Introduction BNN

Les réseaux d'apprentissage en profondeur et de neurones ont transformé notre façon de vivre. Depuis leur introduction, les scientifiques les ont utilisés pour résoudre des milliers de problèmes, les incorporant dans pratiquement tous les paramètres. Les voitures autonomes les plus populaires sont confrontées à la reconnaissance, à la surveillance, aux affaires et à d'autres technologies. Il existe différents réseaux de neurones basés sur différents cas d'utilisation, chacun adapté à une certaine application. Nous passerons par le réseau neuronal bayésien, son architecture et ses avantages et inconvénients dans cet article.

Qu'est-ce qu'un réseau neuronal?

Le cerveau humain artificiel est construit et programmé pour résoudre divers problèmes compliqués dans une fraction de secondes, peut-être en raison de neurones présents à l'intérieur du cerveau. Lors de la construction d'un réseau neuronal, nous essayons de mettre en œuvre artificiellement les fonctionnalités des neurones du cerveau à travers les mathématiques. Le réseau de neurones artificiels est appelé réseau neuronal.

Le principal objectif est d'imiter les fonctions du cerveau humain. Semblable à la façon dont les neurones dans les signaux de transfert de cerveau humain qui aident un individu réagissent à une situation d'entrée donnée, les réseaux de neurones sont construits en utilisant plusieurs couches de perceptron qui communiquent un nombre réel ou une valeur continue (signal) qui affiche la sortie. La figure ci-dessous montre la représentation graphique d'un réseau de neurones avec différentes couches.

Il existe trois types de couches sur un réseau de neurones:

• Couche d'entrée: C'est la couche qui reçoit l'entrée utilisateur. Ceux-ci sont communément appelés les caractéristiques de la sortie.
• Couche cachée: Cette couche se trouve entre les couches d'entrée et de sortie. Tous les calculs complexes mathématiques nécessaires sont effectués ici. C'est là que les réseaux de neurones apprennent à résoudre le problème donné.
• Couche de sortie: Cette couche est fournie après plusieurs transformations et optimisations.

Chaque couche dense a des nœuds connectés à d'autres couches par les bords. Poids signifiant la valeur des informations attribuées à chaque nœud est attribuée à ces bords. Un poids positif indique que le nœud est impliqué dans une connexion excitatrice, tandis qu'un poids négatif indique que le nœud est impliqué dans une connexion inhibitrice.

Théorème de Bayes

Le théorème de Bayes est une expression de probabilités ou une formule pour découvrir une probabilité conditionnelle d'un événement particulier (même a) étant donné la survenue d'un autre événement (événement B) en utilisant des informations mises à jour de (i) sa probabilité conditionnelle inverse, (ii) la probabilité (antérieure) inconditionnée du premier événement revendiqué, et (iii) la probabilité inconditionnée du deuxième événement de preuve.

La classification du texte est la plus populaire. Dans différentes situations d'apprentissage automatique, le théorème de Bayes est couramment utilisé. Le théorème de Bayes a la formule suivante:

Qu'est-ce qu'un réseau neuronal bayésien?

Un réseau bayésien est un modèle statistique utilisé pour divers domaines et approches d'exploration de données. Les réseaux bayésiens illustrent l'interdépendance entre les variables utilisant des modèles probabilistes, dans lesquels chaque variable tire sa valeur de sa distribution discrète avec une probabilité antérieure connue. Les nœuds antérieurs et postérieurs de ce réseau incluent les distributions de probabilité pour les variables cachées. En revanche, le nœud postérieur contient la distribution de probabilité conditionnelle des variables cachées étant donné les valeurs observées des variables visibles. L'avantage de Bayes Net sur d'autres algorithmes est qu'il ne nécessite pas un ensemble de formation avec des classifications d'étiquette de vérité au sol pour effectuer une classification au lieu de s'appuyer sur l'apprentissage de la structure ou l'estimation des paramètres.

Réseau de neurones artificiels (Ann) vs. Réseau neuronal bayésien

Anneaux Le modèle est la façon dont un cerveau biologique résout les problèmes avec de vastes grappes de neurones biologiques connectés pour former un réseau. Les ann sont basés sur une vaste collection d'unités neuronales. Les réseaux de neurones sont des réseaux hautement structurés avec trois couches: entrée, sortie et couches cachées, qui sont tous les niveaux entre les couches d'entrée et de sortie et effectuent principalement des calculs algébriques linéaires pour obtenir le résultat.

Réseaux bayésiens sont un modèle graphique acyclique orienté probabiliste (une sorte de modèle statistique) qui utilise un graphique acyclique dirigé pour décrire une collection de variables aléatoires et leurs dépendances conditionnelles.

Avantages des réseaux de neurones bayésiens

1. Les réseaux bayésiens sont universellement utiles car leur algorithme fonctionnel est étroitement lié au monde réel.
2. Les réseaux de neurones bayésiens calculent automatiquement les incertitudes de prédiction.
3. Ils résolvent les problèmes de sur-ajustement en tenant compte des distributions de poids.

Inconvénients des réseaux de neurones bayésiens

1. Ils nécessitent une compréhension assez bien connue des statistiques et des mathématiques.
2. Ils sont difficiles à s'entraîner et à prendre beaucoup de temps pour s'entraîner.

Pourquoi utiliser BNNS?

1. Les BNN n'utilisent pas directement les poids pour la formation. Au lieu de cela, ils utilisent des distributions de poids pour l'entraînement et finalement éviter le problème de sur-ajustement.
2. Ils fournissent une approche naturelle pour calculer automatiquement l'incertitude.

Conclusion

Nous savons maintenant qu'un réseau de neurones n'est qu'un réseau de neurones artificiels qui collaborent pour résoudre divers problèmes réels. Le réseau de neurones artificiels est le type de réseau neuronal le plus simple. Le réseau bayésien est une autre sorte de réseau neuronal qui fonctionne avec la probabilité et est étroitement lié aux défis du monde réel. Il est cependant parfois difficile à former et nécessite une bonne maîtrise des mathématiques.