神经网络介绍【+ 7个学习资源】
神经网络的发展是为了复制人类神经系统中神经元之间错综复杂的连接。
人们认为，由于生物神经系统在传递和处理信号方面非常高效，它可以帮助机器创建类似人类的智能。
这导致了人工神经元网络的创建，它可以像人脑中的一簇神经元一样处理和传输数据。
这为机器学习和智能响应能力提供了极大的增强，从而诞生了神经网络。
在本文中，我将讨论神经网络的工作原理、优势和其他重要方面。
让我们开始吧！
什么是神经网络？
神经网络或人工神经网络（ANNs）是人工智能（AI）和机器学习（ML）的一部分，教会机器/计算机如何像生物大脑一样处理信息。该网络具有自适应系统，使其能够从以前的活动中学习并不断改进。
神经网络是机器学习的一个子集，其核心是使用神经网络算法开发的。名称“神经网络”受到了人脑中复杂的神经元网络以及神经元之间的通信方式的启发。
神经网络使用其训练数据作为输入来支持学习并增强其能力。它通过从过去数据中不断学习并提高准确性，成为了一种强大的现代工具。
神经网络的历史可以追溯到计算机的第一个时代。第一个神经网络实例是由Warren McCulloch设计的一个电路系统，可以近似人脑的功能。
1958年，第一个人工感知实例由Frank Rosenblatt开发。1982年，John Hopfield发表了关于“递归神经网络”的论文。1988年，神经网络在蛋白质研究领域得到广泛应用。
该技术被用于预测蛋白质的三维形状。到1992年，已经开发出了一种用于识别3D物体的算法。
目前，神经网络已经变得非常先进。它们在多个领域中被使用，从医疗保健、航空航天和国防到金融、市场营销和天气预测。
神经网络是如何工作的？
如上所述，神经网络的发展受到人脑在神经结构方面的启发。人脑的神经元可以通过创建一个复杂且高度相互连接的网络来发送信号和处理信息。这就是神经网络试图复制的神经元的功能。
神经网络的基本工作方法是通过网络中多个不同层次的神经元的互连性来实现的。每个神经元通过一个节点与另一个神经元连接。
它可以从它之前的层次接收输入，并发送一个输出传递给之后的层次。这个步骤会重复进行，直到最后一个层次做出决策或预测。
可以通过数据通过并进行处理的网络每个层次的独立机制来更好地理解神经网络的工作原理。在基本结构中，有三个层次 – 输入、隐藏和输出。
输入层
神经网络的输入层负责从外部世界收集数据。数据收集后，该层还会处理数据、分析数据内容，并为数据添加一个类别以便更好地识别。然后将数据发送到下一层。
隐藏层
隐藏层的数据来自输入层和其他隐藏层。神经网络中可以有多个隐藏层。每个隐藏层可以分析从上一层传递过来的输入。输入经过处理后再传递给下一层。
输出层
来自最后一个隐藏层的数据达到输出层。该层显示了神经网络之前层中发生的输出的最终结果。根据输入，输出层可以有一个或多个节点。
例如，在处理二进制数据（1/0，是/否）时，将使用一个单独的输出节点。但是，在处理多类别数据时，将使用多个节点。
隐藏层本质上是几个节点之间的深度学习网络的互连。节点之间的连接由一个称为“权重”的数字表示。它表示节点可以影响其他节点的程度。正值表示能够激励另一个节点，而负值表示能够抑制另一个节点。
神经网络的类型
针对不同类型的应用和数据，应用不同架构的神经网络，下面是一些神经网络的类型：
#1. 前馈网络
在这种类型的神经网络中，存在多个相互连接的隐藏层和神经元。在这里，信息的流动只向前方向，没有反向传播，因此称为“前馈”。这一层的数量越大，有助于权重定制和学习。
#2. 感知机
这是最基本的网络形式，只包含一个神经元。神经元将激活函数应用于输入以获得二进制输出。它基本上将输入值和节点的权重相加，并将总和传递给激活函数以创建输出。该类型的网络中不存在隐藏层。
#3. 多层感知机
这种类型的神经网络允许反向传播，前馈系统不支持反向传播。它包含几个隐藏层和激活函数，允许双向数据流。输入进行前馈传播，而权重更新进行反向传播。根据目标，可以更改激活函数。
#4. 径向基网络
这个网络类别在输入层和输出层之间使用径向基函数（RBF）神经元层。这些神经元可以存储不同训练数据的类别，从而使用不同的方式来预测目标。神经元将欧氏距离与输入的特征值实际存储的类别进行比较。
#5. 卷积网络
这种神经网络包含多层卷积，用于识别输入（如图片）中的重要特征。前几层专注于低级细节，而后续层专注于高级细节。该网络使用自定义矩阵或过滤器创建映射。
#6. 循环网络
当需要从给定的数据序列中获取预测时，可以使用此网络。它可以接受最后一个预测的时间延迟输入。这些输入存储在RNN数据单元中，然后作为预测的第二个输入使用。
#7. 短期记忆网络
在这种类型的神经网络中，使用额外的特殊记忆单元来保存信息以便更长时间使用，并克服梯度消失的问题。逻辑门用于识别需要使用或丢弃的输出。因此，在这种网络中使用的三个逻辑门是：输入门、输出门和遗忘门。
神经网络的好处
神经网络具有许多好处：
- 由于其结构，可以处理数据并学习关于现实世界的复杂非线性关系，并将其学习推广到创建新输出。
- 神经网络对输入没有限制。因此，可以通过模型异方差性来学习数据之间的隐藏关系。
- 神经网络可以在整个网络中存储数据并处理不充足的数据。这会创建数据冗余并降低数据丢失的风险。
