Xiaobai için mutlaka görülmesi gereken: Sinir Ağlarına Başlarken
Bu makale, orijinal başlığı olan AI Araştırma Enstitüsü tarafından derlenen teknik bir blogdur:
Aptallar için sinir ağları: bu büyüleyici alana hızlı bir giriş
Yazar | Dalya Gartzman
Çeviri | Hayal Kırıklığı
Düzeltme | Soslu Armut Terbiyesi | Ananas Kız
Orijinal bağlantı:
https://medium.freecodecamp.org/neural-networks-for-dummies-a-quick-intro-to-this-fascinating-field-795b1705104a
Herkesin bahsettiği sinir ağının ne olduğunu bilmek istiyor ama sormaya cesaret edemiyor musunuz? Haha, korkmayı bırak! Bu makaleyi okuduktan sonra, herhangi bir konferansa girebilecek ve yeni edindiğiniz sözcüklerle öğle yemeğinde parlayabileceksiniz!
Geçtiğimiz birkaç yıl içinde bir tarayıcı açtıysanız, "sinir ağı" terimini (yüzlerce kez) görmüşsünüzdür.
Bu kısa makalede sizlere sinir ağları ve alanları hakkında biraz bilgi vereceğim. Önümüzdeki 5 dakika içinde bu alanda dünya uzmanı olmayabilirsiniz ama sıra dışı bir giriş aşaması yaşayacaksınız. Ayrıca, özellikle okumak için makalenin sonundaki okuma listesini gerçekten takip ettiğinizde, masada aileyi etkilemek için bazı modaya uygun sözcükler öğreneceksiniz.
Makine öğrenimi nedir?
Sinir ağlarını anlamak için önce makine öğrenimini anlamamız gerekir. Makine öğrenimini anlamak için, "klasik programlama" olan insan öğreniminden bahsetmemiz gerekiyor.
Klasik programlamada, bir geliştirici olarak, programımı bir çözüm haline getirmek için çözmeye çalıştığım sorunun tüm yönlerini anlamam ve tüm kuralların tam olarak ne olduğunu bilmem gerekiyor.
Örneğin, programımın kare ile daire arasındaki farkı bilmesini istediğimi varsayalım. Bununla başa çıkmanın bir yolu, açıları algılayabilen bir program yazmak ve ardından bunu açıları saymak için kullanmaktır. Program dört köşe görüyorsa, şekil bir kare, program köşeleri göremiyorsa şekil bir dairedir.
Makine öğrenimi ne olacak? Genel olarak konuşursak, makine öğrenimi = örneklerden öğrenme.
Makine öğreniminde, daireler ve kareler arasında ayrım yapma sorunuyla karşılaştığımızda, birçok şekil örneğini ve bunların sınıflarını (kareler veya daireler) girdi olarak alan bir öğrenme sistemi tasarlayacağız. Makinelerin özelliklerini kendileri ayırt etmeyi öğrenebileceklerini umuyoruz.
Sonra dostlarım, makine tüm bu özellikleri öğrendikten sonra ona yeni bir daire veya kare resim, daha önce görmediği bir resim verebilirim ve her şey yolunda giderse onu doğru bir şekilde sınıflandırabilir. .
Nöron nedir?
Nöronlar, sinir ağları bağlamında, akıllı insanlar için süslü bir isimdir, ancak aslında işlevlerdir. İşlev, matematik ve bilgisayar bilimi bağlamında, bazı girdileri kabul eden, bazı mantıkları uygulayan ve sonucu veren bir şeyi ifade etmek için kullanılan süslü bir addır.
Daha doğrusu, bir nöron bir öğrenme birimi olarak kabul edilebilir.
Bu nedenle, makine öğrenimi bağlamında bir çalışma biriminin ne olduğunu anlamamız gerekir. Daha sonra sinir ağlarının en temel bileşenini, yani nöronları da anlayacağız.
Örnek olarak, bir blog gönderisindeki kelime sayısı ile insanların o blog gönderisinden gerçekten okudukları kelime sayısı arasındaki ilişkiyi anlamaya çalıştığımı varsayalım. Unutmayın, makine öğrenimi alanındayız ve örneklerden öğreniyoruz.
Bu yüzden, blog gönderilerinin kelime sayısı hakkında, x ile gösterilen ve insanların bu makalelerde gerçekte kaç kelimeyi okuduğu, y ile gösterilen birçok örnek topladım ve sanırım aralarında f ile gösterilen belirli bir ilişki var.
Ancak işin püf noktası, sadece makineye (programa) hangi ilişkiyi görmeyi beklediğimi (düz bir çizgi gibi) söylemem gerekiyor ve makine gerçekte çizmesi gereken çizgiyi anlayacak.
