A HISTÓRIA DAS REDES NEURAIS!

.

A semente é plantada!

Vamos começar do começo, quando a ideia surgiu. Você pode estar pensando que a técnica de Aprendizado Profundo floresceu recentemente, então teria começado alguns 20-30 anos, mas deixe-me dizer que tudo começou alguns 78 anos. sim, você leu certo, A história do aprendizado profundoAqui está o caminho de aprendizado para dominar o aprendizado profundo em, Uma subdisciplina da inteligência artificial, depende de redes neurais artificiais para analisar e processar grandes volumes de dados. Essa técnica permite que as máquinas aprendam padrões e executem tarefas complexas, como reconhecimento de fala e visão computacional. Sua capacidade de melhorar continuamente à medida que mais dados são fornecidos a ele o torna uma ferramenta fundamental em vários setores, da saúde... muitas vezes volta para 1943 quando Walter Pitts e Warren McCulloch criou um modelo de computador que suportava as redes neurais do cérebro humano. Eles usaram uma mistura de algoritmos e aritmética que chamaram “lógica de limiar” para imitar o procedimento do pensamento.

Desde esse momento, O Deep Learning tem evoluído constantemente, com apenas duas quebras significativas em seu desenvolvimento. Ambos estavam ligados aos invernos infames de inteligência artificial.

O brotamento das sementes é visível!

Durante a guerra fria, quando cientistas americanos tentaram traduzir do russo para o inglês e alguns dos maiores matemáticos, como Alan Turing (frequentemente conhecido como o pai da computação moderna) quem criou o Teste de Turing para testar a inteligência de uma máquina. Frank Rosenblatt, um matemático surgiu com o primeiro modelo baseado em redes neurais chamadas Perceptron no ano 1958. Isso é equivalente ao modelo de aprendizado de máquina Regressão Logística com um Função de perdaA função de perda é uma ferramenta fundamental no aprendizado de máquina que quantifica a discrepância entre as previsões do modelo e os valores reais. Seu objetivo é orientar o processo de treinamento, minimizando essa diferença, permitindo assim que o modelo aprenda de forma mais eficaz. Existem diferentes tipos de funções de perda, como erro quadrático médio e entropia cruzada, cada um adequado para diferentes tarefas e... Ligeiramente diferente.

Inspiração: neurônio biológico

É claro pela história que sempre nos inspiramos na natureza e neste caso não é diferente. Isso é muito inspirado pela natureza e biologia do nosso cérebro. Nesse momento, eles tinham uma compreensão muito básica do funcionamento dos neurônios em nosso cérebro. Deixe-me primeiro apresentá-lo ao neurônio biológico.

Se tocarmos o nível da superfície de um neurônio biológico, então é principalmente composto de 3 partes, núcleo, dendritos e axônios. Os sinais / Impulsos elétricos são recebidos por esses dendritos conectados ao núcleo onde o próprio núcleo realiza algum processamento e finalmente envia uma mensagem na forma de um sinal elétrico para o resto dos neurônios conectados por meio de axônios.. Esta é a explicação mais simples do funcionamento de um neurônio biológico, pessoas que estudam biologia devem estar cientes de quão enormemente complexa é sua estrutura e exatamente como ela funciona.

Então, aqueles matemáticos e cientistas descobriram uma maneira de representar matematicamente este neurônio biológico onde há n entradas para um corpo e cada uma tem alguns pesos, uma vez que todas as entradas podem não ser igualmente importantes na produção da saída. Esta saída nada mais é do que aplicar uma função após tirar a soma dos produtos dessas entradas e seus respectivos pesos. Uma vez que esta ideia do perceptron está longe da realidade complexa de um neurônio biológico, podemos dizer que é vagamente inspirado pela biologia.

É uma muda agora!

Agora chegou a era em que as pessoas perguntavam por que não podíamos criar uma rede de neurônios conectados que fosse novamente inspirada nos cérebros biológicos de criaturas vivas como os humanos., macacos, formigas, etc., que simplesmente têm uma estrutura de neurônios interconectados. Muitas tentativas foram feitas desde a década de 1960, mas isso foi bem-sucedido em uma postagem essencial no 1986 por um grupo de matemáticos, um dos quais foi Geoffrey Hinton (tem contribuições fenomenais no campo do aprendizado de máquina e IA).

