In deze series met artikelen werken we naar deep learning toe. Deep learning is een complexe vorm van machine learning, dat we in eerdere artikelen besproken. Deep learning bestaat uit de blootstelling van meerlaagse neurale netwerken aan enorme hoeveelheden data. Deep learning wordt zodoende als het ware mogelijk gemaakt door neurale netwerken. Voordat we deep learning bespreken, gaan we daarom eerst in op neurale netwerken. In dit eerste artikel in deze serie geven we een definitie: wat is een neuraal netwerk?
Neurale netwerken vormen een belangrijke aanpak in machine learning. Deze netwerken zijn samengesteld uit veelvoudige maar eenvoudige processoren die parallel werken om (niet-lineaire) systemen te modelleren, waar een complexe relatie bestaat tussen input en output. Als analogie met onze hersenen worden de processoren in een neuraal netwerk ook wel neuronen genoemd.
Tekst gaat verder onder de afbeelding.
Een neuraal netwerk bestaat meestal uit meerdere lagen: een inputlaag van neuronen die de invoer van een probleem voorstelt, een outputlaag van neuronen die de oplossing van het probleem voorstelt, en tussenliggende lagen met kunstmatige neuronen die berekeningen uitvoeren. Elke verbinding kan een signaal overbrengen naar een andere neuron. Neuronen hebben een gewicht dat de kracht van het signaal dat verzonden wordt, kan verhogen of verlagen. Anders gezegd: neuronen worden geactiveerd via gewogen verbindingen van voorheen actieve neuronen. De ontvangende neuron verwerkt het signaal en stuurt vervolgens al dan niet een signaal aan de volgende neuronen. Hierbij is de drempel van belang: alleen als het aggregaat van het signaal lager (of hoger) is dan dat drempelniveau wordt het signaal verzonden.
De interactie tussen de processoren in een neuraal netwerk is adaptief, zodat verbindingen tussen andere processoren in het neurale netwerk kunnen ontstaan, en bestaande verbindingen kunnen worden versterkt, verzwakt of weer verbroken kunnen worden. Dit betekent dat een neuraal netwerk kan leren. Hierbij verwijst “leren” dus naar de automatische aanpassing van de parameters van het systeem, zodat het systeem de juiste output voor een bepaalde input kan genereren.
Informatie die door het netwerk stroomt, heeft gevolgen voor de structuur van het neurale netwerk omdat deze verandert – of leert – op basis van die input en output. Neem bijvoorbeeld het in eerder artikelen ook genoemde voorbeeld van patroonherkenning: neurale netwerken kunnen afbeeldingen identificeren die katten bevatten door voorbeeldfoto’s te analyseren die manueel als ‘kat’ of ‘geen kat’ zijn gelabeld en deze resultaten te gebruiken om katten in andere afbeeldingen te identificeren. Neurale netwerken hebben het meest nut in dit type toepassingen, die moeilijk zijn uit te drukken in een traditioneel computeralgoritme met behulp van regelgebaseerde programmering. Toepassingen variëren van optische karakterherkenning (gedrukte of handgeschreven scans naar digitale tekst) tot gezichtsherkenning.
Dit artikel is onderdeel van een serie.
Lees meer:
Deel 1 – Machine learning, neurale netwerken en deep learning uitgelegd
Deel 3 – Toepassingen van neurale netwerken – van chatbots tot zorg
Deel 4 – Hoe werkt een neuraal netwerk – neurale netwerken uitgelegd
Deel 5 – Voorbeeld van een neuraal netwerk – de werking uitgelegd
Infographic – Neurale netwerken bij machine learning
Bronnen – Bronnen 3Bplus artikelen deep learning
