Betydelsen av artificiell intelligens och neurala nätverk

Avatar for Dr. Hafsa Akbar Ali

Vad är artificiell intelligens?

Det är vetenskapen och tekniken för att tillverka maskiner, särskilt intelligenta, smarta och lysande datorprogram. På samma sätt är artificiell intelligens simuleringen av mänsklig intelligens som maskinen bearbetar och datorsystem.

Dessa processer inkluderar:

Inlärning: procession och insamling av information och regler för användning av information.

Resonemang: använda reglerna och riktlinjerna för att nå slutsatsen och målen.

självkorrigering.

Fördelar med artificiell intelligens:

Det kan enkelt utföra de komplexa uppgifter som är svåra för oss. Det kan slutföra uppgiften och plikten snabbare jämfört med oss. Färre fel och fel. Ger exakta resultat. Det kan upptäcka och utforska saker. Det är mer mångsidigt än människor.

Delområden för artificiell intelligens:

Neurala nätverk Spelteori Programmeringsspråk Expertsystem Genetisk algoritmik Tal / handskriftsigenkänning Syn Robotik Sökalgoritmer Inlärningssystem Naturlig språkbearbetning Vanliga kunskapsdatabaser Logikagenter Planering och förutsägelse Automationsprogramvara

AI SUB-områden

Komponenter av artificiell intelligens:

Perception Learning Reasoning Problemlösning Språkförståelse.

Artificiell intelligens och det neurala nätverket är i grunden inspirerade av det naturliga neurala nätverket av ett mänskligt nervsystem som är nervceller i hjärnan. Neurala nätverket simulerar inte till nervceller. Det konstgjorda och neurala nätverket innehåller vanligtvis mindre än 10 ^ 11 nervceller som finns i den mänskliga hjärnan. Konstgjorda nervceller kallas enheter. De är väldigt enkla jämfört med mänskliga nervceller.

Vad är artificiell intelligens och neurala nätverk (ANN)?

Uppfinnaren av det första neurala nätverket, Dr. Robert Hecht-Nielsen, definierar det neurala nätverket som:
“… ett datorsystem som best√•r av ett antal enkla, mycket sammankopplade bearbetningselement, som behandlar information genom sitt dynamiska tillst√•ndssvar p√• externa ing√•ngar.”

Artificiell intelligens och det neurala nätverket är ett paradigm för informationsbehandling. Den innehåller ett stort antal sammankopplade nervceller. Den är gjord för applikationer som mönsterigenkänning och dataklassificering.

Nervcell

Mål för artificiellt neuralt nätverk:

Målet är att tillhandahålla och bearbeta informationen på samma sätt som den mänskliga hjärnan skulle göra.
I det neurala nätverket finns den dynamiska anslutningen. I detta är beräkningen kollektiv. Minne distribueras internt och på kort sikt. Det har redundans och ansvarsfördelning. Det är tillämpligt om reglerna är okända och komplicerade eller om uppgifterna är bullriga eller partiella.
Varje neuron i ANN får ett stort antal ingångar. Funktionerna tillämpas på dessa ingångar som resulterar i aktiveringsnivån för nervceller. Det innehåller neuronets utgångsvärde.

Konstgjord neuralt nätverksmodell:

Det artificiella neurala nätverket är utformat på följande sätt:

Neuron-läge: Det är informationsbehandlingsenheten i neuralnätverket.

En arkitektur: En grupp neuroner som förbinder neuroner. Varje neuron har en vikt.

En inlärningsalgoritm: Den används för träning av neuronnätverket genom att ändra vikter för att känna till inlärningsuppgiften exakt.

Målet är att få det neurala nätverket som också är utbildat och generaliserat.

ANN:

I ANN representerar varje pil en koppling mellan två nervceller. Den anger vägen för informationsflödet. Var och en av anslutningarna har en vikt och ett heltal. Den styr signalen och anslutningen mellan de två neuronerna.