Então eles tiveram a ideia de Retropropagação algoritmo. Resumidamente, podemos lembrar este algoritmo como uma regra de diferenciação em cadeia. Isso não só fez com que o TreinamentoO treinamento é um processo sistemático projetado para melhorar as habilidades, Conhecimento ou habilidades físicas. É aplicado em várias áreas, como esporte, Educação e desenvolvimento profissional. Um programa de treinamento eficaz inclui planejamento de metas, prática regular e avaliação do progresso. A adaptação às necessidades individuais e a motivação são fatores-chave para alcançar resultados bem-sucedidos e sustentáveis em qualquer disciplina.... da Rede Neural Artificial, mas também criou um AI hype onde as pessoas falaram sobre isso o dia todo e pensaram que no próximo 10 anos, seria viável para uma máquina pensar como um humano.

Mesmo que tenha criado um rebuliço, desapareceu na década de 1990 e este período veio a ser conhecido como o AI Winter porque as pessoas promoveram muito, mas o efeito real foi marginal na época. O que você acha que poderia ser o motivo? Antes de revelar a razão por trás disso, Eu gostaria que você desse uma chance.

Pensar…

Pensar…

Nós vamos, aqui tens.

Molde pulverulento no chão!

Mesmo que os matemáticos tenham criado este belo algoritmo de retropropagação, devido ao falta de poder computacional na década de 1990 e ele falta de dados, esse exagero para acabar morreu depois que o Departamento de Defesa dos EUA. UU. parou de financiar IA, vendo o impacto marginal ao longo dos anos depois de ser tão alardeado. Então, algoritmos de aprendizado de máquina como SVM, Random Forest e GBDT evoluíram e se tornaram extremamente populares com 1995 e 2009.

Árvore madura com flores!

Embora todos tenham usado algoritmos como SVM e tudo mais, Geoffrey Hinton ainda acreditava que a verdadeira inteligência seria alcançada apenas por meio de redes neurais. Portanto, por quase 20 anos, Em outras palavras, a partir de 1986 uma 2006, trabalhou em redes neurais. E em 2006 Ele veio com um trabalho fenomenal no treinamento de um neuronal vermelhoAs redes neurais são modelos computacionais inspirados no funcionamento do cérebro humano. Eles usam estruturas conhecidas como neurônios artificiais para processar e aprender com os dados. Essas redes são fundamentais no campo da inteligência artificial, permitindo avanços significativos em tarefas como reconhecimento de imagem, Processamento de linguagem natural e previsão de séries temporais, entre outros. Sua capacidade de aprender padrões complexos os torna ferramentas poderosas.. Fundo. Este é o início da era conhecida como Aprendizagem profunda. Esta postagem de Geoffrey Hinton não obteve muita popularidade até 2012.

Você pode estar se perguntando o que tornou as redes neurais profundas extremamente populares em 2012. Então, sobre 2012, Stanford realizou uma competição chamada ImageNet, um dos problemas mais difíceis naquela época consistia em milhões de imagens e a tarefa era identificar os objetos da imagem dada. Eu gostaria que você se lembrasse disso em 2012, as pessoas tinham uma grande quantidade de dados, e ao mesmo tempo, o cálculo era muito poderoso se comparado ao que estava presente na década de 1980. A rede neural profunda ou Deep Learning para essa matéria superou todos os algoritmos de aprendizado de máquina nesta competição.

Esta foi a época em que grandes gigantes da tecnologia como o Google, Microsoft, O Facebook e outros começaram a ver o potencial do aprendizado profundo e começaram a investir pesadamente nessa tecnologia..

Árvore madura com frutas!

Hoje, se eu falar sobre casos de uso de Deep Learning, é viável, é importante que você saiba que alguns dos assistentes de voz populares, como o Google Assistant, Siri, Alexa trabalha com aprendizado profundo. Ao mesmo tempo, Os carros autônomos da Tesla são possíveis graças aos avanços no aprendizado profundo. Alem disso, também tem suas aplicações no setor de saúde. Acredito firmemente que ainda há muito potencial no Deep Learning que experimentaríamos nos próximos anos..

Estes são alguns dos meus perfis sociais que você pode querer visitar:

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

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

Metade: https://bit.ly/3a66Jn1

Relacionado