🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎
📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃
🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝
📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】 深度学习【DL】
🖍foreword
✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。
如果你对这个系列感兴趣的话，可以关注订阅哟👋
文章目录
你有没有想过 Google Assistant 或 Apple 的 Siri 是如何听从你的指令的？您是否看到您之前在电子商务网站上搜索过的产品的广告？如果您想知道这一切是如何组合在一起的，人工智能 (AI)在后端工作，为您提供丰富的客户体验。人工神经网络 (ANN) 是训练机器像人类一样响应指令的关键。
人工智能简史
人脑是人体中最复杂的器官。它帮助我们思考、理解和做出决定。其力量背后的秘密是神经元。
自 20 世纪 50 年代以来，科学家们一直在尝试模仿神经元的功能，并用它来制造更聪明、更好的机器人。经过大量的反复试验，人类终于创造了一台可以识别人类语音的计算机。直到 2000 年之后，人们才能够掌握能够看到和区分各种图像和视频的深度学习（AI 的一个子集）。
在详细了解神经网络的构成之前，让我们回顾一下深度学习的概念。
什么是深度学习？
深度学习是机器学习的一个子集，它让计算机做人类自然而然的事情：通过实例学习。
机器以图像为例子接受训练，这个过程与硬连线计算机程序以识别和学习的过程截然不同。你无法控制它是如何知道的；您控制其中的各个方面。计算机根据先前提供的图像识别对象。
科学家们构建了一种合成形式的生物神经元，可为任何基于深度学习的机器提供动力。
那么，什么是神经网络？
什么是神经网络？
要了解人工神经元的工作原理，我们应该首先了解生物神经元的工作原理。 
树突
它们从与其相连的其他神经元接收信息或信号。
细胞体
信息处理发生在细胞体内。它们接收来自不同树突的所有信息并处理这些信息。
轴突
它将输出信号发送到另一个神经元以进行信息流。在这里，每个法兰连接到下一个上的树突或毛发。
下图描绘了一个 ANN。
网络以输入层开始，该输入层以数据形式接收输入。
连接到隐藏层的线称为权重，它们在隐藏层上相加。隐藏层中的每个点都处理输入，并将输出放入下一个隐藏层，最后放入输出层。
查看以上两张图片，您可以观察到 ANN 如何复制生物神经元。
- 输入到神经元 - 输入层
- 神经元 - 隐藏层
- 输出到下一个神经元——输出层
神经网络是仿照人脑神经元运行的硬件或软件系统。神经网络，也称为人工神经网络，是实现深度学习的一种手段。
当您想弄清楚神经网络的功能时，您需要查看神经网络架构。
神经网络的架构
你问过 Siri 问题吗？设备准确回答。让我们仔细看看虚拟助手是如何完成这一语音识别壮举的
有五种公认的神经网络类型。
- 单层前馈网络。
- 多层前馈网络。
- 具有自己反馈的单个节点。
- 单层循环网络。
- 多层循环网络。
例如，考虑下图所示的神经网络，这是一个单层递归网络的示例：
网络上有输入层、隐藏层和输出层。但是，首先，网络需要识别句子：现在几点了？
在这里，每个单词都以一种声音模式出现。然后，句子被采样成离散的声波。
让我们考虑第一个词：What
您可以看到波形是根据每个字母拆分的。现在我们将字母 W 的声波分成更小的部分。
当我们分析字母“W”时，声波的振幅会发生变化，如下所示。
我们每隔一段时间收集这些值并形成一个数组。然后，不同的振幅进入其他字母，我们将各种振幅提供给输入层。
随机权重被分配给输入层和隐藏层之间的每个互连。
我们总是从随机密钥开始，因为在训练模型时为权重分配预设值会花费大量时间。
权重与输入相乘，并添加偏差以形成传递函数。
