Neural networks är datorsystem med sammankopplade noder som fungerar ungefär som nervceller i den mänskliga hjärnan. Med hjälp av algoritmer kan de känna igen dolda mönster och korrelationer i rådata, samla och klassificera dem och – med tiden – kontinuerligt lära sig och förbättras.
Neural Networks: Historia
Det första neural network skapades av Warren McCulloch och Walter Pitts 1943. De skrev en inflytelserik forskningsrapport om hur neuroner kan fungera och modellerade sina idéer genom att skapa ett enkelt neuralt nätverk med hjälp av elektriska kretsar.
Deras genombrott banade väg för neural nätverksforskning inom två områden:
Biologiska processer i hjärnan.
Tillämpning av neurala nätverk inom artificiell intelligens (AI).
AI-forskningen accelererade snabbt när Kunihiko Fukushima utvecklade det första sanna, flerskiktade neurala nätverket år 1975.
Det ursprungliga målet med neurala nätverk var att skapa ett beräkningssystem som kunde lösa problem som en mänsklig hjärna. Men med tiden skiftade forskare sitt fokus till att använda neurala nätverk för att lösa specifika uppgifter, vilket ledde till avvikelser från ett strikt biologiskt tillvägagångssätt. Sedan dess har neurala nätverk använts för att lösa olika uppgifter som datorseende, taligenkänning, maskinöversättning, filtrering av sociala nätverk, lära sig hantera brädspel och videospel samt ställa medicinska diagnoser.
När mängden strukturerad och ostrukturerad data ökade till big data-nivåer utvecklades djupinlärningssystem, som i huvudsak är neurala nätverk med flera lager. Djupinlärning gör det möjligt att samla in och bearbeta större datamängder, inklusive ostrukturerad data.
Varför är neural networks viktiga?
Neural networks är också idealiska för att hjälpa människor att lösa komplexa problem i verkliga situationer. De kan lära sig och modellera relationer mellan indata och utdata som är icke-linjära och komplexa, göra generaliseringar och dra slutsatser, avslöja dolda relationer, mönster och förutsägelser samt modellera mycket flyktiga data (t.ex. data om finansiella tidsserier) och avvikelser som behövs för att förutsäga sällsynta händelser (t.ex. identifiera försök till bedrägerier). Därför kan neurala nätverk förbättra beslutsprocesser inom områden som:
- Upptäcka bedrägeriförsök riktade mot kreditkort eller medicinska system
- Optimera logistik för transportnät.
- Karaktärs- och röstigenkänning, även kallat bearbetning av naturligt språk.
- Ställa medicinska diagnoser
- Riktad marknadsföring.
- Finansiella prognoser för aktiekurser, valuta, optioner, terminer, och obligationer.
- Robotstyrningssystem.
- Prognoser för el belastning och energiefterfrågan.
- Process- och kvalitetskontroll.
- Identifiering av kemiska föreningar och substanser..
- Utvärdering av ekosystem.
- Datorseende för att tolka obearbetade foton och videor (till exempel inom medicinsk bildbehandling och robotik samt för ansiktsigenkänning).
Vårt första mål för dessa neurala nätverk, eller modeller, är att uppnå noggrannhet på mänsklig nivå. Fram till att du nått den nivån, vet du att det fortfarande finns saker du kan göra bättre. Ivan Gomez dataforskare och konsult vid Zencos
Olika typer av Neural Networks
Det finns olika typer av djupa neurala nätverk - med sina fördelar och nackdelar, beroende på användning. Bland exemplen finns:
- Convolutional neural networks (CNNs) innehåller fem typer av lager: Indata, faltning, poolning, helt ansluten och utdata. Varje lager har ett specifikt syfte, som att sammanfatta, ansluta eller aktivera. Faltningsnätverk ligger bakom populära tjänster för bildklassificering och objektidentifiering. CNN har också tillämpats på andra områden, såsom hantering av naturligt språk och för att göra prognoser.
- En annan typ av nätverk är RNN (Recurrent Neural Networks) som använder sekventiell information som t.ex. tidsstämplad data från en sensorenhet eller en talad mening, som består av en sekvens av termer. Till skillnad från traditionella neurala nätverk är all indata till ett RNN inte oberoende av annan data, och hanteringen av varje nytt element beror på beräkningarna av ett föregående element. RNNs används i prognos- och tidsserieapplikationer, sentimentanalys och andra textapplikationer.
- Så kallade Feedforward-nätverk använder sig av binära klassificerare som kallas perceptroner. Varje perceptron i ett lager är ansluten till varje perceptron i nästa lager. Informationen matas framåt från ett lager till ett annat endast i en framåtriktad riktning. Det finns inga återkopplingsslingor.
- Neurala nätverk som använder sig av så kallad autoencoder skapar abstraktioner (encoders), från en given uppsättning indata. Även om dessa mer liknar traditionella neurala nätverk försöker autoencoders modellera indata själva, och därför anses metoden vara oövervakad. Förutsättningen för autoencoders är att desensibilisera det irrelevanta och sensibilisera det relevanta. När lager adderas formuleras ytterligare abstraktioner i de högre lagren (lager närmast den punkt där ett avkodarlager introduceras). Dessa abstraktioner kan sedan användas av linjära eller icke-linjära klassificerare.
Neural Networks idag
Neurala nätverk förändrar hur människor och organisationer interagerar med system, löser problem och får möjlighet att fatta bättre beslut och göra förutsägelser. Läs mer om vad neurala nätverk kan göra.
Neural networks för flockhälsa
Läs mer om hur en passionerad dataforskare använder neurala nätverk för att upptäcka tuberkulos hos elefanter. Hennes forskning kan bidra till att förhindra spridning av tuberkulos.
