Mạng Neural: Bí mật Đằng sau Hộp Đen

Mục Lục:

1. Giới thiệu về mạng neural
2. Cấu trúc của một mạng neural
3. Hàm kích hoạt trong mạng neural
4. Quá trình huấn luyện mạng neural
   • Hướng dẫn về backpropagation
   • Ưu và nhược điểm của quá trình backpropagation
5. Một số biến thể của mạng neural
   • Deep learning và ứng dụng
   • Relu và Softplus activation functions
6. Xây dựng và thay đổi mạng neural
   • Quyết định về số Hidden layers và số nodes
   • Tối ưu hóa quá trình xây dựng mạng neural
7. Các bước để dự đoán với mạng neural
8. Ví dụ về cách mạng neural tạo ra các đường cong
9. Ứng dụng của mạng neural
10. Kết luận và tài nguyên tham khảo

Mạng Neuron

Mạng Neural, dường như rối rắm, nhưng thực ra chúng không quá phức tạp. Hôm nay chúng ta sẽ tìm hiểu về Mạng Neural - Phiên bản Đen và phần một của dự án này sẽ giới thiệu về bên trong của Mạng Neural và những khái niệm cơ bản.

Giới thiệu về Mạng Neural

Mạng Neural là một trong những thuật toán phổ biến nhất trong học máy và bao gồm nhiều khái niệm và kỹ thuật. Tuy nhiên, người ta thường gọi chúng là "hộp đen" vì khó hiểu được nó hoạt động như thế nào. Mục tiêu của dự án này là đặt một chân vào bên trong "hộp đen" bằng cách phân rã từng khái niệm và kỹ thuật thành các thành phần nhỏ hơn và trình bày cách chúng tương tác với nhau một cách từng bước.

Trong phần một của dự án này, chúng ta sẽ tìm hiểu về Mạng Neural làm gì và làm thế nào để làm điều đó. Trong phần Hai, chúng ta sẽ tìm hiểu về cách Mạng Neural được khớp dữ liệu bằng phương pháp backpropagation. Sau đó, chúng ta sẽ thảo luận về các biến thể của Mạng Neural bao gồm Deep Learning. Thậm chí, tôi đã có một cách mới để suy nghĩ về Mạng Neural sẽ giúp người mới học và cả các chuyên gia ứng dụng có được cái nhìn sâu hơn về những gì Mạng Neural làm được.

Ví dụ, hầu hết các hướng dẫn sử dụng đồ thị phức tạp khó hiểu và các ký hiệu toán học đặc biệt để biểu diễn Mạng Neural. Trái lại, tôi sẽ đánh dấu từng thứ nhỏ trong Mạng Neural để dễ dàng theo dõi chi tiết và toán học sẽ được đơn giản càng nhiều càng tốt mà vẫn đúng với thuật toán. Những khác biệt này sẽ giúp bạn phát triển sự hiểu biết sâu sắc về những gì Mạng Neural thực sự làm được.

Phần 1: Mạng Neural

Giả sử chúng ta thử nghiệm một loại thuốc để điều trị một căn bệnh và chúng ta đã dùng thuốc cho ba nhóm người với ba liều lượng khác nhau: thấp, trung bình và cao. Liều thấp không mang lại hiệu quả nên chúng ta đặt nó là 0 trên đồ thị. Liều trung bình mang lại hiệu quả nên chúng ta đặt nó là 1.0. Liều cao cũng không mang lại hiệu quả, vì vậy chúng ta đặt nó là 0 trên đồ thị.

Bây giờ, dữ liệu này sẽ giúp chúng ta dự đoán liệu liều lượng trong tương lai có hiệu quả hay không. Tuy nhiên, chúng ta không thể đặt một đường thẳng thẳng trên đồ thị để dự đoán, bởi vì bất kể chúng ta xoay đường thẳng thế nào, nó chỉ có thể dự đoán chính xác hai trong số ba liều lượng.

May mắn thay, Mạng Neural có thể thích nghi với dữ liệu bằng cách sử dụng đường cong. Đường cong xanh lá cây gần như bằng không cho các liều thấp, gần như bằng một cho các liều trung bình, và gần như bằng không cho các liều cao. Chẳng hạn, ngay cả với một tập dữ liệu phức tạp như thế này, Mạng Neural có thể khớp với đường cong.

Trong stat Quest này, chúng ta sẽ sử dụng tập dữ liệu đơn giản này và biểu diễn cách mạng neural tạo ra đường cong màu xanh lá cây này.

Vui lòng tiếp tục đọc để tìm hiểu về cấu trúc của Mạng Neural.