Нека да погледнем отвътре в мозъка на нашия AI.
Подобно на животните, мозъкът на нашия AI-оценител има неврони.
Те са представени с кръгчета. Тези неврони са взаимосвързани.
Схема: CS231n
Невроните се групират в три различни типа слоеве:
Входен слой
Скрити слоеве
Изходен слой
Входният слой получава входни данни. В нашия случай има четири неврони във входния слой: летище, от което се излита, летище - дестинация, дата на заминаване и авиокомпания. Входният слой предава входните данни в първия скрит слой.
Скритите слоеве изпълняват математически изчисления на базата на входните данни. Едно от предизвикателствата при създаването на невронни мрежи е определянето на броя на скритите слоеве, както и броя на невроните за всеки слой.
"Дълбокото" в дълбокото самообучение означава, че има повече от един скрит слой.
Изходният слой връща изходните данни. В нашия случай той ни дава прогнозната цена.
Как се изчислява прогнозната цена?
Тук е мястото, където започва магията на дълбокото самообучение. Всяка връзка между невроните се асоциира с някаква тежест. Този коефициент на тежестта диктува важността на входната стойност. Първоначалните коефициенти на тежестта се задават на случаен принцип.
При предсказване на цената на самолетен билет, датата на заминаване е един от най-тежките фактори. Следователно невронните връзки на датата на заминаване ще имат голям коефициент на тежестта.
Схема: CodeProject
Всеки неврон има функция на активация (Activation Function). Тези функции са трудни за разбиране без математически разсъждения. Просто казано, една от нейните цели е да "стандартизира" изхода от неврона.
След като наборът от входни данни премине през всички слоеве на невронната мрежа, той връща изходните данни през изходния слой.
Нищо сложно, нали?
Сподели с приятели: |