神经网络和实际应用

人工智能的历史

人工神经网络的先驱

随着我们认识到我们可以直观地学习很多东西以及如何实际使用任何工具，人类作为一种能够至少以基本方式与人类互动的生物的创造者的想法出现在 16 世纪。 这要归功于 17 世纪的计算机。 这掌握了加、减、乘、除等函数。 这听起来很简单，但在此之前没有什么可比的。 由于先前实施的规则应用程序，设备可能会输出不同的逻辑结果。

从20世纪开始的发展

社会和技术花了几个世纪才准备好迈出进一步的一步。 一方面，在 40 世纪 19 年代，神经元信息处理的非线性被证明。 另一方面，还提出了一种可以让人工神经网络展示其学习能力的方法，即所谓的“赫布学习规则”。 它基于两个神经元连接强度的连续、重复变化，从而在高于某个阈值时输出“学习”结果。

从 1956 年起，尽管定义上存在困难，“人工智能”(AI) 或“人工智能”(AI) 一词仍被确立。 然而，由于当时的硬件薄弱，容量和实际适用性非常有限，这导致人们对神经网络的兴趣有所减弱。 自 80 世纪 XNUMX 年代以来，理论和方法论的不断发展以及硬件和软件性能的快速提高，为世纪之交后的技术带来了进一步的成功，特别是在模式识别领域。 如今，神经网络已用于解决科学和商业中的各种问题。 互联网和R、Python等开源软件以及Keras、TensorFlow等免费高维库使得神经网络的实现和使用变得更加容易，而神经网络又根据不同的用途和用途进行了适当的区分。模型概念（例如 RNN、LSTM 等）。

人工神经网络如何工作

一点点见解

尽管有大量不同的模型可能变得相当复杂，但神经网络原则上很容易理解。 在最简单的情况下，它涉及矩阵中的简单算术运算。 基于生物神经结构，人工神经网络具有输入层、具有任意数量（至少1个）用于信息处理的神经元的隐藏层和输出层，它们之间存在多个连接。 单个神经元至少包含输入的总和、偏差和激活函数（例如 sigmoid 函数），该函数决定神经元是否激发。 此外，神经元之间的连接代表权重，在学习过程中，输入首先经过从输入流经神经元到输出（前向传播）的信息处理。 然后调整权重和偏差的值，以使神经网络的预期输出和实际输出之间的误差最小化。 这个过程称为反向传播（误差反馈）。 网络通过重复输入训练模式并自动最小化误差来修改自身，直到误差值低于预定值。 神经网络独立学习和组织信息，并提供概括（例如分类）作为输出。

有多种修改。 例如，激活函数（例如线性或非线性）、学习过程（监督、无监督等）、神经元之间连接的类型和数量、学习过程（例如连接强度的修改、发展或删除）现有连接等）和隐藏级别的数量可以调整。 此外，还可以插入参数，例如用于忘记 LSTM（长短期记忆）中的信息，以涵盖其他应用目的。