Ilustrowany i intuicyjny przewodnik po sieciach neuronowych

Jeśli przeczytałeś moje poprzednie artykuły, będziesz wiedział, co będzie dalej. W tej części Internetu bierzemy złożone koncepcje i bawimy je, ilustrując je. A jeśli nie czytałeś moich poprzednich artykułów, gorąco polecam zacząć od serii artykułów omawiających podstawy uczenia maszynowego, ponieważ przekonasz się, że duża część omawianego tam materiału jest tutaj istotna.

Dzisiaj zajmiemy się dużym chłopcem — wprowadzeniem do sieci neuronowych, rodzaju modelu uczenia maszynowego. To dopiero pierwszy artykuł z całej serii, którą planuję napisać na temat Deep Learning. Skoncentruje się na tym, jak prosta sztuczna sieć neuronowa uczy się i zapewnia głęboko (ha, gra słów) zrozumienie, jak zbudowana jest sieć neuronowa, neuron po neuronie, czyli Super niezbędne, ponieważ będziemy nadal rozwijać tę wiedzę. Chociaż zagłębimy się w szczegóły matematyczne, nie ma się czym martwić, ponieważ omówimy i zilustrujemy każdy krok. Pod koniec tego artykułu zdasz sobie sprawę, że jest to o wiele prostsze, niż się wydaje.

Zanim jednak to zbadamy, możesz się zastanawiać: po co nam sieci neuronowe? Dlaczego przy tak dużej liczbie dostępnych algorytmów uczenia maszynowego wybrać sieci neuronowe? Odpowiedzi na to pytanie jest mnóstwo i są szeroko omawiane, dlatego nie będziemy się w nie zagłębiać. Warto jednak zauważyć, że sieci neuronowe mają niesamowitą moc. Potrafią identyfikować złożone wzorce w danych, z którymi mogą mieć problemy klasyczne algorytmy, rozwiązywać bardzo złożone problemy uczenia maszynowego (takie jak przetwarzanie języka naturalnego i rozpoznawanie obrazów) oraz zmniejszać potrzebę szeroko zakrojonej inżynierii funkcji i wysiłku ręcznego.

Ale wszystko to powiedziawszy, problemy z siecią neuronową w zasadzie sprowadzają się do dwóch głównych kategorii — klasyfikacji, przewidywania dyskretnej etykiety dla danego sygnału wejściowego (np.: czy to zdjęcie kota czy psa? Czy recenzja tego filmu jest pozytywna czy negatywna?). lub Regresja, przewidywanie ciągłej wartości dla danego sygnału wejściowego (np. prognoza pogody).

Dzisiaj skupimy się na problemie regresji. Rozważmy prosty scenariusz: niedawno przeprowadziliśmy się do nowego miasta i obecnie szukamy nowego domu. Zauważamy jednak, że ceny domów w okolicy znacznie się różnią.

Ponieważ nie znamy miasta, naszym jedynym źródłem informacji są te, które…