15. Stock durch diesen Vorgang geleitet wird.
In ANNs sind Knoten (Büros) in Schichten (Etagen des Gebäudes) angeordnet. Informationen (ein Anruf) gelangen immer über die Eingabeebene (1st Boden und seine Schalttafel) und muss von jeder Schicht (Boden) gesendet und verarbeitet werden, bevor sie zur nächsten übergehen kann. Jede Schicht (Etage) verarbeitet ein bestimmtes Detail dieses Anrufs und sendet das Ergebnis zusammen mit dem Anruf an die nächste Schicht. Wenn der Anruf die Ausgabeschicht erreicht (15th Stockwerk und seine Schalttafel) enthält die Verarbeitungsinformationen aus den Schichten 1-14. Die Knoten (Büros) am 15th Ebene (Etage) Verwenden Sie die Eingabe- und Verarbeitungsinformationen von allen anderen Ebenen (Etagen), um eine Antwort oder Auflösung (Ausgabe) zu erhalten.
Neuronale Netze und maschinelles Lernen
Neuronale Netze sind eine Art von Technologie unter der Kategorie des maschinellen Lernens. Tatsächlich ist der Fortschritt in der Forschung und Entwicklung von neuronalen Netzen eng mit den Aufwärtsbewegungen und Fortschritten in ML verbunden. Neuronale Netze erweitern die Datenverarbeitungsfunktionen und steigern die Rechenleistung von ML, wodurch das Datenvolumen erhöht wird, das verarbeitet werden kann, und es können auch komplexere Aufgaben ausgeführt werden.
Das erste dokumentierte Computermodell für ANNs wurde 1943 von Walter Pitts und Warren McCulloch erstellt. Das anfängliche Interesse und die Erforschung neuronaler Netze und des maschinellen Lernens verlangsamte sich schließlich und wurde bis 1969 mehr oder weniger zurückgestellt, mit nur kleinen Ausbrüchen von neuem Interesse. Die Computer der damaligen Zeit verfügten einfach nicht über genügend schnelle oder große Prozessoren, um diese Bereiche weiter voranzutreiben, und die für ML- und neuronale Netze erforderlichen Datenmengen waren zu diesem Zeitpunkt nicht verfügbar.
Die enorme Steigerung der Rechenleistung im Laufe der Zeit sowie das Wachstum und die Expansion des Internets (und damit der Zugriff auf riesige Datenmengen über das Internet) haben diese frühen Herausforderungen gelöst. Neuronale Netze und ML sind heute in Technologien, die wir täglich sehen und nutzen, wie Gesichtserkennung, Bildverarbeitung und -suche sowie Sprachübersetzung in Echtzeit, von entscheidender Bedeutung.
Beispiele für neuronale Netzwerke im Alltag
Das ANN ist ein ziemlich komplexes Thema in der Technologie. Es lohnt sich jedoch, einige Zeit zu erforschen, da es immer mehr Auswirkungen auf unser tägliches Leben hat. Hier einige Beispiele, wie neuronale Netze derzeit von verschiedenen Branchen genutzt werden:
- Finanzen: Neuronale Netze werden verwendet, um die Wechselkurse vorherzusagen. Sie werden auch in der Technologie hinter automatischen Börsensystemen eingesetzt.
- Medizin: Die Bildverarbeitungsfähigkeiten von neuronalen Netzen haben zu einer Technologie beigetragen, die hilft, Krebsarten im Frühstadium genauer zu erkennen und zu erkennen. Eine solche Art von Krebs ist das invasive Melanom, die schwerwiegendste und tödlichste Form von Hautkrebs. Die Erkennung eines Melanoms in früheren Stadien, bevor es sich ausgebreitet hat, gibt Patienten mit dieser Krebsart die besten Chancen, sie zu bekämpfen.
- Wetter: Die Fähigkeit, atmosphärische Veränderungen, die auf ein möglicherweise ernsthaftes und gefährliches Wetterereignis hinweisen, so schnell und genau wie möglich zu erkennen, ist für die Rettung von Leben unerlässlich. Neuronale Netze sind an der Echtzeitverarbeitung von Satelliten- und Radarbildern beteiligt, die nicht nur die frühe Bildung von Wirbelstürmen und Wirbelstürmen erkennen, sondern auch plötzliche Änderungen der Windgeschwindigkeit und -richtung erkennen, die auf einen sich bildenden Tornado hindeuten. Tornados sind einige der stärksten und gefährlichsten Wetterereignisse, die je aufgezeichnet wurden - oft plötzlicher, zerstörerischer und tödlicher als Hurrikane.
