BNN EINLEITUNG

Deep Learning und neuronale Netzwerke haben die Art und Weise verändert, wie wir leben. Seit ihrer Einführung haben Wissenschaftler sie verwendet, um Tausende von Themen anzugehen und sie in praktisch in jeder Umgebung einzubeziehen. Die beliebtesten selbstfahrenden Autos sehen sich anerkannt, überwachen, geschäftlich und andere Technologien ausgesetzt sind. Es gibt verschiedene neuronale Netzwerke, die auf unterschiedlichen Anwendungsfällen basieren, die jeweils für eine bestimmte Anwendung geeignet sind. Wir werden das bayes'sche neuronale Netzwerk, seine Architektur und seine Vor- und Nachteile in diesem Artikel durchlaufen.

Was ist ein neuronales Netzwerk??

Das künstliche menschliche Gehirn ist konstruiert und programmiert, um verschiedene komplizierte Themen in einem Bruchteil von Sekunden zu lösen, möglicherweise aufgrund von Neuronen im Gehirn. Beim Aufbau eines neuronalen Netzwerks versuchen wir, die Funktionalität der Gehirnneuronen durch Mathematik künstlich umzusetzen. Das Netzwerk künstlicher Neuronen wird als neuronales Netzwerk bezeichnet.

Das Hauptziel ist es, die Funktionen des menschlichen Gehirns zu imitieren. Ähnlich wie Neuronen in den menschlichen Hirnübertragungssignalen, die eine individuelle Reaktion auf eine bestimmte Eingangssituation unterstützen, werden neuronale Netze unter Verwendung mehrerer Perzeptronschichten erstellt, die eine tatsächliche Zahl oder einen kontinuierlichen Wert (Signal) vermitteln, der die Ausgabe anzeigt. Die folgende Abbildung zeigt die grafische Darstellung eines neuronalen Netzwerks mit unterschiedlichen Schichten.

Es gibt drei Arten von Schichten zu einem neuronalen Netzwerk:

• Eingangsschicht: Dies ist die Ebene, die Benutzereingaben empfängt. Diese werden im Volksmund als Merkmale der Ausgabe bezeichnet.
• Versteckte Schicht: Diese Schicht liegt zwischen Eingangs- und Ausgangsschichten. Alle notwendigen mathematischen komplexen Berechnungen werden hier durchgeführt. Hier lernen die neuronalen Netze, das gegebene Problem zu lösen.
• Ausgangsschicht: Diese Schicht wird nach mehreren Transformationen und Optimierungen geliefert.

Jede dichte Schicht hat Knoten, die mit anderen Schichten mit anderen Schichten verbunden sind. Gewichte Die Bezeichnung des Werts der für jeden Knoten zugewiesenen Informationen wird diesen Kanten zugewiesen. Ein positives Gewicht zeigt an, dass der Knoten an einer exzitatorischen Verbindung beteiligt ist, während ein negatives Gewicht angibt, dass der Knoten an einer inhibitorischen Verbindung beteiligt ist.

Bayes Theorem

Das Bayes -Theorem ist ein Wahrscheinlichkeitsausdruck oder eine Formel, um eine bedingte Wahrscheinlichkeit eines bestimmten (sogar a) Ereignisses zu ermitteln, da ein anderes (Ereignis B) zweites Ereignis unter Verwendung aktualisierter Informationen aus (i) seine umgekehrte bedingte Wahrscheinlichkeit, (ii) Die bedingungslose (vorherige) Wahrscheinlichkeit des ersten Anspruchsereignisses und (iii) die bedingungslose Wahrscheinlichkeit des zweiten Beweiseignisses.

Die Textklassifizierung ist die beliebteste. In verschiedenen Situationen für maschinelles Lernen wird der Bayes -Theorem häufig verwendet. Der Bayes -Theorem hat die folgende Formel:

Was ist ein Bayes'sche neuronales Netzwerk??

Ein Bayes'sche Netzwerk ist ein statistisches Modell, das für verschiedene Felder und Data Mining -Ansätze verwendet wird. Bayesianische Netzwerke veranschaulichen die gegenseitige Abhängigkeit zwischen Variablen unter Verwendung von probabilistischen Modellen, bei denen jede Variable ihren Wert aus ihrer diskreten Verteilung mit bekannter vorheriger Wahrscheinlichkeit nimmt. Die vorherigen und hinteren Knoten dieses Netzwerks enthalten die Wahrscheinlichkeitsverteilungen für versteckte Variablen. Im Gegensatz dazu enthält der hintere Knoten die bedingte Wahrscheinlichkeitsverteilung von verborgenen Variablen, die beobachtete Werte sichtbarer Variablen gegebenenfalls angegeben sind. Der Vorteil von Bayes Net gegenüber anderen Algorithmen besteht.

Künstliches neuronales Netzwerk (ANN) vs. Bayesianisches neuronales Netzwerk

Anns Modell ist, wie ein biologisches Gehirn Probleme mit riesigen Cluster biologischer Neuronen löst, die mit der Bildung eines Netzwerks verbunden sind. Anns basieren auf einer umfangreichen Sammlung neuronaler Einheiten. Neuronale Netze sind hoch strukturierte Netzwerke mit drei Ebenen: Eingangs-, Ausgangs- und versteckte Schichten, die alle Ebenen zwischen Eingangs- und Ausgangsschichten sind und hauptsächlich lineare algebraische Berechnungen durchführen, um das Ergebnis zu erhalten.

Bayes'sche Netzwerke sind ein probabilistisch gerichtetes acyclisches grafisches Modell (eine Art statistisches Modell), das ein gerichtetes acyclisches Diagramm verwendet, um eine Sammlung von Zufallsvariablen und deren bedingte Abhängigkeiten zu beschreiben.

Vorteile von Bayes'schen neuronalen Netzwerken

1. Bayes'sche Netzwerke sind allgemein nützlich, da ihr funktionierender Algorithmus eng mit der tatsächlichen Welt verbunden ist.
2. Bayesische neuronale Netze berechnen die Vorhersageunsicherheiten automatisch.
3. Sie befassen sich mit den Überanpassungsfragen, indem sie die Gewichtsverteilungen berücksichtigen.

Nachteile von Bayes'schen neuronalen Netzwerken

1. Sie erfordern ein ziemlich vertrautes Verständnis von Statistiken und Mathematik.
2. Sie sind schwierig zu trainieren und sich lange zu trainieren.

Warum BNNs verwenden??

1. BNNs verwenden die Gewichte für das Training nicht direkt. Stattdessen verwenden sie Verteilungen von Gewichten für das Training und vermeiden letztendlich das Überanpassungsproblem.
2. Sie bieten einen natürlichen Ansatz zur automatischen Berechnung der Unsicherheit.

Abschluss

Wir wissen jetzt, dass ein neuronales Netzwerk nur ein Netzwerk künstlicher Neuronen ist, die zusammenarbeiten, um verschiedene reale Themen zu lösen. Das künstliche neuronale Netzwerk ist die einfachste Art des neuronalen Netzwerks. Das Bayes'sche Netzwerk ist ein weiteres neuronales Netzwerk, das mit Wahrscheinlichkeit arbeitet und eng mit den Herausforderungen der realen Welt verbunden ist. Es ist jedoch manchmal schwierig zu trainieren und erfordert einen guten Befehl der Mathematik.