DEEP LEARNING TOOLS

Το MATLAB επιτρέπει τη σχεδίαση μοντέλων AI μέσω τριών βασικών πυλώνων: Machine Learning, Deep Learning και Data Science. Το MATLAB διευκολύνει εργασίες επιστήμης δεδομένων με εργαλεία πρόσβασης και προεπεξεργασίας δεδομένων, δημιουργίας μοντέλων πρόβλεψης και μηχανικής μάθησης και ανάπτυξης μοντέλων σε εταιρικά συστήματα πληροφορικής. Χρησιμοποιώντας το MATLAB, μηχανικοί και άλλοι ειδικοί έχουν εφαρμόσει χιλιάδες εφαρμογές μηχανικής εκμάθησης. Το Deep Learning είναι ένα υποσύνολο της μηχανικής μάθησης που βασίζεται σε τεχνητά νευρωνικά δίκτυα. Η διαδικασία αυτής της εκμάθησης ονομάζεται βαθιά επειδή αυτή η δομή δικτύου αποτελείται από πολλαπλές εισόδους, εξόδους και κρυφά επίπεδα. Η θεωρία των νευρωνικών δικτύων είναι εμπνευσμένη από το φυσικό νευρωνικό δίκτυο του ανθρώπινου νευρικού συστήματος. Ένα νευρωνικό δίκτυο μπορεί να οριστεί ως ένα σύστημα υπολογιστή που αποτελείται από έναν αριθμό απλών και εξαιρετικά διασυνδεδεμένων στοιχείων επεξεργασίας, τα οποία επεξεργάζονται πληροφορίες με βάση τη δυναμική τους απόκριση κατάστασης σε εξωτερικές εισόδους. Ένα τεχνητό νευρωνικό δίκτυο (ANN) είναι ένα παράδειγμα επεξεργασίας πληροφοριών που εμπνέεται μεταξύ άλλων βιολογικών νευρικών συστημάτων, όπως ο εγκέφαλος, από πληροφορίες επεξεργασίας. Το βασικό στοιχείο αυτού του παραδείγματος είναι η νέα δομή του συστήματος επεξεργασίας πληροφοριών. Αποτελείται από έναν μεγάλο αριθμό εξαιρετικά διασυνδεδεμένων στοιχείων επεξεργασίας (νευρώνες) που λειτουργούν από κοινού για την επίλυση συγκεκριμένων προβλημάτων. Τα ANN, όπως και οι άνθρωποι, μαθαίνουν με το παράδειγμα. Ένα ANN διαμορφώνεται για μια συγκεκριμένη εφαρμογή, όπως η αναγνώριση προτύπων ή η ταξινόμηση δεδομένων, μέσω μιας διαδικασίας μάθησης. Η μάθηση σε βιολογικά συστήματα περιλαμβάνει προσαρμογές στις συναπτικές συνδέσεις που υπάρχουν μεταξύ των νευρώνων. Αυτό ισχύει και για τα ANN. Αυτό το βιβλίο αναπτύσσει την αρχιτεκτονική των πιο σημαντικών νευρωνικών δικτύων: Perceptron, ADALINE, Radial Basis, Hopfield, Probabilistic, Generalized Regression και LVQ Neural Networks. Παρουσιάζει επίσης πρακτικά παραδείγματα διαφορετικών αρχιτεκτονικών νευρωνικών δικτύων.