Scholar Hub/Chủ đề/#mạng nơ ron/
Mạng nơ-ron (neural network) là một mô hình toán học được tạo ra để mô phỏng cấu trúc và hoạt động của hệ thống nơ-ron trong não người. Nó được sử dụng trong lĩ...
Mạng nơ-ron (neural network) là một mô hình toán học được tạo ra để mô phỏng cấu trúc và hoạt động của hệ thống nơ-ron trong não người. Nó được sử dụng trong lĩnh vực trí tuệ nhân tạo và học máy như một phương pháp để xử lý thông tin, nhận biết mẫu và thực hiện các công việc thông minh.
Mạng nơ-ron được tạo ra từ các thành phần cơ bản là nơ-ron nhân tạo. Mỗi nơ-ron nhân tạo nhận đầu vào, xử lý thông tin bằng cách tính tổng trọng số của các đầu vào, sau đó áp dụng hàm kích hoạt để tạo ra đầu ra. Các nơ-ron nhân tạo được kết nối với nhau thông qua các kết nối trọng số. Quá trình này được thực hiện qua các lớp nơ-ron trong mạng, gồm lớp đầu vào, lớp ẩn và lớp đầu ra.
Mạng nơ-ron có khả năng học từ dữ liệu thông qua quá trình điều chỉnh các kết nối trọng số dựa trên đầu vào và đầu ra mong muốn. Quá trình học này được thực hiện thông qua thuật toán lan truyền ngược (backpropagation), trong đó mạng nơ-ron tự động điều chỉnh các trọng số để giảm sai số giữa đầu ra thực tế và đầu ra mong muốn.
Mạng nơ-ron đã trở thành một công cụ quan trọng trong nhiều ứng dụng như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, dự báo tài chính và thị trường, và nhiều lĩnh vực khác.
Mạng nơ-ron là một mô hình tính toán được cấu thành từ một tập hợp các nơ-ron nhân tạo (artificial neurons), hay còn gọi là perceptron. Mỗi nơ-ron nhân tạo đại diện cho một đơn vị tính toán cơ bản trong mạng. Nó nhận đầu vào từ các nơ-ron khác hoặc từ nguồn dữ liệu bên ngoài, xử lý thông tin và tạo ra đầu ra.
Cấu trúc của một mạng nơ-ron gồm ba loại lớp: lớp đầu vào (input layer), lớp ẩn (hidden layer) và lớp đầu ra (output layer). Lớp đầu vào nhận các giá trị đầu vào ban đầu của mạng. Lớp đầu ra chịu trách nhiệm tạo ra kết quả cuối cùng của mạng. Trong khi đó, các lớp ẩn bên trong mạng nơ-ron có thể có nhiều lớp và con số nơ-ron trong mỗi lớp có thể khác nhau.
Các nơ-ron trong mạng nơ-ron được kết nối với nhau thông qua các kết nối trọng số (weighted connections). Mỗi kết nối có một trọng số tương ứng, thể hiện mức độ quan trọng của nơ-ron đầu vào đối với nơ-ron đích. Trọng số này điều chỉnh độ ảnh hưởng của nơ-ron đầu vào lên quá trình tính toán của nơ-ron đích.
Một nơ-ron trong mạng nơ-ron tính tổng trọng số của tất cả các đầu vào và áp dụng một hàm kích hoạt (activation function) để tạo ra đầu ra. Hàm kích hoạt có chức năng biến đổi giá trị tổng trọng số để định rõ liệu một nơ-ron có phải được kích hoạt và truyền giá trị đến các nơ-ron khác hay không. Một số hàm kích hoạt phổ biến là hàm sigmoid, hàm ReLU và hàm tanh.
Quá trình huấn luyện mạng nơ-ron thường được thực hiện thông qua thuật toán lan truyền ngược (backpropagation). Khi mạng nơ-ron tạo ra đầu ra, sai số giữa đầu ra thực tế và đầu ra mong muốn được tính toán. Sau đó, thông qua thuật toán lan truyền ngược, các trọng số trong mạng được điều chỉnh ngược lại để giảm thiểu sai số đó. Quá trình này được lặp lại nhiều lần để cải thiện hiệu suất của mạng.
