Neural Networks là gì?

Là một giải thuật của học máy…

Còn được gọi là mạng thần kinh nhân tạo, là một thể loại giải thuật của học máy — machine learning, lấy cảm hứng từ bộ não con người. Nó là một trong những giải thuật phổ biến nhất được sử dụng trong thế giới của học máy. Mục đích của nó để giải quyết vấn đề tương tự cách con người thực hiện.

Giải quyết các vấn đề phức tạp…

Mạng thần kinh cũng được coi là một phần của học chuyên sâu — deep learning, một nhánh của học máy được coi là giúp giải quyết nhiều vấn đề phức tạp giống như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên v.v.

Theo cách khác thông thường…

Cách tiếp cận để giải quyết vấn đề của mạng thần kinh khác chương trình máy tính thông thường (thuật toán), chúng cố gắng bắt chước cách bộ não con người hoạt động, mạng thần kinh học thông qua ví dụ khác với việc lập trình để thực hiện một nhiệm vụ cụ thể.

Những thứ bạn nên biết về mạng thần kinh…

Nó giải quyết những vấn đề cụ thể…

Mạng thần kinh luôn được tạo ra để giải quyết một bài toán cụ thể như dự đoán thị trường chứng khoán, nhận dạng chữ viết tay v.v.

Nó được xây dựng bởi các lý thuyết…

• tế bào thần kinh — neurons.
• số lượng lớp — layers, chia thành 3 loại là input layer, hidden layer và output layer (tập hợp của các tế bào thần kinh).
• kiểu kết nối giữa layers.

Có các loại mạng thần kinh nào…?

Hai loại mạng thần kinh là:

• Feedforward: tín hiệu chỉ truyền một chiều từ đầu vào tới đầu ra, chúng khá đơn giản và thường áp dụng trong nhận dạng mẫu. Hai kiểu phổ biến là CNN hoặc ConvNet thường được sử dụng trong nhận dạng hình ảnh.
• Feedback (RNNs): tín hiệu được truyền theo cả hai chiều, nó phức tạp hơn nhiều so với CNN, và luôn luôn thay đổi. Trong thực tế nó ít ảnh hưởng so với Feedforward bởi vì các nghiên cứu còn khá mới mẻ.

Mạng thần kinh có thể thay đổi…

Mạng thần kinh có thể là cố định hoặc thay đổi tuỳ vào ngữ cảnh sử dụng chúng.

Dữ liệu sử dụng trong mạng thần kinh gồm gì…?

Có ba loại dữ liệu sử dụng trong mạng thần kinh theo quy tắc vàng 60:20:20:

• Tập dữ liệu huấn luyện — 60%: chúng được sử dụng để điều chỉnh weight trong mạng.
• Tập dữ liệu đánh giá — 20%: chúng được sử dụng để giảm thiểu các vấn đề không mong muốn xuất hiện.
• Tập dữ liệu thử nghiệm — 20%: được sử dụng để kiểm tra lần cuối để đánh giá mức độ chính xác của mạng đã được huấn luyện.

Mạng thần kinh không hề quá khó để hiểu cơ bản nhưng không hề dễ để sử dụng nó giải quyết các vấn đề cụ thể.