L'HISTOIRE DES RÉSEAUX DE NEURAUX!

.

La graine est plantée!

Commençons depuis le début, quand l'idée est venue. Vous pensez peut-être que la technique du Deep Learning a récemment fleuri, donc ça aurait commencé quelques 20-30 ans, mais laissez-moi vous dire que tout a commencé quelques 78 ans. Oui, tu as bien lu, la historia del l'apprentissage en profondeurL'apprentissage en profondeur, Une sous-discipline de l’intelligence artificielle, s’appuie sur des réseaux de neurones artificiels pour analyser et traiter de grands volumes de données. Cette technique permet aux machines d’apprendre des motifs et d’effectuer des tâches complexes, comme la reconnaissance vocale et la vision par ordinateur. Sa capacité à s’améliorer continuellement au fur et à mesure que de nouvelles données lui sont fournies en fait un outil clé dans diverses industries, de la santé... a menudo se remonta a 1943 lorsque Walter Pitts Oui Warren McCulloch a créé un modèle informatique prenant en charge les réseaux neuronaux du cerveau humain. Ils ont utilisé un mélange d'algorithmes et d'arithmétique qu'ils ont appelé « logique de seuil » imiter la procédure de pensée.

Depuis ce moment, Le Deep Learning a évolué régulièrement, avec seulement deux ruptures significatives dans son développement. Les deux étaient liés aux tristement célèbres hivers de l'intelligence artificielle.

La germination des graines est visible!

Pendant la guerre froide, quand les scientifiques américains essayaient de traduire du russe vers l'anglais et certains des plus grands mathématiciens comme Alain Turing (souvent connu comme le père de l'informatique moderne) qui a créé le essai de Turing tester l'intelligence d'une machine. Frank Rosenblatt, un mathématicien a proposé le premier modèle basé sur des réseaux de neurones appelés Perceptron dans l'année 1958. Esto es equivalente al modelo de aprendizaje automático Regresión logística con una Fonction de perteLa fonction de perte est un outil fondamental de l’apprentissage automatique qui quantifie l’écart entre les prédictions du modèle et les valeurs réelles. Son but est de guider le processus de formation en minimisant cette différence, permettant ainsi au modèle d’apprendre plus efficacement. Il existe différents types de fonctions de perte, tels que l’erreur quadratique moyenne et l’entropie croisée, chacun adapté à différentes tâches et... ligeramente distinto.

Inspiration: neurone biologique

Il ressort clairement de l'histoire que nous sommes toujours inspirés par la nature et ce cas n'est pas différent. Ceci est très inspiré par la nature et la biologie de notre cerveau. À ce moment là, ils avaient une compréhension très basique du fonctionnement des neurones dans notre cerveau. Permettez-moi d'abord de vous présenter le neurone biologique.

Si nous touchons le niveau de surface d'un neurone biologique, alors il est principalement composé de 3 les pièces, coeur, dendrites et axones. Les panneaux / Des impulsions électriques sont reçues par ces dendrites connectées au noyau où le noyau lui-même effectue un certain traitement et envoie finalement un message sous la forme d'un signal électrique au reste des neurones connectés au moyen d'axones. C'est l'explication la plus simple du fonctionnement d'un neurone biologique, les personnes qui étudient la biologie seraient conscientes de la complexité énorme de sa structure et de son fonctionnement exact.

Ensuite, ces mathématiciens et scientifiques ont trouvé un moyen de représenter mathématiquement ce neurone biologique où il y a n entrées pour un corps et chacun a des poids, puisque tous les intrants peuvent ne pas être d'égale importance dans la production de la sortie. Cette sortie n'est rien de plus que l'application d'une fonction après avoir pris la somme des produits de ces entrées et leurs poids respectifs. Puisque cette idée du perceptron est loin de la réalité complexe d'un neurone biologique, on peut dire qu'il s'inspire vaguement de la biologie.

C'est un arbrisseau maintenant!

Maintenant est venue l'ère où les gens ont demandé pourquoi nous ne pouvions pas créer un réseau de neurones connectés qui s'inspire à nouveau du cerveau biologique de créatures vivantes comme les humains., singes, fourmis, etc., qui ont simplement une structure de neurones interconnectés. De nombreuses tentatives ont été faites depuis la décennie de 1960, mais cela a été couronné de succès dans un poste pivot sur 1986 par un groupe de mathématiciens, dont l'un était Geoffrey Hinton (a des contributions phénoménales dans le domaine de l'apprentissage automatique et de l'IA).

