Neurale netwerken^{(Neural Networks)} en Deep Learning zijn momenteel de twee populaire modewoorden die tegenwoordig worden gebruikt met kunstmatige intelligentie^{(Artificial Intelligence)} . De recente ontwikkelingen in de wereld van kunstmatige intelligentie kunnen aan deze twee worden toegeschreven, omdat ze een belangrijke rol hebben gespeeld bij het verbeteren van de intelligentie van AI.

Kijk om je heen en je zult steeds meer intelligente machines vinden. Dankzij neurale netwerken^{(Neural Networks)} en deep learning worden banen en mogelijkheden die ooit als de kracht van de mens werden beschouwd, nu door machines uitgevoerd. Tegenwoordig worden machines niet langer gemaakt om complexere algoritmen te eten, maar in plaats daarvan worden ze gevoed om zich te ontwikkelen tot een autonoom, zelflerend systeem dat in staat is een revolutie teweeg te brengen in vele industrieën overal.

Neurale netwerken^{(Neural Networks)} en diep leren^{(Deep Learning )} hebben de onderzoekers enorm veel succes opgeleverd bij taken als beeldherkenning, spraakherkenning en het vinden van diepere relaties in datasets. Geholpen door de beschikbaarheid van enorme hoeveelheden gegevens en rekenkracht, kunnen machines objecten herkennen, spraak vertalen, zichzelf trainen om complexe patronen te identificeren, leren hoe ze strategieën kunnen bedenken en in realtime rampenplannen kunnen maken.

Dus, hoe werkt dit precies? Weet u dat zowel Neutrale ^(Neutral) Netwerken^(Networks) als Deep-Learning gerelateerd zijn, in feite, om Deep Learning te begrijpen, moet u eerst kennis hebben van Neurale Netwerken^{(Neural Networks)} ? Lees verder om meer te weten.

Wat is een neuraal netwerk?

Een neuraal^(Neural) netwerk is in feite een programmeerpatroon of een reeks algoritmen waarmee een computer kan leren van de waarnemingsgegevens. Een neuraal^(Neural) netwerk is vergelijkbaar met een menselijk brein, dat werkt door de patronen te herkennen. De sensorische gegevens worden geïnterpreteerd met behulp van een machineperceptie, labeling of clustering van ruwe input. De herkende patronen zijn numeriek, ingesloten in vectoren, waarin de gegevens zoals afbeeldingen, geluid, tekst, enz. worden vertaald.

Think Neural Network! Think how a human brain function

Zoals hierboven vermeld, functioneert een neuraal netwerk net als een menselijk brein; het verwerft alle kennis via een leerproces. Daarna slaan synaptische gewichten de opgedane kennis op. Tijdens het leerproces worden de synaptische gewichten van het netwerk hervormd om het gewenste doel te bereiken.

Net als het menselijk brein werken neurale netwerken^{(Neural Networks)} als niet-lineaire parallelle informatieverwerkingssystemen die snel berekeningen uitvoeren, zoals patroonherkenning en perceptie. Als gevolg hiervan presteren deze netwerken zeer goed op gebieden zoals spraak-, audio- en beeldherkenning waar de ingangen/signalen inherent niet-lineair zijn.

In eenvoudige bewoordingen, je kunt Neural Network herinneren als iets dat in staat is om kennis op te slaan als een menselijk brein en het te gebruiken om voorspellingen te doen.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

Structuur van neurale netwerken

(Image Credit: Mathworks)

Neurale netwerken^(Networks) bestaan ​​uit drie lagen,

1. Invoerlaag,
2. Verborgen laag, en
3. Uitgangslaag.

Elke laag bestaat uit een of meer knooppunten, zoals in het onderstaande diagram door kleine cirkels wordt weergegeven. De lijnen tussen de knooppunten geven de informatiestroom van het ene knooppunt naar het andere aan. De informatie vloeit van de invoer naar de uitvoer, dat wil zeggen van links naar rechts (in sommige gevallen kan het van rechts naar links of in beide richtingen zijn).

