Makelar Seo - Agen Review Terbesar

sbobet 338a agen bola agen poker agen terpercaya tangkas casno sbobet terpercaya di indonesia

Jaringan syaraf tiruan yang mengubah dunia. Apakah mereka?

POKERHOST88.COM AGEN JUDI POKER INDONESIA ONLINE TERPERCAYA.Sejak penemuan komputer, ada orang berbicara tentang hal-hal yang komputer tidak akan mampu melakukannya. Apakah itu mengalahkan grand master catur atau menang di Jeopardy !, prediksi ini selalu salah. Namun, beberapa nay-mengatakan selalu seperti memiliki landasan yang lebih baik dalam ilmu komputer. Ada tujuan itu, jika Anda tahu bagaimana komputer bekerja, Anda tahu mereka akan hampir mustahil untuk dicapai. Mengenali emosi manusia melalui ekspresi wajah. Membaca berbagai tulisan tangan kursif. Benar mengidentifikasi kata-kata dalam bahasa lisan. Mengemudi otonom melalui jalan-jalan yang sibuk.

Nah, komputer saat ini mulai dapat melakukan semua hal-hal, dan cukup sedikit lebih. Adalah nay-Sayers benar-benar terlalu sinis tentang kemampuan sebenarnya dari komputer digital? Di satu sisi, tidak ada. Untuk mengatasi tantangan-tantangan monumental, para ilmuwan dipaksa untuk datang dengan jenis baru dari komputer, yang didasarkan pada struktur otak. Ini jaringan syaraf tiruan (ANNs) hanya pernah eksis sebagai simulasi berjalan pada komputer digital biasa, tapi apa yang terjadi di dalam simulasi yang secara fundamental sangat berbeda dari komputasi klasik.

Adalah jaringan saraf tiruan latihan dalam ilmu komputasi? Biologi terapan? Matematika murni? Filsafat eksperimental? Ini semua hal-hal, dan banyak lagi.

Apa ANNs?
Kebanyakan orang sudah tahu bahwa neuron yang melakukan perhitungan dalam otak kita tidak terorganisir seperti semikonduktor dalam prosesor komputer, dalam urutan linear, melekat pada papan yang sama, dan dikendalikan oleh satu siklus clock pemersatu. Sebaliknya, di otak setiap neuron nominal aktor mandiri sendiri, dan itu kabel untuk sebagian besar atau semua neuron yang secara fisik mengelilingi dengan cara yang sangat kompleks dan agak tak terduga.

Apakah ini berarti bahwa untuk komputer digital untuk mencapai hasil yang memerintahkan, perlu satu program over-melengkung untuk mengarahkan dan memberitahu setiap semikonduktor hanya apa yang harus dilakukan untuk berkontribusi terhadap tujuan keseluruhan. Otak, di sisi lain, menyatukan miliaran kecil, unit sangat sederhana yang dapat masing-masing memiliki program mereka sendiri dan membuat keputusan tanpa perlu otoritas luar. Setiap neuron bekerja dan berinteraksi dengan neuron sekitarnya sesuai dengan sederhana sendiri, aturan yang telah ditetapkan.


Kebanyakan neuron di otak yang terhubung ke beberapa ribu orang lain.
Jaringan saraf tiruan yang (seharusnya) hal yang sama persis, tetapi simulasi dengan software. Dengan kata lain, kita menggunakan komputer digital untuk menjalankan simulasi sekelompok berat saling berhubungan sedikit mini-program yang berdiri di atas neuron jaringan saraf simulasi kami. Data memasuki ANN dan memiliki beberapa operasi dilakukan pada dengan yang pertama "neuron," operasi yang ditentukan oleh bagaimana neuron terjadi diprogram untuk bereaksi terhadap data dengan atribut-atribut tertentu. Ini kemudian diteruskan ke neuron berikutnya, yang dipilih dengan cara yang sama, sehingga operasi lain dapat dipilih dan dilakukan. Ada jumlah terbatas "lapisan" ini neuron komputasi, dan setelah bergerak melalui mereka semua, output yang dihasilkan.

Keseluruhan proses mengubah input menjadi output adalah hasil yang muncul dari pemrograman setiap neuron individu sentuhan data, dan kondisi awal dari data itu sendiri. Di otak, "kondisi awal" adalah sinyal saraf tertentu tiba dari tulang belakang, atau di tempat lain di otak. Dalam kasus ANN, mereka pun yang kita ingin mereka menjadi, dari hasil algoritma pencarian untuk acak nomor ke kata yang diketik secara manual oleh para peneliti.

