Este artigo foi publicado como parte do Data Science Blogathon
Introdução
UMA 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.. artificial es un subcampo de la inteligencia artificial compilado bajo las redes neuronales de 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... que intenta imitar la red de neuronas que hace el cerebro humano, permitindo que eles entendam e respondam como um humano.
Tabela de conteúdo
- Visão geral da rede neural
- Introdução a Keras
- Implementação passo a passo do seu primeiro modelo Keras
- Combinando todo o código
- EndNote
Breve descrição da rede neural
A rede neural consiste em um conjunto maior de neurônios, chamadas unidades em camadas. Em palavras simples, A Rede Neural é projetada para realizar uma tarefa mais complexa, onde algoritmos de Aprendizado de Máquina não encontram seu uso e não alcançam o desempenho necessário.
As redes neurais são usadas para realizar muitas tarefas complexas, incluindo classificação de imagem, detecção de objeto, identificação de rosto, o resumo do texto, reconhecimento de voz e a lista é infinita.
Como as redes neurais aprendem características complexas? Uma rede neural tem muitas camadas e cada camada executa uma função específica e complexa da rede. Quanto mais camadas são, mais desempenho é recebido. É por isso que a rede neural também é chamada de perceptron multicamadas..
Introdução à Biblioteca Kears
Keras é uma biblioteca de rede neural rápida, Código aberto e fácil de usar, escrito em Python que roda sobre Theano ou Tensorflow. O Tensorflow fornece APIs de baixo e alto nível; de fato, Keras fornece apenas API de alto nível.
Como um iniciante, é recomendado trabalhar primeiro com Keras e depois mover para TensorFlow. O motivo é que usar as funções do Tensorflow como um iniciante é um pouco complexo de entender e interpretar, mas a funcionalidade do Keras é simples.
Crie seu primeiro modelo de rede neural com Keras
Construiremos uma rede neural artificial simples usando Keras passo a passo que o ajudará a criar seu próprio modelo no futuro.
Paso 1) Carregar dados
Usaremos os dados de diabetes dos índios Pima, que você pode baixar em aqui. É um conjunto de dados simples fornecido pelo conjunto de dados UCI Machine Learning, contendo um registro médico de pacientes indianos. Temos que prever se o paciente tem um aparecimento de diabetes dentro do 5 anos.
import pandas as pd
data = pd.read_csv('diabetes.csv')
x = data.drop("Resultado", eixo = 1)
y = dados["Resultado"]
É um problema de classificação binária onde temos que dizer se o seu início de diabetes é 1 ou não como 0. Todas as colunas são numéricas, o que facilita a criação direta de uma rede neural em cima dela. Portanto, separamos os dados independentes e dependentes.
Paso 2) Defina o modelo Keras
O modelo em Keras é sempre definido como uma sequência de camadas. Significa que inicializamos o modelo de sequência e adicionamos as camadas uma após a outra, que são executadas como a sequência da lista. Praticamente temos que experimentar o processo de adição e remoção de camadas até estarmos satisfeitos com nossa arquitetura..
O que você precisa cuidar é que a primeira camada tenha o número correto de características de entrada que são especificadas usando o input_dim parâmetro. podemos especificar o número de neurônios como o primeiro argumento de uma camada. para definir la função de despertarA função de ativação é um componente chave em redes neurais, uma vez que determina a saída de um neurônio com base em sua entrada. Seu principal objetivo é introduzir não linearidades no modelo, permitindo que você aprenda padrões complexos em dados. Existem várias funções de ativação, como o sigmóide, ReLU e tanh, cada um com características particulares que afetam o desempenho do modelo em diferentes aplicações.... utilice el argumento de activación.
Neste exemplo, vamos definir uma rede totalmente conectada com três camadas. Para definir a camada totalmente conectada, usar a classe Keras Dense.
- A primeira camada tem 12 neuronas y función de activación como retomarA função de ativação do ReLU (Unidade linear retificada) É amplamente utilizado em redes neurais devido à sua simplicidade e eficácia. Definida como ( f(x) = máx.(0, x) ), ReLU permite que las neuronas se activen solo cuando la entrada es positiva, lo que contribuye a mitigar el problema del desvanecimiento del gradiente. Su uso ha demostrado mejorar el rendimiento en diversas tareas de aprendizaje profundo, haciendo de ReLU una opción...
- A segunda camada oculta tem 8 neurônios e ativação funcionam como relu
- Finalmente, en la Camada de saídao "Camada de saída" é um conceito utilizado no campo da tecnologia da informação e design de sistemas. Refere-se à última camada de um modelo ou arquitetura de software que é responsável por apresentar os resultados ao usuário final. Essa camada é crucial para a experiência do usuário, uma vez que permite a interação direta com o sistema e a visualização dos dados processados...., nós usamos 1 unidade e ativação como sigmóide porque é um problema de classificação binária.
de keras.models import Sequential de keras.layers import Dense modelo = Sequencial() model.add(Denso(12, input_dim = 8, ativação ="retomar")) model.add(Denso(12, ativação ="retomar")) model.add(Denso(1, ativação ="sigmóide"))
Recuerde especificar la forma correcta de los datos en la primera capa conocida como camada de entradao "camada de entrada" refere-se ao nível inicial em um processo de análise de dados ou em arquiteturas de redes neurais. Sua principal função é receber e processar informações brutas antes de serem transformadas por camadas subsequentes. No contexto do aprendizado de máquina, A configuração adequada da camada de entrada é crucial para garantir a eficácia do modelo e otimizar seu desempenho em tarefas específicas.....
