开发神经网络是为了尝试复制人类神经系统神经元的复杂连接。
人们认为，由于生物神经系统在传递和处理信号方面非常有效，它可以帮助为机器创造类似人类的智能。
这导致了人工神经元网络的创建，它可以像人脑中的神经元簇一样处理和传输数据。
这大大增强了机器学习和智能响应的能力，因此，神经网络诞生了。
在本文中，我将讨论神经网络、它们的工作原理、优势和其他重要方面。
开始吧！
什么是神经网络？
图片来源：Tibco.com
神经网络或人工神经网络 (ANN) 是人工智能 (AI) 和机器学习 (ML) 的一部分，它教会机器/计算机像生物大脑一样处理信息。 该网络有一个自适应系统，允许它从以前的活动中学习并不断改进。
神经网络是机器学习的一个子集，其核心是使用深度学习算法开发的。 “神经网络”这个名字的灵感来自于人脑中错综复杂的神经元网络以及神经元之间的交流方式。
神经网络使用其训练数据作为输入来支持学习并增强其能力。 它不断地从过去的数据中学习并提高准确性，使其成为一个强大的现代工具。
神经网络的历史可以追溯到第一个计算机时代。 神经网络的第一个实例是由 Warren McCulloch 设计的，作为一个可以近似人脑功能的电路系统。
1958 年，弗兰克·罗森布拉特 (Frank Rosenblatt) 开发了第一个人工感知实例。 1982 年，John Hopfield 发表了一篇关于“递归神经网络”的论文。 神经网络在 1988 年被广泛用于蛋白质研究领域。
该技术用于预测蛋白质的三维形状。 到 1992 年，一种用于识别 3D 对象的算法被开发出来。
目前，神经网络已经非常先进。 它们用于多个领域，从医疗保健、航空航天和国防到网络安全、营销和天气预报。
神经网络如何工作？
如上所述，神经网络的发展在神经结构方面受到了人脑的启发。 人脑的神经元可以创建一个复杂且高度互连的网络，通过该网络发送信号和处理信息。 这充当神经网络正在复制的神经元的功能。
神经网络运行的基本方法是通过网络内多个不同层的神经元的相互连接。 每个神经元都通过一个节点连接到另一个神经元。
它可以从它之前的层接收输入并发送传递到之后的层的输出。 此步骤不断重复，直到最后一层做出决定或预测。
根据数据传递和处理的网络每一层的单独机制，可以更好地理解神经网络的工作原理。 在基本结构中，有三层——输入层、隐藏层和输出层。
输入层
这一层神经网络负责从外界收集数据。 收集数据后，该层还对该数据进行处理分析数据的内容，并为数据添加类别以便更好地识别。 然后它将数据发送到下一层。
隐藏层
来自隐藏层的数据来自输入层和其他隐藏层。 神经网络中可以有大量的隐藏层。 每个隐藏层都可以分析从前一层传递的输入。 然后处理输入，然后进一步传递。
输出层
从最后一个隐藏层传递的数据到达输出层。 该层显示在神经网络的前几层中发生的数据处理的最终输出。 输出层可以有一个或多个基于输入的节点。
例如，在处理二进制数据（1/0，是/否）时，将使用单个输出节点。 但是，在处理多类别数据时，将使用多个节点。
隐藏层本质上是几个节点之间相互连接的深度学习网络。 节点连接由一个称为“权重”的数字表示。 它表示节点可以影响其他节点的程度。 正值表示激发另一个节点的能力，而负值表示抑制另一个节点的能力。
神经网络的类型
对于不同类型的用途和数据，应用不同类型的神经网络，每种神经网络具有不同的架构。 以下是一些神经网络类型：
#1。 前馈网络
在这种类型的神经网络中，存在多个相互连接的隐藏层和神经元。 在这里，信息流只是前向传播，没有反向传播，因此得名“前馈”。 大量的这一层有助于重量定制； 因此，学习。
#2。 感知机
这是仅由 1 个神经元组成的最基本的网络形式。 神经元对输入应用激活函数以获得二进制输出。 它本质上是将输入值和节点的权重相加，并将总和传递给激活函数以创建输出。 这种类型的网络中没有隐藏层。
#3。 多层感知器
这种类型的神经网络允许前馈系统不支持的反向传播。 这结合了几个允许双向数据流的隐藏层和激活函数。 输入向前传播，而权重更新向后传播。 根据目标，可以更改激活函数。
#4。 径向基网络
该网络类别在输入层和输出层之间使用了一层径向基函数 (RBF) 神经元。 这些神经元可以存储不同类别的训练数据，从而使用不同的方式来预测目标。 神经元将欧氏距离与输入特征值的实际存储类进行比较。
#5。 卷积网络
该神经网络包含多层卷积，可从图片等输入中识别重要特征。 前几层专注于低级细节，而后续层则专注于高级细节。 该网络使用自定义矩阵或过滤器来创建地图。
#6。 循环网络
当需要从给定的数据序列中获得预测时，使用此网络。 它可以采用上次预测的时间延迟输入。 这存储在 RNN 数据单元中，而 RNN 数据单元又充当用于预测的第二个输入。
#7。 短期记忆网络
在这种类型的神经网络中，使用了一个额外的特殊记忆单元来保存信息更长时间并克服梯度消失的问题。 逻辑门用于识别需要使用或丢弃的输出。 因此，这里使用的三个逻辑门是——输入、输出和遗忘。
神经网络的好处
