Saya mempelajari kecerdasan buatan dalam program master, dan kami menggunakan jaringan saraf cukup banyak. Mereka sebenarnya sangat berguna.
Saya pikir masalah untuk jaring saraf adalah nama mereka. Keduanya membingungkan apa sebenarnya jaringan syaraf itu, dan membuat beberapa orang mempertanyakan kemampuan mereka karena mereka berharap mereka bertindak seperti otak, ketika mereka benar-benar jenis fungsi yang mewah.
Cara terbaik untuk memahami jaringan saraf adalah dengan melewati nama itu. Jangan menganggapnya sebagai model otak ... ini bukan ... ini adalah niat pada 1960-an tetapi 2011 dan mereka digunakan sepanjang waktu untuk pembelajaran mesin dan klasifikasi.
Jaringan saraf sebenarnya hanya fungsi matematika. Anda memasukkan vektor nilai, nilai-nilai itu dikalikan dengan nilai-nilai lain, dan nilai atau vektor nilai adalah output. Hanya itu saja .
Mereka sangat berguna dalam domain masalah di mana tidak ada fungsi yang diketahui untuk mendekati fitur yang diberikan (atau input) untuk output mereka (klasifikasi atau regresi). Salah satu contohnya adalah cuaca - ada banyak fitur pada cuaca - jenis, suhu, pergerakan, tutupan awan, peristiwa masa lalu, dll - tetapi tidak ada yang bisa mengatakan dengan tepat bagaimana menghitung cuaca yang akan terjadi 2 hari dari sekarang. Jaringan saraf adalah fungsi yang terstruktur sedemikian rupa sehingga memudahkan untuk mengubah parameternya untuk memperkirakan perkiraan cuaca berdasarkan fitur.
Thats the thing ... fungsinya dan memiliki struktur yang bagus cocok untuk "belajar". Satu akan mengambil data cuaca lima tahun terakhir - lengkap dengan fitur cuaca dan kondisi cuaca 2 hari di masa depan, untuk setiap hari dalam lima tahun terakhir. Bobot jaringan (faktor pengali yang berada di tepi) dihasilkan secara acak, dan data dijalankan. Untuk setiap prediksi, NN akan menampilkan nilai yang salah. Menggunakan algoritma pembelajaran yang berbasis pada kalkulus, seperti back-propogation, seseorang dapat menggunakan nilai kesalahan output untuk memperbarui semua bobot dalam jaringan. Setelah cukup berjalan melalui data, tingkat kesalahan akan mencapai beberapa titik terendah (ada lebih dari itu, tapi saya tidak akan membahasnya di sini - yang paling penting adalah pas). Tujuannya adalah untuk menghentikan algoritma pembelajaran ketika tingkat kesalahan berada pada titik terbaik. Jaringan kemudian diperbaiki dan pada titik inihanya fungsi matematika yang memetakan nilai input ke dalam nilai output sama seperti persamaan lama lainnya. Anda memasukkan data baru dan percaya bahwa nilai output adalah perkiraan yang baik.
Bagi mereka yang mengklaim mereka gagal: mereka tidak. Mereka sangat berguna di banyak domain. Menurut Anda bagaimana para peneliti menemukan korelasi antara gen dan penyakit? NNs, serta algoritma pembelajaran lainnya, digunakan dalam bioinformatika dan bidang lainnya. Mereka telah terbukti menghasilkan hasil yang sangat baik. NASA sekarang menggunakannya untuk rutinitas stasiun ruang angkasa, seperti memprediksi masa pakai baterai. Beberapa orang akan mengatakan bahwa mesin dukungan vektor, dll lebih baik ... tetapi tidak ada bukti itu, algoritma lain hanya lebih baru.
Sungguh sangat buruk orang masih membuat klaim ini bahwa jaringan saraf gagal karena mereka jauh lebih sederhana daripada otak manusia --- jaringan saraf tidak lagi digunakan untuk memodelkan otak --- itu 50 tahun yang lalu.