Introducción de BNN

El aprendizaje profundo y las redes neuronales han transformado la forma en que vivimos. Desde su introducción, los científicos los han usado para abordar miles de problemas, incorporándolos en prácticamente todos los entornos. Los autos autónomos más populares enfrentan reconocimiento, monitoreo, negocios y otras tecnologías. Hay varias redes neuronales basadas en diferentes casos de uso, cada una adecuada para una determinada aplicación. Pasaremos por la red neuronal bayesiana, su arquitectura y sus ventajas y desventajas en este artículo.

¿Qué es una red neuronal??

El cerebro humano artificial se construye y se programa para resolver varios problemas complicados en una fracción de segundos, posiblemente debido a las neuronas presentes dentro del cerebro. Al construir una red neuronal, tratamos de implementar la funcionalidad de las neuronas cerebrales artificialmente a través de las matemáticas. La red de neuronas artificiales se conoce como una red neuronal.

El objetivo principal es imitar las funciones del cerebro humano. Similar a cómo las neuronas en las señales de transferencia de cerebro humano que ayudan a un individuo a reaccionar a una situación de entrada dada, las redes neuronales se construyen utilizando varias capas de perceptrones que comunican un número real o un valor continuo (señal) que muestra la salida. La siguiente figura muestra la representación gráfica de una red neuronal con diferentes capas.

Hay tres tipos de capas en una red neuronal:

• Capa de entrada: Esta es la capa que recibe la entrada del usuario. Estos se llaman popularmente las características de la salida.
• Capa oculta: Esta capa se encuentra entre las capas de entrada y salida. Todos los cálculos de complejo matemático necesarios se realizan aquí. Aquí es donde las redes neuronales aprenden a resolver el problema dado.
• Capa de salida: Esta capa se suministra después de varias transformaciones y optimizaciones.

Cada capa densa tiene nodos que están conectados a otras capas por bordes. Pesas Significando el valor de la información asignada a cada nodo se asignan a estos bordes. Un peso positivo indica que el nodo está involucrado en una conexión excitadora, mientras que un peso negativo indica que el nodo está involucrado en una conexión inhibitoria.

Teorema de Bayes

El teorema de Bayes es una expresión de probabilidades o una fórmula para descubrir una probabilidad condicional de un evento particular (incluso a) dada la ocurrencia de otro (evento B) segundo evento utilizando información actualizada de (i) su probabilidad condicional inversa, (ii) La probabilidad incondicionada (anterior) del primer evento reclamado, y (iii) la probabilidad incondicionada del segundo evento probatorio.

La clasificación de texto es la más popular. En diferentes situaciones de aprendizaje automático, el teorema de Bayes se emplea comúnmente. El teorema de Bayes tiene la siguiente fórmula:

¿Qué es una red neuronal bayesiana??

Una red bayesiana es un modelo estadístico utilizado para varios campos y enfoques de minería de datos. Las redes bayesianas ilustran la interdependencia entre variables que utilizan modelos probabilísticos, en los que cada variable toma su valor de su distribución discreta con probabilidad previa conocida. Los nodos anteriores y posteriores de esta red incluyen las distribuciones de probabilidad para las variables ocultas. En contraste, el nodo posterior contiene la distribución de probabilidad condicional de las variables ocultas dados valores observados de variables visibles. La ventaja de Bayes Net sobre otros algoritmos es que no requiere un conjunto de entrenamiento con clasificaciones de etiquetas de verdad de tierra para realizar clasificaciones en lugar de depender del aprendizaje de la estructura o la estimación de los parámetros.

Red neural artificial (ANN) VS. Red neuronal bayesiana

Anns El modelo es cómo un cerebro biológico resuelve problemas con vastas grupos de neuronas biológicas conectadas para formar una red. Anns se basa en una extensa colección de unidades neuronales. Las redes neuronales son redes altamente estructuradas con tres capas: entrada, salida y capas ocultas, que son cualquier nivel entre las capas de entrada y salida y principalmente realizando cálculos algebraicos lineales para obtener el resultado.

Redes bayesianas son un modelo gráfico acíclico probabilístico dirigido (una especie de modelo estadístico) que utiliza un gráfico acíclico dirigido para describir una colección de variables aleatorias y sus dependencias condicionales.

Ventajas de las redes neuronales bayesianas

1. Las redes bayesianas son universalmente útiles porque su algoritmo de funcionamiento está estrechamente vinculado al mundo real.
2. Las redes neuronales bayesianas calculan las incertidumbres de predicción automáticamente.
3. Abordan los problemas de sobreajuste teniendo en cuenta las distribuciones de peso.

Desventajas de las redes neuronales bayesianas

1. Requieren una comprensión bastante versada de las estadísticas y las matemáticas.
2. Son desafiantes para entrenar y tardar mucho en entrenar.

¿Por qué usar BNNS?

1. Los BNN no usan directamente los pesos para el entrenamiento. En cambio, usan distribuciones de pesas para el entrenamiento y, en última instancia, evitan el problema de sobreajuste.
2. Proporcionan un enfoque natural para calcular la incertidumbre automáticamente.

Conclusión

Ahora sabemos que una red neuronal es solo una red de neuronas artificiales que colaboran para resolver varios problemas del mundo real. La red neuronal artificial es el tipo más simple de red neuronal. La red bayesiana es otro tipo de red neuronal que funciona con probabilidad y está estrechamente vinculada a los desafíos del mundo real. Sin embargo, a veces es difícil entrenar y requiere un buen dominio de las matemáticas.