Ondan ne aldım?
Bir dahaki sefere x kelimeyle bir blog yazısı yazmak istediğimde, makine bulduğu ilişkiyi kullanarak insanların gerçekte kaç kelimeyi okuyabildiğini söyleyebilir, y.
Yani, bir sinir ağı ...
Nöron bir işlevse, sinir ağı işlevsel bir ağdır! Bu, çok sayıda (özellikle birçok) bu tür işleve sahip olduğumuz anlamına gelir, bu tür öğrenme birimleri, bunların tüm girdileri ve çıktıları iç içe geçmiş ve birbirlerini besliyorlar.
Bu ağın tasarımcısı olarak benim işim aşağıdaki soruları yanıtlamak:
-
Girdi ve çıktıyı nasıl modellerim? (Örneğin, girdi metin ise harflerle? Sayılarla? Vektörlerle? .... modelleyebilir miyim?)
-
Her bir nöronun işlevi nedir? (Doğrusal mı? Üstel mi? ...)
-
Sinir ağının mimarisi nedir? (Yani hangi fonksiyonun çıktısı hangi fonksiyonun girdisidir?)
-
Ağımı tanımlamak için hangi kelimeleri kullanabilirim?
Bu soruları yanıtladıktan sonra, sinir ağının doğru girdi ve çıktısının birçok örneğini (özellikle birçok) "gösterebilirim". Umarım, daha önce hiç görmediği yeni bir girdi örneği "gösterdiğimde", nasıl verileceğini bilecektir. Doğru çıktıyı verin.
Bu öğrenme süreci nasıl işliyor bu makalenin kapsamı dışındadır, ancak daha fazlasını öğrenmek istiyorsanız, bunu okuyabilirsiniz. Bu kavramları daha iyi anlamak için bu süper havalı sinir ağı oyun alanına da gidebilirsiniz.
Sinir ağı - hiç bitmeyen bir hikaye
Bu alanın patlayıcı gelişimi ile her dakika bir sürü yeni (ve yüksek kaliteli) içerik ortaya çıkıyor ve herkesin hepsine dikkat etmesi imkansız. (Aman Tanrım, gelecekte bir gün insanların yapay zeka alanında insan gelişimini takip edebilecek bir yapay zeka yaratabileceğini düşünüyor musunuz?)
Bu alana girmek için bilmeniz gereken ilk şey, hiç kimsenin her şeyi bilmemesidir. Yani, hangi aşamada olursanız olun, gergin olmayın ve meraklı kalın :)
Bu nedenle, bu makalenin son birkaç cümlesinin kişisel favori referans kaynaklarımdan bazıları olmasını umuyorum:
-
Gal Yona - bu alanda en sevdiğim blog yazarlarından biri. Hem sert teknik açıklamalar hem de yarı felsefi eleştiriler yazıyor.
-
Siraj Raval - teorik açıklamalardan uygulamalı öğretime kadar birçok videolu bir youtuber, hepsi süper eğlenceli!
-
Christopher Olah - temel kavramlardan derinlemesine bilgi yayınlarına kadar görsel olarak çekici bir blogu olan tutkulu ve anlayışlı bir araştırmacı.
-
Doğru Veri Bilimi, bu alandaki en büyük medya yayınıdır ve benim hoşuma giden şey, editörlerinin mükemmel liderler olmasıdır. Birkaç dakika / saat boş zamanınız olduğunda, ana sayfalarına gidin ve pratik araçlardan derinlemesine algoritma içeriğine kadar her şeyi keşfetmeye başlayın.
Hagar Shilo, Adi Polak, Noa Raindel, Yudit Sharabi, Batel Mankovsky'ye teşekkürler.
Bu makalenin ilgili bağlantılarını ve referanslarını görüntülemeye devam etmek ister misiniz? Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
Bağlantıya uzun basın ve açmak için tıklayın veya [Little White Must See: Neural Network Başlangıç Kılavuzu] 'na tıklayın:
https://ai.yanxishe.com/page/TextTranslation/1303
AI Araştırma Enstitüsü heyecan verici içerikleri günlük olarak günceller, daha heyecan verici içerikler izleyin:
Python ile genetik algoritma uygulayın
Drone görüntülerinde hedef tespiti için derin öğrenme nasıl uygulanır
Makine öğrenimi ve derin öğrenme büyük PK! Daha güçlü böcek sınıflandırması kimdir?
Python gelişmiş teknikler: tek satır kod ile bellek kullanımını yarı yarıya azaltın
Çevirmenizi bekliyorum:
