Bases du Deep Learning : que sont les réseaux de neurones ?

Le cerveau humain est une fantastique machine à reconnaître les formes. Il traite les entrées externes, les catégorise et génère une sortie, avec un effort conscient minimal.À la base, l'apprentissage en profondeur (et plus largement l'intelligence artificielle) tente d'imiter ce processus cérébral. La cartographie réelle, cependant,se passe avec ce qu'on appelle un réseau de neurones.

Les réseaux de neurones sont l'une des méthodes les plus populaires de résolution de problèmes en apprentissage automatique. Alors que la demande d'emplois en science des données augmente dans les pôles technologiques tels que Toronto et New York , comprendre comment appliquer ces concepts sera essentiel. BrainStation Formation en science des données vous enseignera ces compétences et vous préparera à une carrière dans les données. Mais revenons au début :

Qu'est-ce qu'un réseau de neurones et comment ça marche ?

Un réseau de neurones est un système de matériel et de code calqué sur le fonctionnement des neurones dans le cerveau humain. Il aide les ordinateurs à penser, à comprendre et à apprendre comme les humains.



Par exemple, pensez à un enfant touchant quelque chose de chaud (disons une tasse de café), ce qui provoque une brûlure. Dans la plupart des cas, cela empêcherait l'enfant de toucher à nouveau une tasse de café chaud. Il est prudent de dire, cependant, que l'enfant n'avait aucune compréhension consciente de ce type de douleur avant de toucher la tasse.

Cette modification de la connaissance et de la compréhension de la personne du monde extérieur est basée sur la reconnaissance et la compréhension des modèles. Semblables aux humains, les ordinateurs apprennent également grâce à la même méthode de reconnaissance de formes. Cela constitue la base du fonctionnement d'un réseau de neurones.

Auparavant, les programmes informatiques traditionnels fonctionnaient sur des arbres logiques, ce qui signifiait que si A se produit, alors B se produit. Tous les résultats potentiels pour chaque système pourraient être préprogrammés. Ceci, cependant, a éliminé toute liberté de flexibilité.

Les réseaux de neurones, en revanche, sont construits sans aucune logique prédéfinie ; ils ne sont qu'un système formé pour rechercher et s'adapter aux modèles contenus dans les données. Ceci est calqué sur le fonctionnement du cerveau humain, où chaque neurone ou idée est connecté via des synapses. Synapse inclut une valeur qui est une représentation de la probabilité qu'une connexion se produise entre deux neurones.

Un neurone est un concept singulier. La tasse, la couleur blanche, le thé, la sensation de brûlure de toucher une tasse chaude - tout cela peut être considéré comme des neurones possibles, et chacun d'entre eux peut être connecté. La force de la connexion est déterminée par la valeur de leur synapse respective. Plus le coût est élevé, meilleure est la caution.

Voici un exemple d'une connexion de réseau de neurones essentielle aidant à mieux comprendre :

Schéma du réseau neuronal

Dans le schéma ci-dessus, les neurones sont représentés par des nœuds, les lignes les reliant représentant des synapses. La valeur de la synapse indique la possibilité qu'un neurone soit trouvé à côté d'un autre. Ainsi, dans cet exemple, le diagramme représente une tasse qui contient du café, qui est blanc et extrêmement chaud.

Toutes les tasses n'auraient pas les mêmes propriétés que celle de cet exemple, et nous pouvons connecter différents neurones à la tasse (par exemple, du thé au lieu du café). La possibilité que deux neurones soient connectés est déterminée par la force de la synapse correspondante qui les relie.

Cela dit, dans un scénario où les tasses ne sont pas régulièrement utilisées pour transporter des boissons chaudes, le nombre de tasses chaudes diminuerait considérablement, ce qui réduirait également la force des synapses reliant les tasses à la chaleur.

Alors:

Les réseaux de neurones

Devient:

Bases du réseau de neurones

Qu'est-ce qu'un perceptron ?

Perceptronssont le modèle fondamental d'un réseau de neurones. Il utilise plusieurs entrées binaires (x1, x2, etc.) pour produire une seule sortie binaire. Comme ça:

Perceptron

Pour mieux comprendre ce réseau de neurones, utilisons une analogie.

Supposons que vous vous rendiez au travail à pied. Cette décision d'aller au travail peut être basée sur deux facteurs majeurs : la météo et le fait que ce soit ou non un jour de semaine. Bien que le facteur météo soit gérable, travailler le week-end est (souvent) un facteur décisif. Puisque nous travaillons ici avec des entrées binaires, proposons les conditions sous forme de questions oui ou non.

Est-ce qu'il fait beau? Un pour oui, zéro pour non. Est-ce un jour de semaine ? Un oui, zéro pour non.

Gardez à l'esprit que nous ne pouvons pas informer le réseau de neurones de ces conditions au départ. Le réseau devra les apprendre par lui-même. Comment le réseau décidera-t-il de la priorité de ces facteurs lors de la prise de décision ? En utilisant ce qu'on appelle des poids. Les poids sont des représentations numériques des préférences. Un poids plus élevé fera supposer au réseau de neurones que l'entrée est une priorité plus élevée que le reste. Ceci est représenté par w1, w2… dans l'organigramme ci-dessus.

La valeur des réseaux de neurones

Tout système nécessitant apprentissage automatique fait référence à un réseau de neurones pour l'assistance, et il y a plusieurs raisons à cela :

  1. À l'aide de réseaux de neurones, les utilisateurs peuvent résoudre des problèmes pour lesquels une méthode algorithmique traditionnelle n'existe pas ou est trop coûteuse à mettre en œuvre.
  2. Les réseaux de neurones apprennent par l'exemple, réduisant ainsi le besoin de programmes supplémentaires.
  3. Les réseaux de neurones sont nettement plus rapides et plus précis que les méthodes conventionnelles.

Applications réelles des réseaux de neurones

L'apprentissage en profondeur, à l'aide de réseaux de neurones, a été largement utilisé dans les domaines suivants :

Reconnaissance de la parole

Pour un bon exemple de cela, ne cherchez pas plus loin que lePoint d'écho d'Amazon, qui permet aux utilisateurs d'obtenir des actualités et des mises à jour météo, de commander de la nourriture ou d'effectuer un achat en ligne simplement en parlant.

Reconnaissance de l'écriture manuscrite

Les réseaux de neurones sont formés pour comprendre les schémas de l'écriture manuscrite d'une personne, etApplication de saisie manuscrite de Googles'en sert pour convertir les gribouillis en textes significatifs.

Reconnaissance de visage

De l'amélioration de la sécurité des appareils portables à diversFiltres Snapchat, la reconnaissance faciale est partout. Un bon exemple est la technologie que Facebook utilise pour suggérer aux gens de taguer lorsqu'une photo est téléchargée sur le site.

En résumé, les réseaux de neurones constituent la colonne vertébrale d'une grande variété de technologies innovantes utilisées aujourd'hui. En fait, imaginer une initiative d'apprentissage profond/machine sans eux est presque impossible, et cela ne fera qu'augmenter avec le temps.

En savoir plus sur BrainStation Cours de certificat d'apprentissage automatique et Diplôme en science des données .