Puis ils ont eu l'idée de Rétropropagation algorithme. Brièvement, nous pouvons retenir cet algorithme comme une règle de différenciation en chaîne. Esto no solo hizo factible el entraînementLa formation est un processus systématique conçu pour améliorer les compétences, connaissances ou aptitudes physiques. Il est appliqué dans divers domaines, Comme le sport, Éducation et développement professionnel. Un programme d’entraînement efficace comprend la planification des objectifs, Pratique régulière et évaluation des progrès. L’adaptation aux besoins individuels et la motivation sont des facteurs clés pour obtenir des résultats réussis et durables dans toutes les disciplines.... de la Red Neural Artificial, mais a également créé un battage médiatique sur l'IA où les gens en parlaient toute la journée et pensaient que dans le prochain 10 années, il serait possible pour une machine de penser comme un humain.

Même si cela a créé un tel émoi, disparu au cours de la décennie de 1990 et cette période est devenue connue sous le nom de IA hiver parce que les gens l'ont beaucoup promu, mais l'effet réel était marginal à l'époque. Que pensez-vous pourrait être la raison? Avant de révéler la raison derrière cela, J'aimerais que tu lui donnes une chance.

Penser…

Penser…

Bien, ici tu as.

Moisissure poudreuse sur le sol!

Même si les mathématiciens ont proposé ce bel algorithme de rétropropagation, En raison de manque de puissance de calcul dans la décennie de 1990 et le manque de données, cette exagération pour finir est morte après que le département américain de la Défense. UU. arrêté de financer l'IA en voyant l'impact marginal au fil des ans après avoir été si médiatisé. Ensuite, algorithmes d'apprentissage automatique comme SVM, Random Forest et GBDT ont évolué et sont devenus extrêmement populaires auprès des 1995 Oui 2009.

Arbre mature avec des fleurs!

Bien qu'ils soient tous allés à des algorithmes comme SVM et tout, Geoffrey Hinton croyait toujours que la véritable intelligence ne serait obtenue que par les réseaux de neurones. Donc pendant presque 20 ans, En d'autres termes, de 1986 une 2006, travaillé sur les réseaux de neurones. Et en 2006 se le ocurrió un trabajo fenomenal sobre el entrenamiento de una neuronal rougeLes réseaux de neurones sont des modèles computationnels inspirés du fonctionnement du cerveau humain. Ils utilisent des structures appelées neurones artificiels pour traiter et apprendre des données. Ces réseaux sont fondamentaux dans le domaine de l’intelligence artificielle, permettant des avancées significatives dans des tâches telles que la reconnaissance d’images, Traitement du langage naturel et prédiction de séries temporelles, entre autres. Leur capacité à apprendre des motifs complexes en fait des outils puissants.. profond. C'est le début de l'ère connue sous le nom de L'apprentissage en profondeur. Ce message de Geoffrey Hinton n'a pas eu beaucoup de popularité jusqu'à ce que 2012.

Vous vous demandez peut-être ce qui a rendu les réseaux de neurones profonds extrêmement populaires dans 2012. Ensuite, dans 2012, Stanford a organisé un concours appelé ImageNet, l'un des problèmes les plus difficiles à l'époque consistait en millions d'images et la tâche consistait à identifier les objets à partir de l'image donnée. Je voudrais que vous vous souveniez qu'en 2012, les gens avaient une énorme quantité de données, et en même temps, le calcul était très puissant par rapport à ce qui était présent dans la décennie de 1980. Le réseau de neurones profonds ou Deep Learning d'ailleurs a surpassé tous les algorithmes d'apprentissage automatique dans cette compétition.

C'était l'époque où les grands géants de la technologie comme Google, Microsoft, Facebook et d'autres ont commencé à voir le potentiel de l'apprentissage en profondeur et ont commencé à investir massivement dans cette technologie..

Arbre mûr avec des fruits!

Aujourd'hui, si je parle de cas d'utilisation de Deep Learning, c'est faisable, il est important que vous sachiez que certains des assistants vocaux populaires comme Google Assistant, Siri, Alexa fonctionne avec l'apprentissage en profondeur. En même temps, Les voitures autonomes de Tesla sont rendues possibles grâce aux progrès de l'apprentissage en profondeur. A part ça, il trouve aussi ses applications dans le domaine de la santé. Je crois fermement qu'il y a encore beaucoup de potentiel dans le Deep Learning que nous expérimenterons dans les années à venir..

Voici quelques-uns de mes profils sociaux que vous voudrez peut-être visiter:

LinkedIn: https://bit.ly/3ltBarT

Github: https://bit.ly/3rQAYoH

Moitié: https://bit.ly/3a66Jn1

En rapport