神经网络提供了很多好处：
- 由于其结构，它可以处理数据并学习关于现实世界的复杂和非线性关系，并将其学习推广以创建新的输出。
- 神经网络对输入没有限制。 因此，这些可以对异方差进行建模，通过它可以了解数据之间的隐藏关系。
- 神经网络可以在整个网络中存储数据并处理不足的数据。 这会创建数据冗余并降低数据丢失的风险。
- 由于具有冗余连接，它能够同时并行处理多个数据。 这意味着神经网络可以帮助同时执行多项功能。
- 调整数据处理的能力赋予了它强大的容错能力，并训练自己不断提高。
- 由于网络使用分布式内存，因此可以防止数据损坏。
- 它可以从过去的事件中学习，并以此为基础训练机器做出更好的决策。
神经网络的应用
- 预测股市表现：多层感知机常用于预测股市表现，为股市变化做准备。 该系统根据股票市场的利润率、年回报率和过去的表现数据进行预测。
- 面部识别：卷积网络用于运行面部识别系统，该系统将给定的面部 ID 与数据库中的面部 ID 列表进行匹配，以显示正匹配。
- 研究社交媒体行为：多人感知器可用于通过虚拟对话和社交媒体互动来研究人们在社交媒体上的行为。 此数据可用于营销活动。
- 航空航天研究：时延网络可用于航空学的各个领域，例如模式识别、安全控制系统、高性能自动驾驶、飞机故障诊断和开发仿真。 这有助于加强行业的安全和保障措施。
- 防御计划：可以使用神经网络访问和开发防御策略。 该技术可用于预测防御风险、控制自动化设备和识别潜在巡逻点。
- 医疗保健：该网络可用于为超声波、CT 扫描和 X 射线创建更好的成像技术。 这也有助于更好地记录和跟踪患者数据。
- 身份验证：可以使用神经网络识别手写模式。 这有助于通过手写和签名验证系统识别潜在的伪造证据。
- 天气预报：来自气象卫星的数据可用于动态建模和更准确地预测天气模式。 这有助于建立自然灾害的早期预警，以便及时采取预防措施。
学习资源
#1。 Udemy 的深度学习 AZ
Udemy 的 Deep Learning AZ 将帮助您学习如何使用 Python 和创建深度学习算法。 课程时长为 22 小时 33 分钟。
该课程将教导学生：
- 更好地理解人工智能、神经网络、自组织映射、玻尔兹曼机和自动编码器的概念。
- 如何将这些技术应用到现实世界中实践。
课程价格为 39.98 美元。
#2。 Udemy 的数据科学
数据科学是一门关于深度学习和神经网络的优秀课程，深入介绍了机器学习中使用的神经网络理论。 本课程也由 Udemy 提供。 它的持续时间为12小时。
该课程将教授：
- 关于深度学习和神经网络功能
- 从头开始开发神经网络代码
课程价格为 35.13 美元。
#3。 Udemy 构建神经网络
Udemy 课程“从头开始用 Python 构建神经网络”使学习者能够使用梯度下降和线性回归来开发深度学习和机器学习。 课程时长为 3 小时 6 分钟。
该课程将教授：
- 关于神经网络的基本功能，如线性回归、反向传播和成本函数
- 训练神经网络、对其进行分类、调整其学习率、规范化输入并优化其准确性。
课程价格为 31.50 美元。
#4。 Coursera 的神经网络和深度学习
神经网络和深度学习课程由 Coursera 提供。 这是第一门专门研究深度学习并侧重于基础概念的课程。 课程持续时间为25小时。
该课程将教授：
- 熟悉推动深度学习发展的重要技术趋势
- 了解如何训练深度学习并使用它们来开发完全连接的网络。
本课程免费提供。
#5。 构建高级深度学习和 NLP
构建高级深度学习和 NLP 课程由 Educative 提供。 完成该课程大约需要 5 个小时。
该课程将教授：
- 在动手编码环境中工作
- 了解深度学习中的概念，并在与自然语言处理 (NLP) 和高级深度学习相关的项目中进行实践
该课程的价格为每月 9.09 美元。
#6。 使用 Python 的神经网络项目：
James Loy 的这本书是关于如何使用 Python 和发现人工神经网络的力量的终极指南。 它将使您在 Python 中使用神经网络的六个项目的帮助下学习和实现神经网络。 完成此项目将帮助您构建您的 ML 投资组合。
该课程将教授：
- LSTM 和 CNN 等神经网络架构
- 使用像 Keras 这样的流行库
- 项目涉及情感分析、人脸识别、物体检测等。
#7。 神经网络和深度学习
Charu C. Aggarwal 的这本书涵盖了深度学习中的现代和经典模型。 它将教您深度学习和神经网络的算法和理论，以便您可以将它们应用于多个应用程序。
它还涵盖推荐系统、图像字幕和分类、文本分析、机器翻译、游戏等应用。
你将学习：
- 神经网络基础
- 神经网络基础
- 高级神经网络主题，如 GAN、神经图灵机等。
结论
神经网络本质上是人工智能的一部分，它以接近人类智能的方式支持学习。 这些包括多个层，每个层都有自己的功能和输出。 鉴于其准确性、数据处理能力、并行计算等优势，神经网络在多个领域的应用正在兴起，以进行预测和做出更明智的决策。
您还可以探索卷积神经网络。