Mạng nơ-ron có khả năng tự học từ dữ liệu thông qua việc tinh chỉnh trọng số và các thông số khác. Quá trình này được gọi là học tập (learning) trong mạng nơ-ron. Với độ lớn và độ phức tạp của mạng nơ-ron, nó có khả năng học và phân loại các mẫu phức tạp và không tuyến tính trong dữ liệu.
Mạng nơ-ron đã chứng tỏ được hiệu quả và ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm nhận dạng ảnh và âm thanh, xử lý ngôn ngữ tự nhiên, dự báo và phân tích dữ liệu, trò chơi điện tử và robot học. Với sự phát triển của công nghệ và tăng cường của các thuật toán học sâu như mạng nơ-ron sâu (deep neural network), mạng nơ-ron đang trở thành một công cụ mạnh mẽ trong lĩnh vực trí tuệ nhân tạo và học máy.
Phân loại ImageNet bằng mạng nơ-ron tích chập sâu Dịch bởi AI Communications of the ACM - Tập 60 Số 6 - Trang 84-90 - 2017
Chúng tôi đã huấn luyện một mạng nơ-ron tích chập sâu lớn để phân loại 1,2 triệu hình ảnh độ phân giải cao trong cuộc thi ImageNet LSVRC-2010 thành 1000 lớp khác nhau. Trên dữ liệu kiểm tra, chúng tôi đạt được tỷ lệ lỗi top-1 và top-5 lần lượt là 37,5% và 17,0%, điều này tốt hơn nhiều so với công nghệ tiên tiến trước đó. Mạng nơ-ron có 60 triệu tham số và 650.000 nơ-ron, bao gồm năm lớp tí...... hiện toàn bộ #ImageNet #mạng nơ-ron tích chập sâu #phân loại hình ảnh #quy tắc dropout #hiệu suất mạng nơ-ron
Mạng nơ-ron và các hệ thống vật lý với khả năng tính toán tập hợp phát sinh. Dịch bởi AI Proceedings of the National Academy of Sciences of the United States of America - Tập 79 Số 8 - Trang 2554-2558 - 1982
Các đặc tính tính toán của việc sử dụng các sinh vật sống hoặc xây dựng máy tính có thể xuất hiện như những thuộc tính tập hợp của các hệ thống có một số lượng lớn các thành phần đơn giản tương đương (hoặc nơ-ron). Ý nghĩa vật lý của bộ nhớ có thể tìm kiếm theo nội dung được mô tả bởi một dòng không gian pha thích hợp của trạng thái của một hệ thống. Một mô hình cho hệ thống như vậy được c...... hiện toàn bộ Giảm Kích Thước Dữ Liệu Bằng Mạng Nơ-ron Dịch bởi AI American Association for the Advancement of Science (AAAS) - Tập 313 Số 5786 - Trang 504-507 - 2006
Dữ liệu nhiều chiều có thể được chuyển đổi thành các mã thấp chiều bằng cách huấn luyện một mạng nơ-ron đa lớp với lớp trung tâm nhỏ để tái tạo các vector đầu vào nhiều chiều. Phương pháp giảm gradient có thể được sử dụng để tinh chỉnh các trọng số trong các mạng 'autoencoder' như vậy, nhưng điều này chỉ hoạt động tốt nếu các trọng số ban đầu gần với một giải pháp tốt. Chúng tôi mô tả một ...... hiện toàn bộ #giảm kích thước dữ liệu #mạng nơ-ron #autoencoder #phân tích thành phần chính #học sâu #khởi tạo trọng số
Thành công trong môi trường cạnh tranh động: Năng lực tổ chức như sự hội nhập tri thức Dịch bởi AI Organization Science - Tập 7 Số 4 - Trang 375-387 - 1996
Điều kiện thị trường không ổn định do đổi mới và sự gia tăng cường độ và đa dạng hoá cạnh tranh đã dẫn đến việc năng lực tổ chức thay vì phục vụ thị trường trở thành cơ sở chính để các công ty xây dựng chiến lược dài hạn của mình. Nếu tài nguyên chiến lược quan trọng nhất của công ty là tri thức, và nếu tri thức tồn tại dưới hình thức chuyên biệt giữa các thành viên trong tổ chức, thì bản...... hiện toàn bộ #năng lực tổ chức #hội nhập tri thức #thị trường cạnh tranh #động lực cạnh tranh #quan điểm dựa trên tài nguyên #mạng lưới công ty #học hỏi tổ chức #lợi thế cạnh tranh #phản ứng linh hoạt.