De knooppunten van de invoerlaag zijn passief, wat betekent dat ze de gegevens niet wijzigen. Ze ontvangen een enkele waarde op hun invoer en dupliceren de waarde naar hun meerdere uitgangen. Terwijl^(Whereas) de knooppunten van de verborgen en uitvoerlaag actief zijn. Zo kunnen ze de gegevens wijzigen.

In een onderling verbonden structuur wordt elke waarde van de invoerlaag gedupliceerd en naar alle verborgen knooppunten verzonden. De waarden die een verborgen knoop binnenkomen, worden vermenigvuldigd met gewichten, een reeks vooraf bepaalde getallen die in het programma zijn opgeslagen. De gewogen invoer wordt vervolgens opgeteld om een ​​enkel getal te produceren. Neurale netwerken kunnen een willekeurig aantal lagen hebben en een willekeurig aantal knooppunten per laag. De meeste applicaties gebruiken de drielaagse structuur met een maximum van een paar honderd invoerknooppunten

Voorbeeld van neuraal netwerk^{(Example of Neural Network)}

Overweeg een neuraal netwerk dat objecten in een sonarsignaal herkent, en er zijn 5000 signaalmonsters opgeslagen op de pc. De pc moet uitzoeken of deze monsters een onderzeeër, walvis, ijsberg, zeerotsen of helemaal niets voorstellen? Conventionele DSP^{(Conventional DSP)} -methoden zouden dit probleem benaderen met wiskunde en algoritmen, zoals correlatie- en frequentiespectrumanalyse.

Terwijl met een neuraal netwerk de 5000 monsters naar de invoerlaag zouden worden gevoerd, waardoor waarden uit de uitvoerlaag zouden springen. Door de juiste gewichten te selecteren, kan de output worden geconfigureerd om een ​​breed scala aan informatie te rapporteren. Er kunnen bijvoorbeeld uitgangen zijn voor: onderzeeër (ja/nee), zeerots (ja/nee), walvis (ja/nee), enz.

Met andere gewichten kunnen de uitgangen de objecten classificeren als metaal of niet-metaal, biologisch of niet-biologisch, vijand of bondgenoot, enz. Geen algoritmen, geen regels, geen procedures; alleen een relatie tussen de invoer en uitvoer die wordt bepaald door de waarden van de geselecteerde gewichten.

Laten we nu het concept van diep leren begrijpen.^{(Now, let’s understand the concept of Deep Learning.)}

Wat is een diep leren?

Diep leren is in feite een subset van neurale netwerken^{(Neural Networks)} ; misschien kun je zeggen een complex neuraal netwerk^{(Neural Network)} met veel verborgen lagen erin.

Technisch gezien kan deep learning ook worden gedefinieerd als een krachtige reeks technieken voor leren in neurale netwerken. Het verwijst naar kunstmatige neurale netwerken ( ANN ) die zijn samengesteld uit vele lagen, enorme datasets, krachtige computerhardware om een ​​gecompliceerd trainingsmodel mogelijk te maken. Het bevat de klasse van methoden en technieken die gebruik maken van kunstmatige neurale netwerken met meerdere lagen van steeds rijkere functionaliteit.

Structuur van deep learning-netwerk^{(Structure of Deep learning network)}

Deep learning-netwerken gebruiken meestal neurale netwerkarchitecturen en worden daarom vaak diepe neurale netwerken genoemd. Gebruik van werk “diep” verwijst naar het aantal verborgen lagen in het neurale netwerk. Een conventioneel neuraal netwerk bevat drie verborgen lagen, terwijl diepe netwerken er wel 120-150 kunnen hebben.

Deep Learning houdt in dat een computersysteem veel gegevens invoert, die het kan gebruiken om beslissingen te nemen over andere gegevens. Deze gegevens worden gevoed via neurale netwerken, zoals bij machine learning het geval is. Deep learning-netwerken kunnen functies rechtstreeks van de gegevens leren zonder dat handmatige functie-extractie nodig is.

