BNN Introdução

Aprendizagem profunda e redes neurais transformaram a maneira como vivemos. Desde a sua introdução, os cientistas os usaram para abordar milhares de questões, incorporando -os em praticamente todos os configurações. Os carros autônomos mais populares enfrentam reconhecimento, monitoramento, negócios e outras tecnologias. Existem várias redes neurais baseadas em diferentes casos de uso, cada um adequado a um determinado aplicativo. Passaremos pela Rede Neural Bayesiana, sua arquitetura e suas vantagens e desvantagens neste artigo.

O que é uma rede neural?

O cérebro humano artificial é construído e programado para resolver vários problemas complicados em uma fração de segundos, possivelmente devido a neurônios presentes dentro do cérebro. Ao construir uma rede neural, tentamos implementar a funcionalidade dos neurônios do cérebro artificialmente através da matemática. A rede de neurônios artificiais é chamada de rede neural.

O objetivo principal é imitar as funções do cérebro humano. Semelhante a como os neurônios nos sinais de transferência de cérebro humano que ajudam um indivíduo a reagir a uma determinada situação de entrada, as redes neurais são construídas utilizando várias camadas de perceptron que comunicam um número real ou um valor contínuo (sinal) que exibe a saída. A figura abaixo mostra a representação gráfica de uma rede neural com diferentes camadas.

Existem três tipos de camadas em uma rede neural:

• Camada de entrada: Esta é a camada que recebe entrada do usuário. Estes são popularmente chamados de recursos da saída.
• Camada oculta: Esta camada fica entre as camadas de entrada e saída. Todos os cálculos complexos matemáticos necessários são realizados aqui. É aqui que as redes neurais aprendem a resolver o problema fornecido.
• Camada de saída: Esta camada é fornecida após várias transformações e otimizações.

Cada camada densa tem nós que estão conectados a outras camadas por bordas. Pesos significando o valor das informações atribuídas a cada nó é atribuído a essas bordas. Um peso positivo indica que o nó está envolvido em uma conexão excitatória, enquanto um peso negativo indica que o nó está envolvido em uma conexão inibitória.

Teorema de Bayes

O teorema de Bayes é uma expressão de probabilidades ou uma fórmula para descobrir uma probabilidade condicional de um evento específico (mesmo a), dada a ocorrência de outro evento (Evento B), usando informações atualizadas de (i) sua probabilidade condicional reversa, (ii) a probabilidade incondicionada (anterior) do primeiro evento reivindicado e (iii) a probabilidade incondicionada do segundo evento evidente.

A classificação de texto é a mais popular. Em diferentes situações de aprendizado de máquina, o teorema de Bayes é comumente empregado. O teorema de Bayes tem a seguinte fórmula:

O que é uma rede neural bayesiana?

Uma rede bayesiana é um modelo estatístico usado para vários campos e abordagens de mineração de dados. As redes bayesianas ilustram a interdependência entre variáveis ​​usando modelos probabilísticos, nos quais cada variável leva seu valor a partir de sua distribuição discreta com probabilidade prévia conhecida. Os nós anteriores e posteriores desta rede incluem as distribuições de probabilidade para variáveis ​​ocultas. Por outro lado, o nó posterior contém a distribuição de probabilidade condicional de variáveis ​​ocultas, dadas os valores observados de variáveis ​​visíveis. A vantagem da rede de Bayes em relação a outros algoritmos é que ele não requer um conjunto de treinamento com classificações de etiquetas da verdade no solo para realizar classificação em vez de confiar na estrutura de aprendizado ou estimativa de parâmetros.

Rede Neural Artificial (Ann) vs. Rede Neural Bayesiana

Anns Modelo é como um cérebro biológico resolve problemas com vastos aglomerados de neurônios biológicos conectados para formar uma rede. As ANNs são baseadas em uma extensa coleção de unidades neurais. Redes neurais são redes altamente estruturadas com três camadas: entrada, saída e camadas ocultas, que são níveis entre as camadas de entrada e saída e principalmente executam cálculos algébricos lineares para obter o resultado.

Redes bayesianas São um modelo gráfico acíclico dirigido probabilístico (uma espécie de modelo estatístico) que usa um gráfico acíclico direcionado para descrever uma coleção de variáveis ​​aleatórias e suas dependências condicionais.

Vantagens das redes neurais bayesianas

1. As redes bayesianas são universalmente úteis porque seu algoritmo em funcionamento está intimamente ligado ao mundo real.
2. As redes neurais bayesianas calculam as incertezas de previsão automaticamente.
3. Eles abordam os problemas de excesso de ajuste, levando em consideração as distribuições de peso.

Desvantagens das redes neurais bayesianas

1. Eles exigem uma compreensão bastante versada de estatística e matemática.
2. Eles são desafiadores para treinar e levar muito tempo para treinar.

Por que usar BNNs?

1. Os BNNs não usam diretamente os pesos para o treinamento. Em vez disso, eles usam distribuições de pesos para treinamento e, finalmente, evitando o problema de excesso de ajuste.
2. Eles fornecem uma abordagem natural para calcular a incerteza automaticamente.

Conclusão

Agora sabemos que uma rede neural é apenas uma rede de neurônios artificiais que colaboram para resolver vários problemas do mundo real. A rede neural artificial é o tipo mais simples de rede neural. A rede bayesiana é outro tipo de rede neural que funciona com probabilidade e está intimamente ligada aos desafios do mundo real. No entanto, às vezes é difícil de treinar e requer um bom comando de matemática.