Om nätverket genererar önskad effekt eller resultat behöver du inte ändra vikterna. Medan nätverket genererar dåligt resultat eller felresultat, finns det ett behov av att ändra vikterna för att förbättra resultat och resultat.

Eftersom det är en maskininlärningsmetod som modellerar den mänskliga hjärnan. Den består av ett stort antal artificiella nervceller.

Ingången till nätverket representeras av x1. Var och en för denna ingång multipliceras med vikterna.

summa = w1 x1 + …… + wnxn

Dessa produkter summeras helt enkelt genom överföringsfunktionen för att generera resultatet som är resultatet.

Typer av artificiellt neurala nätverk:

Neurala nätverk definieras ibland i termer av dess djup. Hur många lager det finns mellan ingången och utgången är det fortfarande okänt. Därför är det också känt för djupinlärning. Det kan också beskrivas med antalet dolda noder som modellen har eller i termer av hur många in- och utgångar varje modell har.

Den har två typer:

    FeedForward ANN. √Öterkoppling ANN.

FeedForward ANN:

I detta är flödet enkelriktat. Information kommer direkt till utgången via inmatning. Det kan eller kanske inte finns ett dolt lager. En enhet skickar information till de andra enheterna från vilka den inte tar emot information. Den har en linjär funktion. Det finns inga återkopplingsslingor. De används för mönsterigenkänning eller för klassificering. De har fasta in- och utgångar.

Mata framåt

√Öterkoppling ANN:

I detta är slingorna tillåtna. Det är ett komplext och återkommande neuralt nätverk. De används i innehållsadresserbart minne.
Mata bakåt

Fördelar med det artificiella neurala nätverket:

Det artificiella neurala nätverket kan utföra de uppgifter som de linjära programmen inte kan utföra. Ett neuralt nätverk kan lära sig och det behöver inte omprogrammeras. De kan hantera de saknade uppgifterna. Det kan fungera även på bullriga platser. Neurala nätverket är lätt att underhålla. Den har hög noggrannhet. Neurala nätverket är oberoende av tidigare antaganden. Neurala nätverket kan implementeras i parallell hårdvara. Autonomt lärande och generalisering. Nätverksredundans. Gradvis korruption.

Nackdelar med det artificiella neurala nätverket:

Det oförklarliga beteendet hos nätverkssystemen. ANN är beroende av hårdvara. De har svårt att visa problem för nätverket. Nätverkets varaktighet är okänd. Det är svårt att bestämma rätt nätverksstruktur.

Tillämpningar av ett neuralt nätverk:

    Bedömning av klassificeringsigenkänning Prognoser och förutsägelse.

Klassificering:

I marknadsföring: den används i mönsterklassificering.

I medicin: det används i ultraljud, EEG, medicinsk diagnos och bildklassificering av elektrokardiogram.

I försvar: det används i radar- och ekolodsbildsklassificering.

Inom jordbruk och fiske: den används i frukt- och fångstklassificering.

Erkännande och förutsägelse:

I databehandling och telekommunikation: Den används i tal, syn och handskriftsigenkänning.

I ekonomi: Den används vid signaturverifiering.

Bedömning:

I teknik: den används vid övervakning av produktinspektion.

I försvar: den används vid målspårning.

Osäkerhet: den används vid rörelsedetektering och i fingeravtrycksmatcher.

Prognoser och förutsägelse:

I ekonomi: Den används i valutakursen och i aktiemarknadsprognoser.

Inom jordbruket: Det används i prognoser för skördeutbyte.

I marknadsföring: Den används i försäljningsprognoser.

I meteorologi: Den används vid väderprognoser.

Framtida omfattning:

En förståelse för neuronnätverkens framtid och deras tillämpning kommer att hjälpa forskare att inse deras betydelse. Forskning om artificiell intelligens riktar sig mot utvecklingen av artificiellt liv som inte är möjligt att skapa utan att den artificiella hjärnliknande bearbetningsenheten utgör en integrerad del av dess beteenden och fysiska struktur.