Como análise de redes neurais trabalho preditivo
Um algoritmo complexo utilizado para análise preditiva, o rede neural
Conteúdo
Video: Redes Neurais Artificiais (Perceptron) - Parte 02
Amplamente utilizado para a classificação de dados, redes neurais passado processo e os dados actuais para estimar valores futuros - descobrir quaisquer correlações complexos escondidos na dados - De modo análogo ao utilizado pelo cérebro humano.
As redes neurais podem ser usadas para fazer previsões sobre dados de séries temporais, tais como dados meteorológicos. Uma rede neural pode ser projetado para detectar padrão em dados de entrada e produzir uma saída livre de ruído.
Video: Redes Neurais Artificiais - Um breve conceito
A estrutura de um algoritmo de rede neural tem três camadas:
A camada de entrada alimenta valores de dados passados para a próxima camada (oculto). Os círculos pretos representam nós da rede neural.
A camada oculta encapsula várias funções complexas que criam predictors- muitas vezes essas funções são escondidos do usuário. Um conjunto de nodos (círculos negros) à camada oculta representa funções matemáticas que modificam a entrada data- estas funções são chamadas neurônios.
A camada de saída recolhe as previsões feitas na camada oculta e produz o resultado final: previsão do modelo.
Aqui está uma olhada em como uma rede neural pode produzir uma saída prevista a partir de dados de entrada. A camada oculta é o componente chave de uma rede neural por causa dos neurônios que contains- eles trabalham juntos para fazer os principais cálculos e produzir a saída.
Cada neurio tem um conjunto de entrada de valores- cada um está associado com um peso (Cerca de mais que num momento) e um valor numérico, como conhecido viés. A saída de cada neurónio é uma função da saída da soma ponderada de cada entrada mais o viés.
Video: Redes Neurais Artificiais - O que é um gato?
A maioria das redes neurais usar funções matemáticas para ativar os neurônios. UMA função em matemática é uma relação entre um conjunto de entradas e um conjunto de saídas, com a regra de que cada entrada corresponde a uma saída.
Por exemplo, considere a função negativa onde um número inteiro pode ser uma entrada e a saída é o seu equivalente negativa. Em essência, uma função em matemática funciona como uma caixa preta que tem uma entrada e produz uma saída.
Video: [INTELIGÊNCIA ARTIFICIAL] Redes Neurais Artificiais: BACKPROPAGATION
Neurônios em uma rede neural pode usar sigmóide funções para combinar entradas e saídas. Quando usado dessa maneira, uma função sigmóide é chamado de função logística e sua fórmula parece com isso:
f(entrada) = 1 / (1 + Esaída)
Aqui f é o função de activação que ativa o neurônio, e e é uma constante matemática amplamente utilizado que tem o valor aproximado de 2.718.
Você pode se perguntar por que tal função é usada em neurônios. Bem, a maioria das funções sigmóide tem derivados que são positivas e fácil de calcular. Eles são contínua, pode servir como tipos de funções de alisamento, e também são delimitadas as funções.
Esta combinação de características, a única função sigmoide, é vital para o funcionamento de um algoritmo de rede neural - especialmente quando um cálculo derivado - tais como o peso associado com cada entrada de um neurónio - é necessária.
O peso de cada neurónio é um valor numérico, que pode ser obtido utilizando qualquer formação supervisionada ou formação sem vigilância, tais como o agrupamento de dados.
No caso de formação supervisionado, os pesos são derivadas pela alimentação de entradas e saídas de amostra para o algoritmo até que os pesos são sintonizado (Isto é, não há uma correspondência quase perfeita entre entradas e saídas).
No caso de formação sem supervisão, a rede neural é apresentada apenas com inputs- o algoritmo gera as suas saídas correspondentes. Quando os algoritmos são apresentados com entradas novas-but-semelhante e o algoritmo produz novas saídas que são semelhantes aos resultados anteriores, em seguida, os pesos dos neurónios foram sintonizados.
As redes neurais tendem a ter alta precisão, mesmo se os dados têm uma quantidade significativa de ruído. Isso é um grande advantage- quando a camada oculta ainda pode descobrir relações nos dados apesar barulho, você pode ser capaz de utilizar os dados de outra forma-inutilizáveis.
Uma desvantagem dos algoritmos de rede neural é que a precisão da previsão pode ser válida apenas dentro do período de tempo durante o qual os dados de treinamento foi recolhida.