- 由于具有冗余连接，它能够同时并行处理多个数据。这意味着神经网络可以同时执行多个功能。
- 数据处理能力的调整能力使其具有强大的容错性，并不断训练自身进行改进。
- 由于网络使用分布式存储器，它对data corruption具有抵抗力。
- 它可以通过学习过去的事件来训练机器做出更好的决策。
神经网络的应用
- 预测股市表现：多层感知机经常用于预测股市表现并为股市变动做准备。该系统根据利润比率、年度回报和股市过去的性能数据进行预测。
- 人脸识别：卷积网络用于运行一个facial recognition系统，该系统将给定的面部ID与数据库上的面部ID列表进行匹配，以显示正面匹配。
- 研究社交媒体行为：多层感知机可用于研究人们在社交媒体上的行为，包括虚拟对话和社交媒体互动。这些数据可以用于营销活动中。
- 航空航天研究：时间延迟网络可以应用于航空航天领域的各个领域，包括模式识别、安全控制系统、高性能自动驾驶、飞机故障诊断和开发模拟。这有助于提高行业中的安全性和安全性实践。
- 国防规划：可以使用神经网络来访问和开发国防战略。这项技术可用于预测国防风险、控制自动化设备并确定巡逻的潜在地点。
- 医疗保健：可以使用网络改进超声波、CT扫描和X射线等成像技术。这也有助于更好地记录和跟踪患者数据。
- 身份验证：可以使用神经网络来识别手写的模式。这有助于通过手写和签名验证系统识别潜在的伪造证据。
- 天气预报：可以使用来自气象卫星的数据进行动态建模和forecasting weather，以更高的准确性获取模式。这有助于及时创建自然灾害的预警，以采取预防措施。
学习资源
#1. 通过Udemy学习的深度学习A-Z课程
通过Udemy学习的深度学习A-Z课程将帮助您学习如何使用Python并创建深度学习算法。课程持续时间为22小时33分钟。
该课程将教授学生：
- 更好地理解AI、神经网络、自组织映射、玻尔兹曼机和自编码器的概念。
- 如何将这些技术应用于实际世界。
该课程的价格为39.98美元。
#2. 通过Udemy学习的数据科学课程
数据科学是一门关于深度学习和神经网络的优秀课程，深入讲解了机器学习中使用的神经网络理论。这门课程也由Udemy提供。课程持续时间为12小时。
该课程将教授：
- 关于深度学习和神经网络函数的知识。
- 从零开始开发神经网络的代码。
该课程的价格为35.13美元。
#3. 通过Udemy学习的构建神经网络课程
Udemy的构建神经网络课程使用Python从零开始开发深度学习和机器学习，使用梯度下降和线性回归。课程持续时间为3小时6分钟。
该课程将教授：
- 线性回归、反向传播和损失函数等神经网络的基本功能。
- 训练神经网络、对其进行分类、调整学习率、规范化输入并优化其准确性。
该课程的价格为31.50美元。
#4. 由Coursera提供的神经网络和深度学习课程
该课程由Coursera提供。这是首个专门研究深度学习的课程，侧重于基础概念。课程持续时间为25小时。
该课程将教授：
- 熟悉推动深度学习发展的重要技术趋势。
- 学习如何训练深度学习并使用它们开发完全连接的网络。
该课程免费提供。
#5. 构建高级深度学习和NLP
该课程由Educative提供。该课程需要约5小时完成。
该课程将教授：
- 在实际编码环境中工作。
- 学习深度学习的概念，并在与自然语言处理（NLP）和高级深度学习相关的项目上进行实践。
该课程的价格为每月9.09美元。
#6. 用Python构建神经网络项目：
| 预览 | 产品 | 评分 | 价格 | |
|---|---|---|---|---|
 |
Neural Network Projects with Python: The ultimate guide to using Python to explore the true power of… | $41.99 | Buy on Amazon |
James Loy的这本书是关于如何使用Python和发现人工神经网络力量的终极指南。通过使用神经网络在Python中完成六个项目，您将学习并实现神经网络。完成这个项目将帮助您建立自己的机器学习作品集。
本课程将教授：
- 诸如LSTM和CNN等神经网络架构
- 如何使用流行的库如Keras
- 项目包括情感分析、人脸识别、物体检测等。
#7. 神经网络与深度学习
| 预览 | 产品 | 评分 | 价格 | |
|---|---|---|---|---|
 |
Neural Networks and Deep Learning: A Textbook | $42.92 | Buy on Amazon |
Charu C. Aggarwal的这本书涵盖了深度学习中的现代和经典模型。它将教您深度学习和神经网络的算法和理论，以便您可以在多个应用中应用它们。
它还涵盖了推荐系统、图像标题和分类、文本分析、机器翻译、游戏等应用。
您将学习：
- 神经网络基础知识
- 神经网络的基本原理
- GAN、神经图灵机等高级神经网络主题。
结论
神经网络本质上是人工智能的一部分，它支持以接近人类智能的方式进行学习。这些网络由多个层组成，每个层都有自己的功能和输出。鉴于神经网络的准确性、数据处理能力、并行计算等优点，它们在多个领域中的应用正在上升，用于进行预测和更智能的决策。