Voorbeelden van diep leren^{(Examples of Deep Learning)}

Deep learning wordt momenteel in bijna elke branche gebruikt, van auto^(Automobile) 's , lucht-^(Aerospace) en ruimtevaart en automatisering^(Automation) tot medisch^(Medical) . Hier zijn enkele van de voorbeelden.

• Google , Netflix en Amazon : Google gebruikt het in zijn algoritmen voor spraak- en beeldherkenning. Netflix en Amazon gebruiken ook deep learning om te beslissen wat je vervolgens wilt bekijken of kopen
• Rijden zonder bestuurder: onderzoekers gebruiken deep learning-netwerken om automatisch objecten zoals stopborden en verkeerslichten te detecteren. Deep learning wordt ook gebruikt om voetgangers te detecteren, wat het aantal ongevallen helpt verminderen.
• Lucht- en ruimtevaart en defensie: Deep learning wordt gebruikt om objecten van satellieten te identificeren die interessante gebieden lokaliseren en om veilige of onveilige zones voor troepen te identificeren.
• Dankzij Deep Learning vindt en tagt Facebook automatisch vrienden in je foto's. Skype kan gesproken communicatie in realtime en behoorlijk nauwkeurig vertalen.
• Medisch onderzoek: medische onderzoekers gebruiken deep learning om kankercellen automatisch te detecteren
• Industriële automatisering^{(Industrial Automation)} : Deep learning helpt de veiligheid van werknemers rond zware machines te verbeteren door automatisch te detecteren wanneer mensen of objecten zich binnen een onveilige afstand van machines bevinden.
• Elektronica: Deep learning wordt gebruikt bij geautomatiseerde hoor- en spraakvertaling.

Lees^(Read) : Wat is machine learning en deep learning^{(Machine Learning and Deep Learning)} ?

Conclusie^(Conclusion)

Het concept van neurale netwerken^{(Neural Networks)} is niet nieuw en onderzoekers hebben de afgelopen tien jaar matig succes gehad. Maar de echte game-changer is de evolutie van diepe^(Deep) neurale netwerken.

Door beter te presteren dan de traditionele benaderingen voor machinaal leren, heeft het aangetoond dat diepe neurale netwerken niet alleen door enkele onderzoekers kunnen worden getraind en uitgeprobeerd, maar ook door multinationale technologiebedrijven kunnen worden overgenomen om in de nabije toekomst met betere innovaties te komen.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS Organizer: SMS-applicatie mogelijk gemaakt door Machine Learning

• Wat zijn machine learning en deep learning in kunstmatige intelligentie?

• Drupal installeren met WAMP op Windows

• Beste software en hardware Bitcoin-portefeuilles voor Windows, iOS, Android

• Gratis internetradiostation instellen op Windows-pc

• Gratis taakbeheersoftware om Teamwork te beheren

• Wat zijn virtuele creditcards en hoe en waar krijg je ze?

• Beste laptoprugzakken voor heren en dames

• Whiteboard Fox is een gratis online whiteboard waarmee u in realtime kunt delen

• Wat is data-analyse en waarvoor wordt het gebruikt?

• Winkeltips voor Cyber ​​Monday & Black Friday Sale die u wilt volgen

• Hoe maak je een uitnodigingskaart op een Windows-pc

• Hoe u wachtwoorden versleutelt en toevoegt aan LibreOffice-documenten

• Converteer Magnet-links naar Direct Download-links met Seedr

• Wat is Silly Window Syndrome - Uitleg en preventie

• Wat zijn 'Chip en PIN' of EMV-creditcards

• Hoe u uw LastPass-account kunt verwijderen

• Fix Partner heeft geen verbinding gemaakt met routerfout in TeamViewer op Windows 10

• Wat is een Magnet-link en hoe open je Magnet-links in een browser?

• Er is een fout opgetreden tijdens het controleren op updates in VLC