Sare neuronalak hitz gutxitan

Sare neuronalen definizioa

Giza burmuinaren funtzionamendua eredutzat hartuta, patroiak ezagutzeko erabiltzen diren algoritmo multzoak dira. Ezagutzen dituzten datuak mundu errealetik jasotako seinaleak zenbakizko bihurtu eta bektoreetan egituratuak dira.
Sare neuronalekmultzokatzen eta sailkatzen laguntzen digute. Metatzen ditugun datuen gainean legokeen multzokatze- eta sailkatze-geruza baten antzera irudika genezake. Datu etiketatu gabeak multzokatzen laguntzen dute, sartzen zaizkien ereduekiko antzen arabera,  eta datuak sailkatzen dituzte entrenatzeko datu multzo etiketatuak dituztenean.

Zenbait adibide

Sailkapena

Edozein sailkapenek datu multzo etiketatuak behar ditu, hau da, gizakiok eraman dezakegu dakiguna datu multzora sare neuronalak “ikas” dezan datuen eta etiketen arteko korrelazioa. Aplikazio batzuk honako hauek izan daitezke:Aurpegiak

• Aurpegiak ezagutzea, hau da, irudietan agertzen diren pertsonak identifikatzea, aurpegiera alaiak haserretuak etab.  antzematea.
• Irudietan gauzak ezagutzea. Google Lens aplikazioak egiten duena, esate baterako.
• Bideoetan keinuak ezagutzea.
• Ahotsak edo hiztunak ezagutzea, testua hizketa bihurtzea, ahotsek adierazten dituzten sentimenduak ezagutzea.
• Posta mezu normalak eta spama bereiztea.

Gizakiok sor ditzakegun etiketa guztiak erabil daitezke sare neuronalak entrenatzeko.

Multzokatzea

Multzokatzeak antzekotasunak atzematea eskatzen du. Zenbat eta datu gehiago izan algoritmo batek orduan eta multzokatze zehatzagoa lortzen da.  Hona adibide batzuk:

• Antzeko dokumentu, irudi edo soinuen bilaketa.
• Desberdintasun anormalak atzematea, esate baterako iruzurrak harrapatzea. lo

Sailkapenaren bidez ezar daitezke korrelazioak, esate baterako, irudi bateko pixelen eta pertsona baten izenaren artean, une bateko gertakizunen eta etorkizuneko beste batzuen artean. Fenomeno baten datu historikoen segidatik abiatuta aurreikus daiteke probabilitaterik handienarekin hurrena izango  den datua. Horretan oinarrituta aurrea har dakieke:

• Ekipamenduetako matxurei
• Osasun arazoei
• Bezeroek izango dituzten portaerei
• Oro har, bestela gerta litezkeen ezustekoei

Sare neuronalen osagaiak

Sare neuronalek hainbat geruza izan ditzakete. Hainbat geruza dituztenei sare neuronal sakonak esaten zaie eta horiekin lortzen den ikaskuntzari ikaskuntza sakona.

Geruzak nodoz osatuta daude. Nodoa oinarrizko kalkulu-unitatea da. Nodo batek giza burmuineko neurona baten antzeko portaera du. Neurona bat aktibatu egiten da, kitzikapen bat jasotzen duenean. Horren antzera, nodo batera iristen diren datuak, ikasten ari den algoritmoak duen helbururako duten garrantziaren arabera, haztapen-koefiziente batzuen bitartez, esanguratsuago edo esangura gutxiagoko bihurtzen dira. Emaitza aktibazio-funtzio bat da. Honela irudika dezakegu nodo batean gertatzen dena:

Sare neuronal batean nodo bakoitza beste hainbat nodorekin loturik egoten da, beraz, eskema honela irudika dezakegu:

Goiko irudiak n nodorekin loturiko nodo bat adierazten du. x_i sarrera bakoitzari w_i pisua aplikatzen zaio, horren ondoren sarreren batuketa egiten da eta gero aktibazio-funtzioa aplikatzen zaio. Emaitza irteera da. Egitura horri pertzeptroia esaten zaio.

Sarrerak eta pisuak zenbaki errealak izaten dira eta positiboak edo negatiboak izan daitezke. Hainbat motatako aktibazio-funtzio erabiltzen dira. Sinpleenetako bat maila funtzioa da. Maila funtzioaren sarrera atalase batetik gorakoa denean irteera 1 da eta bestela 0.

Grafikoki honela adierazten da maila funtzioa:

Adibide bat:

Sarrerak:
x₁ = 0,4
x₂ = 1
x₃ = 0,9

Pisuak:
w₁ = 0,5
w₂ = 0,9
w₃ = 1

Atalasea = 1,0

Sarrera bakoitza bere pisuarekin biderkatzen badugu eta denak batzen baditugu:

x₁w₁ + x₂w₂ + x₃w₃ =0,2 + 0,9 + 0,9 = 2,0

emaitza atalasea baino handiagoa denez, nodoa aktibatu egingo da.

Sarrerek bektore bat osatzen dute {x₁,x₂ … x_n} eta pisuek beste bat {w₁,w₂, … w_n}.

Laburbilduz esan dezakegu pertzeptroia sailkatzaile bitar bat dela, atalase funtzioa deritzona, ikasteko algoritmoa dela. Sarrera balio errealez edo bitarrez osaturiko bektore bat du eta irteera funtzio bat bi balio izan ditzakeena, 0 edo 1.

Pertzeptroi batek “ikasi” egin dezake. Demagun bi egoera posible bereiz ditzakegula, esate baterako, argia piztuta ala itzalita egotea. Pertzeptroiak bi egoera horiek bereizten ikas dezake, bi egoera horien adibideak eta dagozkien irteerak aurkezten bazaizkio.

Ikaskuntza-algoritmoak

Ikaskuntza-algoritmoak bi motatakoak izan daitezke: gainbegiratuak eta gainbegiratu gabeak.

Ikaskuntza gainbegiratuan entrenamendu-datu etiketatu batzuk erabiltzen dira. Entrenamendu-datuak adibide multzoak dira. Adibide bakoitzak bi osagai izaten ditu: sarrerako bektore bat, hau da, n elementuz osaturiko multzo bat, x = {x₁,x₂ … x_n} eta nahi den irteerako balio bat. Ikaskuntza-algoritmo gainbegiratu batek entrenamendu-datuak aztertzen ditu eta funtzio inferitu bat ekoizten du, beste adibide batzuen mapaketa egiteko.

Kasurik onenean algoritmoak zuzen zehaztuko ditu artean sartu ez zaizkion adibideak. Horretarako, ikaskuntza algoritmoak entrenamendu datuetatik datu berrietarako generalizazio egokia egin behar du.

Esan dezakegu, bada, ikaskuntza gainbegiratuan sarrerako x aldagai batzuk ditugula eta irteerako Y aldagai bat, eta algoritmo bat erabiltzen dugula sarreratik irteerarako mapeatze-funtzioa ikasteko.

Y = f(x)

Lortu nahi dena hauxe da: sarrerako datu berriak ditugun bakoitzean datu multzo horri dagozkion irteerako aldagaiak aurresan ahal izatea. Entrenatze-maila egoki batera iritsitakoan prozesua bukatutzat ematen da.

Demagun ontzi batean bi motatako fruituak ditugula: laranjak eta bananak.

Ikaskuntza moten adibideak