감독 학습은 인공 신경망의 한 유형입니다. 감독 학습은 데이터 집합의 데이터가 레이블이 지정되는 위치이며 교육 데이터는 미리 설정된 학습 예제로 구성됩니다. 감독 학습에서, 각 예는 입력 객체(일반적으로 벡터)와 원하는 출력 값으로 구성된 쌍으로, 이를 감독 신호라고 한다. LIDAR와 카메라에서 많은 레이블이 붙은 데이터를 얻은 다음 이것으로부터 기계 학습 계산을 해야 하기 때문에 감독된 학습 문제의 예는 automatous 자동차를 만드는 것입니다. 초보자를 위한 신경망에 대한 이 소개가 NN.Okay로 첫 번째 프로젝트를 빌드 $C하는 데 도움이 되기를 바랍니다. 이는 $v = v_1, v_2, ldots$의 실제 값 함수일 수 있습니다. $w $ $b $ 표기는 이것이 어떤 기능일 수 있음을 강조하기 위해 $v $ 로 대체했습니다 – 우리는 신경망 컨텍스트에서 더 이상 구체적으로 생각하지 않습니다. $C(v)$를 최소화하려면 $C$를 두 변수의 함수로 상상하는 데 도움이 되며, 이 변수는 $v_1$와 $v_2$라고 불릴 것입니다. 이러한 지능형 네트워크가 어떻게 작동하는지 이해할 수 있습니까? 아마도 네트워크는 우리가 이해하지 못하는 가중치와 편견으로 우리에게 불투명할 것입니다.
AI 연구 초기에 사람들은 AI를 구축하려는 노력이 지능의 원리와 인간의 뇌의 기능을 이해하는 데 도움이 되기를 바랐습니다. 그러나 아마도 결과는 우리가 뇌도 인공 지능이 작동하는 방법을 이해하지 결국 될 것입니다! 소프트 센서 —소프트 센서는 많은 측정 값을 분석하는 프로세스를 말합니다. 온도계는 공기의 온도를 알 수 있지만 습도, 기압, 이슬점, 공기 품질, 공기 밀도 등을 알고 있다면 어떨까요? 신경망을 사용하여 많은 개별 센서의 입력 데이터를 처리하고 전체적으로 평가할 수 있습니다. 우리는 초기 가중치의 임의의 세트를 사용했기 때문에 출력 뉴런의 값은 마크에서 벗어났습니다. 이 경우 +0.77(대상이 0이기 때문에) 여기서 중지하면 이 가중치 집합이 XOR 작업을 부정확하게 나타내는 훌륭한 신경망이 될 것입니다. 네트워크의 추측과 근거 진실의 차이는 오류입니다. 네트워크는 해당 오류를 측정하고 오류를 모델 위로 다시 이동하여 오류에 기여한 범위까지 가중치를 조정합니다. 당신은 여전히 읽고 있다면, 감사합니다! 책의 끝에 도달했습니다. 그러나 이 책에 담긴 많은 자료에 대해, 우리는 우리가 살고 있는 세상의 표면과 그것을 시뮬레이션하기 위한 기술을 거의 긁지 않았습니다. 이 책이 진행 중인 프로젝트로 살기위한 나의 의도이며, 나는 책의 웹 사이트에 새로운 튜토리얼과 예제를 계속 추가하고 인쇄 된 자료를 확장하고 업데이트할 수 있기를 바랍니다. 귀하의 의견은 진심으로 감사합니다, 그래서 (daniel@shiffman.net) 또는 GitHub 리포지토리에 기여하여 이메일을 통해 연락주시기 바랍니다, 프로젝트의 오픈 소스 정신에 따라.
작업을 공유합니다. 연락해요. 자연과 함께 두 가지를 합시다. 최종 결과는 매우 복잡한 질문을 나누는 네트워크입니다 -이 이미지는 얼굴을 보여 주거나하지 않습니다 – 단일 픽셀 수준에서 대답 할 수있는 매우 간단한 질문으로. 초기 레이어는 입력 이미지에 대한 매우 간단하고 구체적인 질문에 답하고, 이후 레이어는 더욱 복잡하고 추상적인 개념의 계층 구조를 구축하는 일련의 레이어를 통해 이 작업을 수행합니다. 이러한 종류의 다중 계층 구조(둘 이상의 숨겨진 계층)를 가진 네트워크를 심층 신경망이라고 합니다. 전체 신경망의 작동은 간단합니다: 하나의 입력으로 변수를 입력합니다(예: 신경망이 이미지에 있는 내용을 알려주는 경우 이미지) 일부 계산 후 출력이 반환됩니다(첫 번째 예에 따라 고양이의 이미지는 단어 “고양이”를 반환해야합니다).