权重被分配给隐藏层之间的互连。传递函数的输出作为激活函数的输入。来自一个隐藏层的工作成为下一个的输入。
声学模型包含构成单词的每个声音的统计表示。所以我们开始构建这些声学模型，当这些层将它们分开时，他们将开始学习不同模型代表其他字母的含义。
词典包含每个单词不同发音的数据。词典在最后，我们以 ABCD 结束，在那里识别其他字母。
最后，我们得到了输出字母。对每个单词和字母执行相同的过程后，神经网络会识别您所说的句子或您的问题。
请注意，术语“声学模型”和“词典”特定于理解语音的领域。在处理其他输入格式时，您会有不同的标签，但过程保持不变。
神经网络的优势
ANN 输出并不完全受专家系统最初提供给它们的输入和结果的限制。这种能力对于机器人技术和模式识别系统非常有用。
这种神经网络具有高容错能力，可以自行调试或诊断网络。ANN 可以浏览一家公司的数千个日志文件并将它们整理出来。目前，这是一项由管理员完成的繁琐任务，但如果可以自动化，它将节省大量时间、精力和资源。
非线性系统可以找到捷径来获得计算量大的解决方案。例如，我们在银行业看到了这一点，他们处理特定的 Excel 电子表格，随着时间的推移，开始围绕它构建代码。在 20 多年的时间里，他们可能会创建所有这些功能的全部内容，并且神经网络会迅速得出相同的答案，否则大型银行需要几天、几周甚至一个月才能完成。
那么神经网络在今天如何应用呢？
神经网络的应用
每天都有海量的应用实现，现在正是了解神经网络、机器学习和人工智能应用的最佳时机。其中一些讨论如下：
手写识别
神经网络用于将手写字符转换为机器可以识别的数字字符。
证券交易所预测
证券交易所受到许多不同因素的影响，因此难以追踪和理解。然而，神经网络可以检查其中的许多因素并每天预测价格，这将有助于股票经纪人。
目前，这项行动仍处于初期阶段。但是，您应该知道，仅美国证券交易所每天就会产生超过 3 TB 的数据。有大量数据需要挖掘，你必须在开始关注哪怕是一只股票之前将其整理出来。
销售人员的出差问题
此应用程序指的是在给定区域的城市之间寻找最佳旅行路径。神经网络有助于解决以最低成本提供更高收入的问题。然而，后勤方面的考虑是巨大的，我们必须为从一个城镇到另一个城镇的销售专业人员找到最佳的旅行路径。
图像压缩
神经网络数据压缩背后的想法是再次存储、加密和重建实际图像。因此，我们可以使用图像压缩神经网络优化数据的大小。它是节省内存和优化内存的理想应用程序。
那么，神经网络的未来会是什么样子呢？
神经网络的未来
随着当今公司采用人工智能和机器学习的快速步伐，我们可以在可预见的未来看到神经网络应用的更多进步。人工智能和机器学习将为全球用户提供丰富的个性化选择。例如，所有移动和 Web 应用程序都试图根据您的搜索历史为您提供增强的定制体验，而神经网络可以使这成为可能。
超智能虚拟助手将使生活更轻松。如果您曾经使用过 Google 助手、Siri 或任何其他产品，您就会看到它们是如何缓慢发展的。他们甚至可以预测您将来的电子邮件回复！
我们还可以期待在支持学习方法的算法方面有有趣的发现。然而，我们还处于将人工智能和神经网络应用于现实世界的初级阶段。
神经网络在未来会更快，神经网络工具可以嵌入到每个设计界面中。我们已经有了一个微型神经网络，可以插入廉价的处理板甚至笔记本电脑。而不是软件，专注于硬件将使这些设备更快。
神经网络还将进入医学、农业、物理学、研究以及您可以想象的任何其他领域。神经网络还将进入医学、农业、物理学、研究以及您能想象到的任何其他领域。
你想从事机器学习方面的工作吗？
世界对任何想要学习神经网络和探索该领域潜力的人来说都是敞开的。你对这些概念的理解越多，你就越能将它们应用到不同的领域并将这些知识转化为有前途的职业。
AI 和 ML 训练营涵盖重要概念，例如统计学、使用 Python 的数据科学、机器学习、深度学习、NLP 和强化学习，所有这些都经过精心设计和完善，以促进您作为 AI 和 ML 专业人士的职业生涯。
10
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