Jadi, untuk meringkas: jaringan saraf tiruan adalah otak pada dasarnya simulasi. Tetapi penting untuk dicatat bahwa kami dapat memberikan perangkat lunak kami "neuron" pada dasarnya setiap program yang kita inginkan; kita dapat mencoba untuk mengatur aturan mereka sehingga perilaku mereka mencerminkan bahwa dari otak manusia, tetapi kita juga dapat menggunakannya untuk memecahkan masalah kita tidak pernah bisa dipertimbangkan sebelum.
Apa yang kita telah dijelaskan sejauh ini sangat menarik, tetapi sebagian besar tidak berguna untuk perhitungan. Artinya, itu sangat ilmiah menarik untuk dapat mensimulasikan struktur selular dari otak, tetapi jika aku tahu bagaimana untuk masuk dan Program setiap sub-aktor kecil sehingga input saya selalu diolah menjadi output yang diinginkan saya, lalu mengapa saya membutuhkan ANN sama sekali? Dengan kata lain, sifat dari ANN berarti sengaja membangun satu untuk memecahkan suatu masalah tertentu memerlukan seperti pengetahuan mendalam bahwa masalah dan solusinya bahwa JST sendiri menjadi sedikit berlebihan.

Namun, ada keuntungan besar untuk bekerja dengan banyak aktor sederhana daripada satu kompleks satu: aktor sederhana dapat mengoreksi diri. Ada upaya versi diri editing software biasa, tapi itu jaringan saraf tiruan yang telah mengambil konsep mesin belajar ke ketinggian baru.

Anda akan mendengar kata "non-deterministik" digunakan untuk menggambarkan fungsi jaringan saraf, dan itu mengacu pada fakta bahwa neuron perangkat lunak kami sering tertimbang likelihood statistik dikaitkan dengan hasil yang berbeda untuk data; ada kesempatan 40% dari masukan tipe A akan dilewatkan ke neuron ini dalam lapisan berikutnya, kesempatan 60% itu akan diteruskan ke salah satu yang sebaliknya. Ketidakpastian ini dengan cepat menambahkan sebagai jaringan saraf mendapatkan yang lebih besar atau lebih rumit saling berhubungan, sehingga kondisi yang tepat awal yang sama mungkin menyebabkan banyak hasil yang berbeda atau, yang lebih penting, sampai ke hasil yang sama oleh banyak jalan yang berbeda.

Jadi, kami memperkenalkan ide Contoh sederhana adalah meningkatkan efisiensi "algoritma belajar." Kirim input yang sama ke jaringan berulang-ulang, dan setiap kali itu menghasilkan output yang benar, mencatat waktu yang dibutuhkan untuk melakukannya . Beberapa jalur dari A ke B akan secara alami lebih efisien daripada yang lain, dan algoritma pembelajaran dapat mulai untuk memperkuat perilaku neuronal yang terjadi selama mereka berjalan yang berjalan lebih cepat.

Jauh lebih kompleks ANNs dapat berjuang untuk tujuan yang lebih kompleks, seperti dengan benar mengidentifikasi spesies hewan di hasil gambar Google. Langkah-langkah dalam pengolahan gambar dan kategorisasi mendapatkan disesuaikan sedikit, bergantung pada pengayakan evolusi seperti variasi acak dan non-acak untuk menghasilkan proses kucing-menemukan programmer JST tidak pernah bisa langsung dibuat.

ANNs non-deterministik menjadi jauh lebih deterministik karena mereka merestrukturisasi diri mereka untuk menjadi lebih baik untuk mencapai hasil tertentu, sebagaimana ditentukan oleh gol dari algoritma pembelajaran mereka. Ini disebut "pelatihan" JST - Anda melatih JST dengan contoh-contoh dari fungsi yang diinginkan, sehingga dapat mengoreksi diri berdasarkan seberapa baik itu pada masing-masing berjalan ini. Semakin Anda melatih JST, yang lebih baik itu harus menjadi di mencapai tujuannya.


Tidak untuk sementara waktu.
Ada juga gagasan "tanpa pengawasan" atau "adaptif" pembelajaran, di mana Anda menjalankan algoritma tanpa output yang diinginkan dalam pikiran, tetapi biarkan mulai mengevaluasi hasil dan menyesuaikan diri sesuai dengan keinginan sendiri ... nya? Seperti yang Anda bayangkan, ini tidak dipahami dengan baik dulu, tetapi juga jalan yang paling mungkin turun yang kita mungkin menemukan AI benar - atau hanya benar-benar, benar-benar maju AI. Jika kita pernah benar-benar akan mengirim robot keluar ke lingkungan yang sama sekali tidak dikenal untuk mencari tahu masalah yang sama sekali tak terduga, kita akan membutuhkan program yang dapat menetapkan signifikansi terhadap rangsangan sendiri, secara real time.

Di situlah kekuatan ANNs benar-benar terletak: karena struktur mereka memungkinkan mereka untuk melakukan perubahan berulang untuk program mereka sendiri, mereka memiliki kemampuan untuk menemukan jawaban bahwa pencipta mereka sendiri tidak pernah bisa memiliki. Apakah Anda seorang hedge fund, perusahaan periklanan, atau pencari minyak, potensi semata menggabungkan kecepatan komputer dengan fleksibilitas dari otak adalah mustahil untuk mengabaikan. Itu sebabnya mampu memprogram "mesin belajar" algoritma sekarang salah satu keahlian paling dicari di dunia.

Pada abad mendatang kita mungkin sangat baik menjadi kurang peduli dengan memecahkan masalah daripada dengan komputer mengajar untuk belajar memecahkan masalah bagi kita.indosport.com berita olahraga terbaru dan terlengkap di indonesia.