BNN Wprowadzenie

Głębokie uczenie się i sieci neuronowe przekształciły sposób, w jaki żyjemy. Od czasu ich wprowadzenia naukowcy wykorzystali ich do rozwiązywania tysięcy problemów, włączając je praktycznie w każdym otoczeniu. Najpopularniejsze samochody samobieżne stoją przed rozpoznawaniem, monitorowaniem, biznesem i innymi technologiami. Istnieją różne sieci neuronowe oparte na różnych przypadkach użycia, z których każda jest dostosowana do określonej aplikacji. Przejdziemy przez bayesowską sieć neuronową, jej architekturę oraz jej zalety i wady w tym artykule.

Co to jest sieć neuronowa?

Sztuczny ludzki mózg jest skonstruowany i zaprogramowany w celu rozwiązania różnych skomplikowanych problemów w ułamku sekund, prawdopodobnie z powodu neuronów obecnych w mózgu. Budując sieć neuronową, staramy się sztucznie wdrożyć funkcjonalność neuronów mózgu poprzez matematykę. Sieć sztucznych neuronów jest określana jako sieć neuronowa.

Głównym celem jest naśladowanie funkcji ludzkiego mózgu. Podobnie jak neurony w sygnałach przenoszenia ludzkiego mózgu, które pomagają indywidualnemu reagować na daną sytuację wejściową, budowane są sieci neuronowe przy użyciu kilku warstw Perceptron, które komunikują rzeczywistą liczbę lub wartość ciągłą (sygnał), która wyświetla wyjście. Poniższy rysunek pokazuje graficzną reprezentację sieci neuronowej z różnymi warstwami.

Istnieją trzy rodzaje warstw sieci neuronowej:

• Warstwa wejściowa: To jest warstwa, która odbiera wprowadzanie użytkownika. Są one popularnie nazywane funkcjami wyjściowej.
• Ukryta warstwa: Ta warstwa znajduje się między warstwami wejściowymi i wyjściowymi. Wszystkie niezbędne obliczenia złożone matematyczne są tutaj wykonywane. W tym miejscu sieci neuronowe uczą się rozwiązywać dany problem.
• Warstwa wyjściowa: Ta warstwa jest dostarczana po kilku transformacjach i optymalizacji.

Każda gęsta warstwa ma węzły podłączone do innych warstw krawędzie. Ciężary oznaczanie wartości informacji przypisanych do każdego węzła są przypisywane do tych krawędzi. Pozytywna waga wskazuje, że węzeł bierze udział w połączeniu pobudzającym, podczas gdy waga ujemna wskazuje, że węzeł jest zaangażowany w połączenie hamujące.

Twierdzenie Bayesa

Twierdzenie Bayesa jest wyrażeniem prawdopodobieństwa lub wzorem do znalezienia warunkowego prawdopodobieństwa określonego (nawet a) zdarzenia, biorąc pod uwagę wystąpienie innego (zdarzenia b) drugiego zdarzenia przy użyciu zaktualizowanych informacji z (i) jego odwrotnego prawdopodobieństwa warunkowego, (ii) bezwarunkowe (wcześniejsze) prawdopodobieństwo pierwszego zdarzenia domagającego się oraz (iii) bezwarunkowe prawdopodobieństwo drugiego zdarzenia dowodowego.

Klasyfikacja tekstu jest najpopularniejsza. W różnych sytuacjach uczenia maszynowego twierdzenie Bayesa jest powszechnie stosowane. Twierdzenie Bayesa ma następującą formułę:

Co to jest bayesowska sieć neuronowa?

Sieć bayesowska to model statystyczny stosowany dla różnych dziedzin i podejść do eksploracji danych. Sieci bayesowskie ilustrują współzależność między zmiennymi za pomocą modeli probabilistycznych, w których każda zmienna przyjmuje swoją wartość z dyskretnego rozkładu o znanym wcześniejszym prawdopodobieństwie. Węzły poprzednie i tylne tej sieci obejmują rozkłady prawdopodobieństwa dla ukrytych zmiennych. Natomiast węzeł tylny zawiera warunkowy rozkład prawdopodobieństwa ukrytych zmiennych, biorąc pod uwagę obserwowane wartości zmiennych widzialnych. Zaletą Bayes Net w porównaniu z innymi algorytmami jest to, że nie wymaga ona zestawu szkoleniowego z podstawową klasyfikacją etykiet prawdy w celu przeprowadzenia klasyfikacji zamiast polegania na uczeniu się struktury lub oszacowaniu parametrów.

Sztuczna sieć neuronowa (ANN) vs. Bayesian Neural Network

Anns Model to sposób, w jaki mózg biologiczny rozwiązuje problemy z rozległymi klastrami neuronów biologicznych związanych z utworzeniem sieci. Anns oparte są na obszernym zbiorze jednostek neuronowych. Sieci neuronowe to wysoce ustrukturyzowane sieci z trzema warstwami: Wejście, wyjście i ukryte warstwy, które są dowolnym poziomem między warstwami wejściowymi i wyjściowymi i najczęściej wykonują liniowe obliczenia algebraiczne, aby uzyskać wynik.

Bayesowskie sieci są skierowanym acyklicznym modelem graficznym (rodzaj modelu statystycznego), który wykorzystuje ukierunkowany wykres acykliczny do opisania zbioru zmiennych losowych i ich warunkowych zależności.

Zalety bayesowskich sieci neuronowych

1. Sieci bayesowskie są powszechnie przydatne, ponieważ ich funkcjonujący algorytm jest ściśle związany z rzeczywistym światem.
2. Bayesowskie sieci neuronowe obliczają niepewność prognozy automatycznie.
3. Rozwiązują problemy z nadmiernym dopasowaniem, biorąc pod uwagę rozkłady wagi.

Wady bayesowskich sieci neuronowych

1. Wymagają dość dobrze dobrze zrozumienia statystyki i matematyki.
2. Wymagają one treningu i dużo czasu na trening.

Dlaczego warto korzystać z BNN?

1. BNN nie używają bezpośrednio ciężarów do treningu. Zamiast tego używają rozkładów wag do treningu i ostatecznie unikać problemu nadmiernego dopasowania.
2. Zapewniają naturalne podejście do automatycznego obliczania niepewności.

Wniosek

Wiemy teraz, że sieć neuronowa to tylko sieć sztucznych neuronów, które współpracują w celu rozwiązywania różnych problemów w świecie rzeczywistym. Sztuczna sieć neuronowa to najprostszy rodzaj sieci neuronowej. Sieć bayesowska to inna sieć neuronowa, która działa z prawdopodobieństwem i jest ściśle związana z wyzwaniami w świecie rzeczywistym. Czasami jednak trudno jest trenować i wymaga dobrego dowodzenia matematyki.