Lär dig neural network modellering
Lär dig hur du väljer en lämplig neural nätverksarkitektur, hur du bestämmer en relevant träningsmetod, hur du implementerar neurala nätverksmodeller i en distribuerad datormiljö och hur du konstruerar anpassade neurala nätverk med hjälp av vår NEURAL-modell.
Så här kan du använda dig av djupinlärning med SAS®
Behöver du en mer teknisk översikt över djupinlärningstekniker och applikationer? Läs det här dokumentet och ta reda på hur SAS stöder skapandet av djupa neurala nätverksmodeller.
Vilka använder sig av neurala nätverk?
Djupinlärningssystem – och därmed de neurala nätverk som möjliggör dem – används strategiskt i många branscher och affärsområden.
Biovetenskap
Organisationer inom hälsa och livsvetenskap använder neurala nätverk för prediktiv diagnostik, biomedicinsk avbildning och hälsoövervakning.
Tillverkningsindustri
Energiföretag och företag inom tillverkande industrier använder neurala nätverk för att optimera leveranskedjor, automatisera detektering av defekter och för att prognostisera energibehov.
Banker
Banker använder neurala nätverk för att upptäcka bedrägerier, genomföra kreditanalyser och automatisera finansiell rådgivning.
Offentlig sektor
Organisationer inom offentlig sektor använder neurala nätverk för att hantera och bygga smarta städer, få insikter kopplade till säkerhet och för ansiktsigenkänning.
Detaljhandel
Inom detaljhandeln används neurala nätverk för att driva chatt botar, för att förbättra och fördjupa kundinsikter och för att utföra nätverksanalys.
Läs mer om andra branschers användande av denna teknik
Neural networks har förmågan att identifiera avvikelser. I framtiden kan vi använda dem för att erbjuda läkare möjlighet att ta del av en andra åsikt – till exempel om något verkligen är cancer eller svaret på ett okänt problem. Vi kommer att kunna dela åsikterna snabbare och med mer noggrannhet. Leigh Ann Herhold Data Scientist och konsult på Zencos
Skapa en Neural Network modell
I den här videon får du lära dig hur du använder SAS® Visual Data Mining och Machine Learning i samband med neurala nätverk. I det här exemplet undersöks drivkrafter hos webbplatsbesökare och vad som får dem att ladda ner en rapport från ett IT-företags webbplats.
Så här fungerar Neural Networks
Ett enkelt neuralt nätverk innehåller ett indatalager, ett utdatalager (eller mål)-lager och däremellan ett dolt lager. Lagren är anslutna via noder, och dessa anslutningar bildar ett "nätverk" – det neurala nätverket – av sammankopplade noder.
En nod är modellerad som en neuron i en mänsklig hjärna. I likhet med neuroner aktiveras noder när det finns tillräckligt med stimuli eller inmatning. Denna aktivering sprider sig över hela nätverket, vilket skapar ett svar på stimuli (utdata). Kopplingarna mellan dessa artificiella nervceller fungerar som enkla synapser, vilket gör det möjligt att överföra signaler från en till en annan. Signaler mellan lager färdas från den första inpunkten till det sista utdatalagret – och bearbetas längs vägen.
När de har ett problem att lösa kör neuronerna matematiska beräkningar för att ta reda på om det finns tillräckligt med information för att vidarebefordra informationen till nästa neuron. Enkelt uttryckt läser de all data och tar reda på var de starkaste relationerna finns. I den enklaste typen av nätverk läggs datainmatningar samman, och om summan är mer än ett visst tröskelvärde "aktiveras" neuronen och aktiverar sedan i sin tur nervcellerna som den är ansluten till.
När antalet dolda lager i ett neuralt nätverk ökar bildas djupa neurala nätverk. Djupinlärningsarkitekturer tar enkla neurala nätverk till nästa nivå. Med hjälp av dessa lager kan dataforskare bygga sina egna djupnlärningsnätverk som möjliggör maskininlärning. Här kan de träna en dator att korrekt emulera mänskliga uppgifter, till exempel känna igen tal, identifiera bilder eller göra förutsägelser. Lika viktigt är att datorn kan lära sig på egen hand genom att känna igen mönster i många lager av bearbetning.
Låt oss omsätta definitionen till handling. Data matas in i ett neuralt nätverk via indatalagret, som kommunicerar till dolda lager. Bearbetning sker i de dolda lagren genom ett system av viktade anslutningar. Noder i det dolda lagret kombinerar sedan data från indatalagret med en uppsättning koefficienter och tilldelar lämplig vikt till indata. Dessa viktade variabler produkter summeras sedan. Summan skickas genom en nods aktiveringsfunktion, som bestämmer om och hur en signal måste gå vidare genom nätverket för att påverka slutlig utdata. Slutligen länkas de dolda lagren till utdatalagret – där utdata kan plockas upp.
Utvald produkt för neural networks
SAS® Visual Data Mining och Machine Learning
Stöd en heltäckande datautvinning och maskininlärningsprocess med ett omfattande, visuellt- (och programmerings-) gränssnitt som kan hantera alla uppgifter i en analytisk livscykel.
Rekommenderad läsning
-
Article
4 strategies that will change your approach to fraud detectionAs fraudulent activity grows and fighting fraud becomes more costly, financial institutions are turning to anti-fraud technology to build better arsenals for fraud detection. Discover four ways to improve your organization's risk posture.
-
Research
Nerd in the herd: protecting elephants with data scienceA passionate SAS data scientist uses machine learning to detect tuberculosis in elephants. Find out how her research can help prevent the spread of the disease.
-
Article
Machine learning, data science and AI meet IoTIn this video, Kirk Borne and Michele Null discuss the intersection of machine learning, AI and data science with IoT data and analytics.