Artificial Neural Network (ANN) in Machine Learning – Data Science Central

Artificial Neural Networks – Introduction

Artificial Neural Network (ANN) またはニューラル ネットワークは計算機アルゴリズムです。 ANN は、動物の中枢神経系にヒントを得た計算モデルです。 パターン認識だけでなく、機械学習も可能である。

ニューラルネットワークは指向性グラフである。 生物学的なアナロジーではニューロンを表すノードがアークで接続されたものである。 これは樹状突起とシナプスに相当する。 各円弧は、各ノードにいる間、重みに関連付けられます。 ノードが入力として受け取った値を適用し、入力する円弧に沿って活性化関数を定義し、円弧の重みで調整します。

ニューラルネットワークは、人間の神経細胞のモデルに基づいた機械学習アルゴリズムです。 人間の脳は何百万ものニューロンで構成されています。 電気信号や化学信号の形で信号を送り、処理します。 これらのニューロンは、シナプスと呼ばれる特殊な構造で接続されている。 シナプスによって、ニューロンは信号の受け渡しを行うことができます。 このように、多数の模擬神経細胞から神経回路網が形成されます。 人間の脳が情報を処理するのと同じような働きをする。 ANNは、情報を処理するために一緒に働く、接続された多数の処理ユニットを含んでいる。 また、そこから意味のある結果を生成します。

ニューラルネットワークは、分類にのみ適用できるわけではありません。 また、連続的なターゲット属性の回帰にも適用できる。

ニューラルネットワークは、さまざまな分野で使用されるデータマイニングに大きな応用を見いだす。 例えば、経済学、科学捜査などやパターン認識などである。

ニューラルネットワークは、次の3つの層を含むことができます。

• 入力層 – 入力ユニットの活動は、ネットワークに供給できる生の情報を表します。 入力ユニットのアクティビティと、入力ユニットと隠れユニットの間の接続の重みを決定する。
• 出力層 – 出力ユニットの動作は、隠れユニットの活動と隠れユニットと出力ユニット間の重みに依存します。

Artificial Neural Network Layers

Artificial Neural Networkは通常層で編成されています。 層は、「活性化関数」を含む多くの相互接続された「ノード」で構成されています。 ニューラルネットワークは以下の3つの層から構成されています。 入力層

入力層の目的は、各観測値に対する説明属性の値を入力として受け取ることである。 通常、入力層の入力ノードの数は説明変数の数と同じである。 入力層」はネットワークにパターンを提示し、ネットワークは1つ以上の「隠れ層」に伝達する。

入力層のノードは受動的で、データを変更しないことを意味する。 それらは入力で単一の値を受け取り、その値を多数の出力に複製する。 入力層から、それぞれの値を複製し、すべての隠れノードに送ります。 隠れ層

隠れ層は、ネットワーク内部の入力値に対して与えられた変換を適用する。 このとき、他の隠れノードや入力ノードから入ってくる円弧が各ノードに接続される。 また、出力ノードや他の隠れノードへの出力円弧と接続する。 隠れ層では、実際の処理は重み付けされた「接続」のシステムを通じて行われる。 隠れ層は1つでも複数でもよい。 隠れノードに入る値は、プログラムに格納されている所定の数値である重みを掛け合わされる。 重み付けされた入力は、その後、1つの数値を生成するために加算される。 出力層

そして、隠れ層は「出力層」にリンクする。 出力層は隠れ層から、あるいは入力層から接続を受ける。 出力層は応答変数の予測に対応する出力値を返す。 分類問題では、通常、出力ノードは1つだけである。 出力層のアクティブなノードは、データを組み合わせて変更し、出力値を生成する。

有用なデータ操作を提供するニューラルネットワークの能力は、重みを適切に選択することにある。 これは従来の情報処理とは異なる。

ニューラルネットワークの構造

ニューラルネットワークの構造は、その「アーキテクチャ」または「トポロジー」とも呼ばれる。 これは層の数、エレメンタリーユニットで構成される。 また、相互変換の重み調整機構からなる。 構造の選択により、得られる結果が決まります。 ニューラルネットワークを実装する上で最も重要な部分である

最も単純な構造は、ユニットが2つの層に分散しているものである。 入力層と出力層である。 入力層の各ユニットは1つの入力と入力に等しい1つの出力を持つ。 出力ユニットは、入力層のすべてのユニットがその入力に接続され、組み合わせ関数と伝達関数を持っている。 出力ユニットは1つだけでなく、複数存在することもある。 この場合、結果として得られるモデルは線形回帰またはロジスティック回帰となる。これは伝達関数が線形かロジスティックかによって決まる。 ネットワークの重みは回帰係数です。

入力層と出力層の間に1つ以上の隠れ層とこの層のユニットを追加することで、ニューラルネットワークの予測力が増加します。 しかし、隠れ層の数はできるだけ少なくする必要がある。 これにより、ニューラルネットワークが学習セットからの情報をすべて保存するのではなく、それを汎化してオーバーフィッティングを回避できるようになる。 これは、重みが、構造を発見する代わりに、学習セットの詳細をシステムに学習させる場合に発生する。 これは、学習セットのサイズがモデルの複雑さに関連して小さすぎる場合に発生する。

隠れ層が存在するかどうか、予測するクラスが多い場合、ネットワークの出力層は、時々多くのユニットを持つことができます。

Advantages and Disadvantages of Neural Networks

Let us see few advantages and disadvantages of neural networks:

• Neural networks perform well with linear and nonlinear data but a common criticism of neural networks, especially in robotics, is they require a large diversity of training for real world operation.これは、特にロボット工学において、ニューラルネットワークが実際の運用に際して、多様な学習を必要とすることを批判するものである。 これは、どのような学習機械も、新しいケースに汎化できるようにする根本的な構造を捉えるために、十分な代表例を必要とするためです。
• ニューラルネットワークは、1 つまたは少数のユニットがネットワークに反応しなくても機能しますが、大規模で効果的なソフトウェアのニューラルネットワークを実装するには、多くの処理およびストレージ資源をコミットする必要があります。 脳にはニューロンのグラフを通して信号を処理するタスクに合わせたハードウェアがありますが、フォン・ノイマン技術で最も単純化した形でも、ニューラルネットワークの設計者はその接続のために何百万ものデータベース行を埋める必要があり、これは膨大なコンピュータのメモリとハードディスクのスペースを消費する可能性があります。 ユーザーはただ入力を与え、学習し、出力を待つだけです。

Conclusion

ANN は、既存のデータ分析技術を強化するシンプルな数学モデルであると考えられています。 人間の脳の力には及ばないが、それでも人工知能の基本的な構成要素である

。