Где можно применить нейронные сети

К счастью, очередной бум информационного шума по поводу нейронных сетей начал спадать по мере того, как до широкой общественности стало доходить реальное предназначение и возможности нейронных сетей. Для профессионалов нейронные сети развиваются и будут развиваться как инструмент работы с данными, инструмент анализа. Давайте попробуем на примере Machine Learning (машинного обучения) разобраться, как говориться, «на пальцах», что такое нейронные сети и где их можно применять, а где их применить не получится. Для тех, кто уже хочет получить готовую нейронную сеть для своих задач есть такой сервис как SmartMindBox, где можно заказать разработку сети профессионалам. А если вы даже примерно не поняли, что такое эти сети, то читаем дальше.

Самое грубое простое определение, какое можно дать нейронной сети, нейронная сеть — это компьютерная программа фильтр-классификатор. Это не искусственный интеллект, не супермозг. Это просто самонастраиваемый фильтр, который классифицирует объекты по степени их похожести. Чем сложнее и больше обучается нейронная сеть, тем точнее она может опознавать и классифицировать сложные объекты, которые она «не знает». Согласно исследованию THE  LOTTERY  TICKET  HYPOTHESIS: FINDING  SPARSE,TRAINABLE  NEURAL  NETWORKS сеть можно уменьшить на 80-90% не потеряв в точности.

Как работает нейронная сеть

По сути, это программа, которая получает входные данные dataset (набор данных) в виде множества изображений (звуков, цифровых данных) и на выходе даёт ответ, является ли, например, введённое изображение изображением кошки, собаки или что-то уж совсем непонятное. То же самое нейронная делает с любыми текстовыми, цифровыми, звуковыми и иными данными на которых она обучалась — опознаёт и классифицирует. В других случаях нейронная сеть на основе данных, на которых обучалась, даёт «предсказание» наступления события или даёт команду, допустим, приводам ног робота.



Сначала нейронную сеть обучают. Подают на вход много данных. Или очень много. Допустим 100 000 фотографий. Такой файл, папку с данными называют обучающая выборка (training sample). В папке две вложенных: 50 000 фотографий кошек и 50 000 фотографий собак.

Ещё нужна такая же папка с подпапками где будет, например, по 5000 фотографий. Это тестовая выборка. Ее используют только для проверки, но не используют для обучения.

Запускается процесс обучения. На вход подаётся обучающая выборка. Есть много разных типов сетей и алгоритмов обучения оптимальных для конкретных задач. После обучения программе дают обработать тестовую выборку. Если результат удовлетворяет, то модель обучена и готова к использованию. Если результат тестовой выборки не очень хороший, то меняют настройки, а, возможно, даже исходные данные (когда нейронная сеть научилась не тому) и все повторяют заново. Во многих случаях точность 95-99% будет легко достижимой. В других случаях не удаётся добиться и 70%.

Далее обученной нейронной сети можно давать новые данные, не те, на которых ее обучали и проверяли, а совершенно новые. В нашем примере это будут новые фотографии новых собак и кошек. Хорошо обученная нейронная сеть, правильно выбранная и настроенная классифицирует фотографии с минимальными ошибками, либо вообще без них.

Можно ли выиграть в лотерею используя нейронные сети

Нейронные сети, как мы, очень грубо, разобрали, могут обобщать и классифицировать. Могут ошибаться. Если мы подаём на вход данные хоть как-либо связанные друг с другом, то нейронная сеть нам может очень пригодиться. В ряде случаев применяют классические алгоритмы, которые дают 100% результат. Классическая функция машинной логики XOR решается и с помощью нейронной сети, но зачем? И таблицу умножения проще решать по-старому. Усложнять простое вводя возможность ошибки — не самое лучшее применение нейросетям.

Вернёмся к лотерее. Нейросети обобщают и классифицируют. Но если каждый бросок кубика или выпавший шар выпадают случайным образом, то нейросети тут не станут волшебной палочкой. Ну, не более чем теория вероятности. Так что, собрав данные лотерей и проанализировав их, мы получим не связанные между собой данные, которые не дадут вероятность наступления выигрышной комбинации больше «случайной».

Где используются нейронные сети

С лотереей не получилось, а вот рассортировать фотографии на компьютере с помощью нейросети вполне можно. Да, останется папка с фотографиями, которые придётся перебрать вручную, но 1000 фотографий легче перебрать, чем 100 000.

Всё, что касается сельского хозяйства, от состояния урожая на полях и до фасовки можно поручить механизмам управляемым нейросетями. Сравнивать плоды с образцами спелых и давать команду машине срывать только их. Да, такие роботы уже существуют.

В дейтинге (знакомства) — предлагать образ подобный тому, который нравится; для кулинарии — оценивать качество продуктов по их виду; в рекламе — предлагать продукты на основе взаимодействия с рекламными материалами; в диагностике — по картине вибраций, звука находить неисправный узел. Медицина, логистика, мониторинг и многое другое, где есть масса данных можно проанализировать с помощью нейросетей.

Можно комбинировать сети, использовать вместе с другими алгоритмами обработки данных. В общем, использовать везде, где это выгодно и решение на основе нейронных сетей будет оптимальным. Тем более, что сделать простую нейронную сеть может даже школьник. В интернете полно инструкций, примеров и курсов по изучению сетей. А в одном из следующих постов расскажу и покажу нейронную сеть на Excel, которую вы сможете быстро повторить у себя.

Читайте нас в Telegram или Facebook

Поделиться в сетях:



Войдите (зарегистрируйтесь) с помощью вашего аккаунта: 
0 прокомментировали
Встроенные отзывы
Посмотреть все комментарии