Nell'ultimo post (Clicca qui), parliamo brevemente delle basi della tecnica ANN. Ma prima di usare la tecnica, un analista deve sapere, Come funziona effettivamente la tecnica?? Anche quando non è richiesto un rinvio dettagliato, il framework dell'algoritmo deve essere noto. Questa conoscenza serve a molteplici scopi:
- Primo, ci aiuta a capire l'impatto dell'aumento / riduci il set di dati verticalmente o orizzontalmente nel tempo di calcolo.
- Al secondo posto, ci aiuta a capire le situazioni o i casi in cui il modello si adatta meglio.
- Al terzo posto, Ci aiuta anche a spiegare perché un determinato modello funziona meglio in determinate impostazioni o situazioni..
Este post le proporcionará una comprensión básica del marco de la neuronale rossoLe reti neurali sono modelli computazionali ispirati al funzionamento del cervello umano. Usano strutture note come neuroni artificiali per elaborare e apprendere dai dati. Queste reti sono fondamentali nel campo dell'intelligenza artificiale, consentendo progressi significativi in attività come il riconoscimento delle immagini, Elaborazione del linguaggio naturale e previsione delle serie temporali, tra gli altri. La loro capacità di apprendere schemi complessi li rende strumenti potenti.. artificial (ANN). Non entreremo nel bypass vero e proprio, ma le informazioni fornite in questo post saranno sufficienti per farti apprezzare e mettere in pratica l'algoritmo. Alla fine del post, inoltre presenterò le mie opinioni sui tre scopi fondamentali della comprensione di qualsiasi algoritmo precedentemente menzionato.
Formulazione della rete neurale
Inizieremo con la comprensione della formulazione di una semplice rete neurale a strati nascosti. Se puede representar una red neuronal simple como se muestra en la próxima figura"Figura" è un termine che viene utilizzato in vari contesti, Dall'arte all'anatomia. In campo artistico, si riferisce alla rappresentazione di forme umane o animali in sculture e dipinti. In anatomia, designa la forma e la struttura del corpo. Cosa c'è di più, in matematica, "figura" è legato alle forme geometriche. La sua versatilità lo rende un concetto fondamentale in molteplici discipline....:
I collegamenti tra i nodi sono la scoperta più cruciale in una ANN. Torneremo su "come trovare il peso di ciascun collegamento" dopo aver discusso il quadro generale. Gli unici valori noti nel diagramma sopra sono gli ingressi. Chiamiamo gli ingressi I1, I2 e I3, stati nascosti come H1, H2.H3 e H4, uscite come O1 e O2. I pesi dei collegamenti possono essere indicati con la seguente notazione:
W (I1H1) è il peso del collegamento tra i nodi I1 e H1.
Di seguito è riportato il quadro in cui funzionano le reti neurali artificiali (ANN):
Pochi dettagli statistici sul framework
Ogni calcolo di collegamento in una rete neurale artificiale (ANN) è equivalente. Generalmente, assumiamo un legame sigmoideo tra le variabili di input e il tasso di attivazione dei nodi nascosti o tra i nodi nascosti e il tasso di attivazione dei nodi di output. Prepariamo l'equazione per trovare il tasso di attivazione di H1.
Logit (H1) = W (I1H1) * I1 + W (I2H1) * I2 + W (I3H1) * I3 + Costante = f
=> P (H1) = 1 / (1 + e ^ (- F))
Ecco come appare il collegamento sigmoideo:
Come vengono ricalibrati i pesi?? Una breve nota
La ricalibrazione dei pesi è una procedura semplice, ma a lungo. Gli unici nodi in cui conosciamo il tasso di errore sono i nodi di output. La recalibración de pesos en el vínculo entre el nodoNodo è una piattaforma digitale che facilita la connessione tra professionisti e aziende alla ricerca di talenti. Attraverso un sistema intuitivo, Consente agli utenti di creare profili, condividere esperienze e accedere a opportunità di lavoro. La sua attenzione alla collaborazione e al networking rende Nodo uno strumento prezioso per chi vuole ampliare la propria rete professionale e trovare progetti in linea con le proprie competenze e obiettivi.... oculto y el nodo de salida es una función de esta tasa de error en los nodos de salida. Ma, Come troviamo il tasso di errore nei nodi nascosti?? Si può statisticamente dimostrare che:
Errore @ H1 = W (H1O1) *[e-mail protetta] + W (H1O2) *[e-mail protetta]
Usando questi errori, possiamo ricalibrare i pesi del collegamento tra nodi nascosti e nodi di input in modo equivalente. Imagine que este cálculo se realiza varias veces para cada una de las observaciones del conjunto de addestramentoLa formazione è un processo sistematico volto a migliorare le competenze, conoscenze o abilità fisiche. Viene applicato in vari ambiti, come lo sport, Formazione e sviluppo professionale. Un programma di allenamento efficace include la pianificazione degli obiettivi, Pratica regolare e valutazione dei progressi. L'adattamento alle esigenze individuali e la motivazione sono fattori chiave per ottenere risultati di successo e sostenibili in qualsiasi disciplina.....
Le tre domande fondamentali
Qual è la correlazione tra il tempo consumato dall'algoritmo e il volume dei dati? (rispetto ai modelli tradizionali come la logistica)?
Come menzionato in precedenza, per ogni osservazione, ANN esegue più ricalibrazioni per ogni peso di collegamento. Perché, il tempo impiegato dall'algoritmo aumenta molto più velocemente di altri algoritmi tradizionali per lo stesso aumento del volume di dati.
In quale situazione si adatta meglio l'algoritmo??
La ANN è usata raramente per la modellazione predittiva. Il motivo è che le reti neurali artificiali (ANN) di solito cercano di adattare troppo il legame. La ANN viene generalmente utilizzata nei casi in cui ciò che è accaduto in passato si ripete quasi esattamente nello stesso modo. Come esempio, diciamo che stiamo giocando a black jack contro un computer. Un avversario intelligente basato su ANN sarebbe un ottimo avversario per questo caso (supponendo che possano mantenere basso il tempo di calcolo). Col tempo, ANN si preparerà per tutti i possibili casi di flusso di carte. E dal momento che non stiamo mescolando le carte con un mazziere, ANN sarà in grado di memorizzare ogni chiamata. Perché, è una sorta di tecnica di apprendimento automatico che ha una memoria enorme. Ma non funziona bene nel caso in cui la popolazione del punteggio sia significativamente diversa rispetto al campione di allenamento. Come esempio, se ho intenzione di indirizzare un cliente per una campagna utilizzando la sua precedente risposta da una ANN. Probabilmente userò la tecnica sbagliata, poiché potresti aver regolato eccessivamente il collegamento tra la soluzione e altri predittori.
Per la stessa ragione, funziona molto bene in caso di accredito immagine e accredito vocale.
Ciò che rende ANN un modello molto forte quando si tratta di memorizzazione??
Reti neurali artificiali (ANN) hanno molti coefficienti diversi, che puoi sfruttare al meglio. Perché, può gestire molta più variabilità rispetto ai modelli tradizionali.
Il post ti è stato utile?? Hai usato altri strumenti di machine learning di recente?? Hai intenzione di utilizzare ANN su uno qualsiasi dei tuoi problemi aziendali?? Se è così, dicci come pensi di farlo.
