Scholar Hub/Chủ đề/#mạng nơ-ron/
Mạng nơ-ron là một hệ thống tính toán tự động thực hiện các tác vụ dự đoán, nhận biết và phân loại thông qua việc sử dụng một số lượng lớn nơ-ron nhân tạo kết n...
Mạng nơ-ron là một hệ thống tính toán tự động thực hiện các tác vụ dự đoán, nhận biết và phân loại thông qua việc sử dụng một số lượng lớn nơ-ron nhân tạo kết nối với nhau. Mạng nơ-ron được mô phỏng dựa trên cấu trúc và hoạt động của hệ thống thần kinh trong não người. Mỗi nơ-ron nhân tạo trong mạng nơ-ron nhận đầu vào từ các nơ-ron khác, tính toán và truyền đầu ra của mình cho các nơ-ron khác trong mạng. Điều này cho phép mạng nơ-ron học và thiết lập các mối quan hệ, đồng thời làm tăng hiệu suất và chính xác trong việc xử lý thông tin và thực hiện các tác vụ phức tạp.
Mạng nơ-ron có hai thành phần chính: nơ-ron và các kết nối giữa chúng. Mỗi nơ-ron nhân tạo trong mạng nơ-ron được mô phỏng dựa trên cấu trúc của các nơ-ron sinh học. Nơ-ron nhân tạo nhận đầu vào từ các nơ-ron khác hoặc từ môi trường xung quanh, và sau đó tính toán đầu ra của nó bằng cách áp dụng một hàm kích hoạt. Hàm kích hoạt này có thể là hàm sigmoid, hàm ReLU hoặc các hàm không tuyến tính khác.
Các nơ-ron trong mạng được kết nối với nhau thông qua các kết nối có trọng số. Mỗi kết nối có trọng số tương ứng với mức độ quan trọng của tín hiệu từ nơ-ron gửi đến nơ-ron nhận. Khi nơ-ron nhận một tín hiệu đầu vào, nó tính toán tổng trọng số của các tín hiệu này và áp dụng hàm kích hoạt để tính toán đầu ra của mình. Đầu ra này sau đó truyền thông qua các kết nối đến các nơ-ron khác để tiếp tục quá trình tính toán.
Quá trình tính toán được thực hiện trong mạng nơ-ron thông qua việc truyền ngược. Đầu tiên, mạng nhận đầu vào và tính toán đầu ra tương ứng. Sau đó, so sánh đầu ra tính toán với đầu ra mong đợi và tính toán sai số. Sai số này được truyền ngược qua mạng, điều chỉnh các trọng số để tối thiểu hóa sai số. Quá trình này được lặp lại cho tất cả các mẫu đào tạo trong quá trình học của mạng, để tạo ra một mô hình mạng nơ-ron tốt hơn và chính xác hơn.
Mạng nơ-ron có thể có nhiều lớp nơ-ron, gồm lớp đầu vào, lớp ẩn và lớp đầu ra. Lớp đầu vào nhận giá trị đầu vào ban đầu, lớp đầu ra cho đầu ra cuối cùng và các lớp ẩn xử lý thông tin và tính toán trung gian. Mạng nơ-ron có thể có hàng trăm hoặc thậm chí hàng ngàn nơ-ron và hàng triệu kết nối giữa chúng, tạo thành một mạng rất phức tạp và mạnh mẽ.
Mạng nơ-ron được sử dụng trong các lĩnh vực như máy học, trí tuệ nhân tạo, xử lý ngôn ngữ tự nhiên, nhận dạng hình ảnh, xử lý tín hiệu, dự báo và nhiều lĩnh vực khác. Sự phức tạp và khả năng học tập tự động của mạng nơ-ron đã giúp nó trở thành một công cụ quan trọng trong nhiều ứng dụng và nghiên cứu.
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
