Neuronale Netze und Leben

Bei neuronalen Netzwerken im Bereich des maschinellen Lernens lohnt es sich nicht nur, die technischen Aspekte des Algorithmus zu kennen, sondern es kann auch darum gehen, mehr über uns selbst zu erfahren.

Warum neuronale Netze?

Als ich mit der Datenwissenschaft anfing, lernte ich verschiedene grundlegende ML-Themen kennen, aber das Einzige, was neben den tief verwurzelten Grundlagen der Mathematik meine Aufmerksamkeit wirklich erregte, war, als ich etwas über das künstliche neuronale Netzwerk erfuhr.

Die Entwicklung eines Algorithmus, der das menschliche Gehirn nachahmt, um schließlich zu versuchen, Maschinen zu schaffen, die wie Menschen denken und kognitive Analysen durchführen können, war meiner Meinung nach eine Erkundung wert.

Ein bisschen über mich :)

Ich fühle mich immer mehr zu einem Studienfach hingezogen, wenn ich es immer mit dem täglichen Leben in Verbindung bringen kann oder wenn ich in der Lage bin, einige Lebenskompetenzen zu erwerben und mehr über mich selbst aus dem zu studierenden Thema zu verstehen, egal wie wissenschaftlich oder technisch das Thema ist Ist. Also habe ich versucht, über dieses neuronale Netzwerk und die Lebensanalogie zu schreiben.

PS: Es mag auch wie eine sehr offensichtliche Interpretation neuronaler Netze erscheinen, aber ja, ich wollte einfach nur darüber schreiben, weil es mir gefallen hat :)

Neuronen und Gewichte

In neuronalen Netzen gibt es eine Eingabeschicht und mehrere miteinander verbundene verborgene Schichten, die schließlich eine Ausgabe erzeugen. Genau das passiert in unserem Gehirn. Zu jedem Zeitpunkt gibt es Millionen von Neuronen, die ständig aktiv werden und uns vielfältige Gedanken und Ideen bescheren.

Jede Entscheidung, die wir treffen, ist das Produkt einiger miteinander verbundener Gedanken (aktivierter Neuronen), denen Gewichtungen zugewiesen sind. Letztendlich kommt es also auf Gewichte an , die dabei helfen, ein bestimmtes Neuron zu aktivieren, das zu dem verborgenen Netzwerk beiträgt, das einen letzten Gedanken aktiviert, der die Aktion antreibt.

Lernen :

Die Gewichtung der Knoten verdeutlicht die Bedeutung des „Fokus“. Der Fokus treibt unsere Träume und Ambitionen an und hilft uns, sie zu erreichen.

Fast jeder Auslöser/Gedanke ist immer nicht einfach, sondern kann auf ein vergangenes, kürzliches Ereignis oder eine zukünftige Befürchtung zurückgehen. Bei der Art des Auslösers/Gedankens, auf den wir mehr Gewicht legen, aktiviert das Gehirn ähnliche Gedanken und versucht, mehrere verborgene Schichten zwischen ihnen zu bilden, indem es ihnen Gewichtungen zuweist und so unsere gesamte Aufmerksamkeit auf diesen bestimmten Gedanken lenkt, der schließlich zum Handeln führt.

Wir können also nur einen Gedanken haben und das Gehirn baut darauf ein ganzes Königreich auf. Erstaunlich, oder?

Fehler, die sich rückwärts ausbreiten

Backpropagation ist ein Prozess beim Training eines neuronalen Netzwerks , bei dem die Fehlerrate eines neuronalen Netzwerks mit Vorwärtsausbreitung genommen und dieser Verlust rückwärts durch die Schichten des neuronalen Netzwerks geleitet wird, um die Gewichte fein abzustimmen.

Das neuronale Netzwerk lernt und wird besser, indem es den Fehler an die beitragenden Neuronen weiterleitet und so das ursprüngliche Gewicht verändert.

Lernen:

Wir Menschen sind Gewohnheits- und Trainingstiere. Wie jedes Modell des maschinellen Lernens, das besser wird, wenn es mit guten Eingabefunktionen trainiert wird, sind auch wir Menschen ein Produkt des Trainings auf einer bestimmten Fähigkeit, bis wir darin besser werden. Und jeder Trainingsprozess ist nicht immer ein linearer Weg, sondern voller Versuch und Irrtum, bis wir diese Fähigkeit beherrschen.

Dies bringt uns zu der Tatsache, dass das Leben vorwärts gelebt werden sollte, während man gleichzeitig rückwärts blickt, oder wie es Steve Jobs‘ berühmtes Zitat genau beschreibt: „Man kann die Punkte nicht verbinden, wenn man nach vorne schaut; man kann sie nur rückwärts verbinden . “

Wir werden besser darin, auf unsere Fehler zurückzublicken und aus ihnen zu lernen, indem wir unsere Überzeugungen und zukünftigen Handlungen an bevorstehende Ereignisse anpassen, bis wir unsere beste Version sind. Wir selbst sind ein maschinelles Lernmodell mit laufendem Training, und je mehr wir diese Rückausbreitung von Fehlern und Erkenntnissen nutzen, desto besser werden wir in dem, was wir trainieren.

Menschliches Gehirn – Du Schönheit!

Der Bereich Deep Learning bietet viele Erkenntnisse fürs Leben, wenn wir nur innehalten und nachdenken. Das Konzept der Gewichtung gibt uns eine Superkraft an sich, nämlich die Kraft der Aufmerksamkeit . Wenn wir einigen ausgelösten Neuronen bewusst nicht viel Gewicht (Wichtigkeit) beimessen, tragen sie nie zur endgültigen Handlungsgleichung bei.

Dies kann ein großartiges Werkzeug zur Bewältigung oder Heilung vergangener Traumata sein, denn wenn wir diesen schmerzhaften Erinnerungen nur minimale Aufmerksamkeit schenken, hören sie auf zu existieren, es ist, als ob sie fast nie passiert wären oder existiert hätten. Magie, oder?

Unser Gehirn besteht hauptsächlich aus Projektionsgeräten, die Gedanken basierend auf einer Back-End-Gleichung wie in neuronalen Netzen hervorheben. Im Gegensatz zu künstlichen neuronalen Netzen verfügen wir Menschen jedoch über die Fähigkeit zur Unterscheidung, mit der wir über unsere auslösenden Gedanken nachdenken und unsere Aufmerksamkeit neu fokussieren können.

Das Erstaunlichste am Menschen ist, dass wir über diese kreative Energie verfügen , die diesen künstlichen neuronalen Netzwerkmodellen oder anderen Arten fehlt. Wir haben die Macht, uns die Welt unserer Träume vorzustellen, introspizieren und entwickeln zu können und nicht nur zu überleben und zu sterben.

Und wir verstehen diese Schönheit unseres Gehirns so sehr, dass wir versuchen, eines zu entwickeln, denn ganz sicher ist es ein technisches Wunderwerk in Aktion und verdient eine Feier, und wie könnte man sich besser freuen, als ein ganzes Forschungsgebiet seiner Nachbildung zu widmen ? Und vielleicht ist es das, was mich auch an diesem faszinierenden Gebiet der künstlichen Intelligenz und des maschinellen Lernens fesselt.