Phân tích thành phần chính phi tuyến sử dụng mạng nơ-ron tự liên kết Dịch bởi AI AICHE Journal - Tập 37 Số 2 - Trang 233-243 - 1991
Tóm tắtPhân tích thành phần chính phi tuyến (NLPCA) là một kỹ thuật mới cho phân tích dữ liệu đa biến, tương tự như phương pháp phân tích thành phần chính (PCA) nổi tiếng. NLPCA, giống như PCA, được sử dụng để xác định và loại bỏ các mối tương quan giữa các biến vấn đề nhằm hỗ trợ giảm chiều, trực quan hóa và phân tích dữ liệu khám phá. Trong khi PCA chỉ xác định c...... hiện toàn bộ #Phân tích thành phần chính phi tuyến #mạng nơ-ron #giảm chiều #phân tích dữ liệu #tương quan phi tuyến
Mạng Nơ-ron Tích Chập Sâu và Nơ-ron Tái Kết Nối LSTM cho Nhận Diện Hoạt Động Đeo Được Đa Mô Đun Dịch bởi AI Sensors - Tập 16 Số 1 - Trang 115
Nhận diện hoạt động con người (HAR) thường được giải quyết bằng cách sử dụng các đặc trưng kỹ thuật được thu thập thông qua các quy trình heuristics. Nghiên cứu hiện tại cho thấy rằng các mạng nơ-ron tích chập sâu (CNN) rất phù hợp để tự động hóa quá trình trích xuất đặc trưng từ các dữ liệu cảm biến thô. Tuy nhiên, các hoạt động của con người bao gồm các chuỗi chuyển động phức tạp, và việ...... hiện toàn bộ #Nhận diện hoạt động con người #mạng nơ-ron tích chập sâu #mạng nơ-ron hồi tiếp LSTM #cảm biến đeo được #xử lý đa mô đun
Khoáng vật oxit mangan: Cấu trúc tinh thể và tầm quan trọng kinh tế và môi trường Dịch bởi AI Proceedings of the National Academy of Sciences of the United States of America - Tập 96 Số 7 - Trang 3447-3454 - 1999
Các khoáng vật oxit mangan đã được sử dụng trong hàng nghìn năm—bởi người xưa để chế tạo thuốc nhuộm và làm trong suốt kính, và ngày nay là quặng mangan, xúc tác, và vật liệu cho pin. Hơn 30 khoáng vật oxit mangan xuất hiện trong nhiều bối cảnh địa chất khác nhau. Chúng là thành phần chính của các hạt mangan trải rộng trên diện tích lớn của đáy đại dương và đáy nhiều hồ nước ngọt. Các khoá...... hiện toàn bộ Phân loại COVID-19 trong hình ảnh X-quang ngực bằng mạng nơ-ron tích chập sâu DeTraC Dịch bởi AI Springer Science and Business Media LLC - - 2021
Tóm tắtHình ảnh X-quang ngực là kỹ thuật chẩn đoán hình ảnh đầu tiên đóng vai trò quan trọng trong chẩn đoán bệnh COVID-19. Nhờ vào sự sẵn có cao của các tập dữ liệu hình ảnh được chú thích quy mô lớn, đã đạt được nhiều thành công lớn trong việc sử dụng mạng nơ-ron tích chập (CNN) cho nhận diện và phân loại hình ảnh. Tuy nhiên, do sự hạn ...... hiện toàn bộ #COVID-19 #X-quang ngực #mạng nơ-ron tích chập sâu #DeTraC #học chuyển giao