Paso 3) Compile o modelo Keras
Quando compilamos o modelo Keras, usar bibliotecas numéricas de back-end como TensorFlow ou Theano. Qualquer back-end que você está usando, escolhe automaticamente a melhor maneira de representar a rede em seu hardware, como CPU, GPU o TPU.
Quando compilamos o modelo, debemos especificar algunos parametroso "parametros" são variáveis ou critérios usados para definir, medir ou avaliar um fenômeno ou sistema. Em vários domínios, como a estatística, Ciência da Computação e Pesquisa Científica, Os parâmetros são essenciais para estabelecer normas e padrões que orientam a análise e interpretação dos dados. Sua seleção e manuseio adequados são cruciais para obter resultados precisos e relevantes em qualquer estudo ou projeto.... adicionales para evaluar mejor el modelo y encontrar el mejor conjunto de ponderaciones para asignar entradas a salidas.
- 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...: a função de perda deve ser especificada para avaliar o conjunto de pesos aos quais o modelo será mapeado. Usaremos a entropia cruzada como uma função de perda que é atualmente conhecida como a entropia cruzada binária usada para classificação binária.
- Otimizador: o segundo é o otimizador para otimizar a perda. Usaremos adam, que é uma versão popular de gradiente descendente e oferece o melhor resultado na maioria dos problemas.
model.compile(perda ="binário_crossentropia", otimizador ="Adão", metrics =["precisão"])
Paso 4) Comece a treinar (ajustar o modelo)
Após a compilação bem-sucedida do modelo, estamos prontos para ajustar os dados ao modelo e começar a treinar a rede neural. Além de fornecer dados para modelar, necesitamos definir una cantidad de épocas y un tamaño de lote en el que se produce el 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.....
- ÉpocaEpoch es una plataforma que ofrece herramientas para la creación y gestión de contenido digital. Su enfoque se centra en facilitar la producción de multimedia, permitiendo a los usuarios colaborar y compartir información de manera eficiente. Con una interfaz intuitiva, Epoch se ha convertido en una opción popular entre profesionales y empresas que buscan optimizar su flujo de trabajo en la era digital. Su versatilidad la hace adecuada para diversas...: passagem única por todas as linhas do conjunto de dados de treinamento
- Tamanho do batch: número de amostras consideradas pelo modelo antes de atualizar os pesos.
model.fit(x,e, épocas = 150, batch_size = 10)
Uma época pode ser composta por mais de um lote. Esses parâmetros são finalmente decididos após o método de teste e calor.
Paso 5) Avalie o modelo
Depois de treinar o modelo, vamos saber o desempenho de uma rede neural. O modelo é sempre avaliado em um conjunto de teste. Neste exemplo, Pela simplicidade, nós treinamos em um conjunto de dados completo, mas ao trabalhar em qualquer projeto, basicamente divide os dados e treina a rede.
_, precisão = modelo.avaliar(x, e)
imprimir("Precisão do modelo: %.2f"% (precisão * 100))Para avaliar o modelo, usar o método de avaliação e passar a entrada e saída para o modelo e verificar o desempenho.
Paso 6) Faça previsões
prever a saída de novos dados simplesmente usando o método de previsão. temos uma declaração de problema de classificação binária, de modo que a saída será simplesmente 0 o 1.
predictions = model.predict(x) imprimir([volta(x[0]) para x em previsões])
alternativamente, você também pode usar o predecir_clases função para prever diretamente classes.
Isso está resolvido., nós facilmente criamos uma rede neural com 3 camadas usando apenas algumas linhas de código com Keras.
Compile todo o código em conjunto
modelo = Sequencial() #define model model.add(Denso(12, input_dim = 8, ativação ="retomar")) model.add(Denso(8, ativação ="retomar")) model.add(Denso(1, ativação ="sigmóide")) model.compile(perda ="binário_crossentropia", otimizador ="Adão", metrics =["precisão"]) #compile model model.fit(x,e, épocas = 150, batch_size = 10) #training _, precisão = modelo.avaliar(x,e) #testing print("Precisão do modelo: %.2f"% (precisão * 100)) predictions = model.predict(x) #make predictions #round the prediction rounded = [volta(x[0]) para x em previsões]
EndNote
Uma rede neural constrói uma rede de camadas conectadas com múltiplos neurônios em cada camada. UMA mediro "medir" É um conceito fundamental em várias disciplinas, que se refere ao processo de quantificação de características ou magnitudes de objetos, Fenômenos ou situações. Na matemática, Usado para determinar comprimentos, Áreas e volumes, enquanto nas ciências sociais pode se referir à avaliação de variáveis qualitativas e quantitativas. A precisão da medição é crucial para obter resultados confiáveis e válidos em qualquer pesquisa ou aplicação prática.... que aumentamos el número de capas, a rede é capaz de aprender características mais complexas.
Você criou facilmente seu primeiro modelo de rede neural com Keras. Espero que tenha sido fácil entender todas as coisas. Se você tem alguma dúvida, por favor coméntela. Ficarei feliz em te ajudar.
Se você gostou do artigo, Confira meus outros artigos. Ligação
