La diferència clau entre la xarxa neuronal i l’aprenentatge profund és que la xarxa neuronal funciona similar a les neurones del cervell humà per realitzar diverses tasques de càlcul amb més rapidesa mentre que l’aprenentatge profund és un tipus especial d’aprenentatge automàtic que imita l’enfocament d’aprenentatge que fan servir els humans per obtenir coneixement.

La xarxa neuronal ajuda a construir models predictius per resoldre problemes complexos. D'altra banda, l'aprenentatge profund és una part de l'aprenentatge automàtic. Ajuda a desenvolupar el reconeixement de la parla, el reconeixement d’imatges, el processament del llenguatge natural, sistemes de recomanació, bioinformàtica i molts altres. Neural Network és un mètode per implementar l'aprenentatge profund.

CONTINGUTS

1. Visió general i diferència clau 2. Què és la xarxa neuronal 3. Què és l'aprenentatge profund 4. Comparació de costat a costat - Xarxa neuronal i aprenentatge profund en forma tabular 5. Resum

Què és la Xarxa Neural?

Les neurones biològiques són la inspiració de les xarxes neuronals. Hi ha milions de neurones al cervell humà i el procés d’informació d’una neurona a una altra. Les xarxes neuronals utilitzen aquest escenari. Creen un model d’ordinador similar a un cervell. Pot realitzar tasques complexes computacionals més ràpidament que un sistema habitual.

En una xarxa neuronal, els nodes es connecten entre ells. Cada connexió té un pes. Quan les entrades als nodes són x1, x2, x3, ... i els pesos corresponents són w1, w2, w3, ... llavors l'entrada neta (y) és,

i = x1w1 + x2w2 + x3w3 + ....

Després d’aplicar l’entrada neta a la funció d’activació, dóna la sortida. La funció d’activació pot ser una funció lineal o sigmoide.

I = F (i)

Si aquesta sortida és diferent de la sortida desitjada, el pes es torna a ajustar i aquest procés continua fins a obtenir la sortida desitjada. Aquest pes d’actualització es produeix segons l’algoritme de backpropagation.

Hi ha dues topologies de xarxa neuronal anomenades feedforward i feedback. Les xarxes d’alimentació no tenen un bucle de feedback. Dit d’una altra manera, els senyals només flueixen de l’entrada a la sortida. Les xarxes d’alimentació es divideixen encara més en una sola capa i les xarxes neuronals de diverses capes.

Tipus de xarxa

A les xarxes d’una sola capa, la capa d’entrada es connecta a la capa de sortida. La xarxa neuronal de diverses capes té més capes entre la capa d’entrada i la de sortida. Aquestes capes s'anomenen capes ocultes. L’altre tipus de xarxa que són les xarxes de retroalimentació tenen rutes de retroalimentació. A més, hi ha la possibilitat de passar informació a ambdues parts.

Una xarxa neuronal aprèn modificant els pesos de la connexió entre els nodes. Hi ha tres tipus d'aprenentatge, com l'aprenentatge supervisat, l'aprenentatge no supervisat i l'aprenentatge de reforç. En l'aprenentatge supervisat, la xarxa proporcionarà un vector de sortida segons el vector d'entrada. Aquest vector de sortida es compara amb el vector de sortida desitjat. Si hi ha diferència, els pesos es modificaran. Aquest procés continua fins que la sortida real coincideix amb la sortida desitjada.

En un aprenentatge no supervisat, la xarxa identifica els patrons i les característiques de les dades d’entrada i la relació per a les dades d’entrada per ella mateixa. En aquest aprenentatge, vectors d’entrada de tipus similars es combinen per crear clústers. Quan la xarxa tingui un nou patró d’entrada, donarà la sortida que especifiqui la classe a la qual pertany aquell patró d’entrada. L’aprenentatge de reforç accepta una mica de feedback de l’entorn. A continuació, la xarxa canvia els pesos. Aquests són els mètodes per entrenar una xarxa neuronal. En general, les xarxes neuronals ajuden a resoldre diversos problemes de reconeixement de patrons.

Què és l'aprenentatge profund?

Abans d’aprenentatge profund, és important parlar de l’aprenentatge automàtic. Dóna la capacitat per a un ordinador per aprendre sense programar explícitament. És a dir, ajuda a crear algoritmes d’autoaprenentatge per analitzar dades i reconèixer patrons per prendre decisions. Però, hi ha algunes limitacions, és l'aprenentatge general de màquines. En primer lloc, és difícil treballar amb dades d’alta dimensió o amb un conjunt d’entrades i sortides extremadament grans. També pot ser difícil fer l'extracció de funcions.

L’aprenentatge profund resol aquests problemes. És un tipus especial d’aprenentatge automàtic. Ajuda a crear algorismes d’aprenentatge que puguin funcionar semblant al cervell humà. Algunes arquitectures d'aprenentatge profund són xarxes neuronals profundes i xarxes neuronals recurrents. Una xarxa neuronal profunda és una xarxa neuronal amb diverses capes ocultes. Les xarxes neuronals recurrents utilitzen memòria per processar seqüències d’entrades.

Quina diferència hi ha entre la xarxa neuronal i l’aprenentatge profund?

Una xarxa neuronal és un sistema que funciona similarment a les neurones del cervell humà per realitzar diverses tasques de càlcul amb més rapidesa. L’aprenentatge profund és un tipus especial d’aprenentatge automàtic que imita l’aprenentatge d’aprenentatge que fan els humans per obtenir coneixement. Neural Network és un mètode per aconseguir un aprenentatge profund. D'altra banda, Deep Leaning és una forma especial de la inclinació de màquines. Aquesta és la principal diferència entre xarxa neuronal i aprenentatge profund

Diferències entre xarxa neuronal i aprenentatge profund en forma tabular

Resum: Xarxa Neural vs Aprenentatge profund

La diferència entre la xarxa neuronal i l’aprenentatge profund és que la xarxa neuronal funciona similar a les neurones del cervell humà per realitzar diverses tasques de càlcul més ràpidament mentre que l’aprenentatge profund és un tipus especial d’aprenentatge automàtic que imita l’enfocament d’aprenentatge que fan servir els humans per obtenir coneixement.

Referència:

1. "Què és l'aprenentatge profund (xarxa neuronal profunda)? - Definició de WhatIs.com. " CercaEnterpresaAI. Disponible aquí 2. “Aprenentatge profund”. Viquipèdia, Fundació Wikimedia, 30 de maig de 2018. Disponible aquí 3.edurekaIN. Què és l'aprenentatge profund | Aprenentatge profund simplificat | Tutorial d'aprenentatge profund | Edureka, Edureka !, 10 de maig de 2017. Disponible aquí 4. Punt de la zona. "Blocs de construcció de xarxes neuronals artificials." Tutorials Point, 8 de gener de 2018. Disponible aquí

Imatge de cortesia:

1.Artificial neural networkBy Geetika saini - Obra pròpia, (CC BY-SA 4.0) via Commons Wikimedia 2.'MultiLayerNeuralNetworkBigger english'By MultiLayerNeuralNetwork_english.png: Chrislbderivative work: - HELLKNOWZ ▎TALK ▎enWP TALK 3.0) a través de Wikimedia Commons