Neural networks er en type af Supervised Learning-algoritme, der er inspireret af den måde, hjernen fungerer på. Algoritmen består af et netværk af kunstige neuroner, der er forbundet med hinanden. Hver neuron modtager input fra andre neuroner, beregner en vægtet sum af inputtet og aktiveres, hvis summen overstiger en vis tærskelværdi. Neural networks bruges til at løse komplekse problemer som billedgenkendelse og talegenkendelse.
Neural Networks er et ret tung emne, specielt fordi der er meget matematik i. Det er vores sidste rigtige ML emne, som vi gennemgår på kurset.
DNN (Deep Neural Network) er en type af neural netværk, der har mange lag. Det gør det muligt for DNN at lære og modellere komplekse mønstre og relationer i data.
Vi bruger eller har allerede brugt emnet i slutningen af opgave 2 til regressionsanalyse.
https://github.com/MAGS-Template/MachineLearning
Vi har snakket om den et par gange, men det her er ofte måden vi visualisere vores DNN. Som minimum har den et inputlag og et outputlag, men for at det er et reelt DNN skal der være nogle gemte lag i midten som står for vores træning.
#Modellen ville se sådan her ud, ved brug af keras.
keras.Sequential([
norm,
layers.Dense(4, input_dim=4),
layers.Dense(5, activation='relu'),
layers.Dense(5, activation='relu'),
layers.Dense(1)
])
DNN er en overordnet kategori, der indeholder forskellige specifikke typer af dybe neurale netværk, herunder Convolutional Neural Networks (CNN) og Recurrent Neural Networks (RNN).
Convolutional Neural Networks (CNN) er en type DNN, der er specielt designet til at behandle pixel data, såsom billeder. CNN'er er særligt gode til at genkende mønstre i billeder, da de kan tage højde for strukturen i data.
Recurrent Neural Networks (RNN) er en anden type DNN, der er specielt designet til at håndtere sekventiel data, såsom time-series eller naturligt sprog. RNN'er har en form for "hukommelse" i form af skjulte lag, der kan holde information fra tidligere skridt i sekvensen, hvilket gør dem i stand til at tage højde for konteksten i data.
3B1B har lavet en 4 dels video omkring Neurale netværk, her tager han det helt ned til det matematiske fundament og forklare hvordan en maskine lære. Vi ser video 1 sammen og resten er frivillig lektie! Hvis det er stemning for det, kan vi se de 3 resterende videoer sammen, for dem der vil.
But what is a neural network? | Chapter 1, Deep learning
Recurrent Neural Networks (RNN) er en type af Neural Networks, der bruges til at analysere sekvensdata. RNN er designet til at arbejde med data, der varierer i tid eller rækkefølge, såsom sprog, tidsserier og musik. RNN-brugerne kan tage tidligere oplysninger i betragtning og bruge dem til at påvirke den nuværende beregning og output.
Et eksempel på RNN i aktieprisforudsigelse kan være at bruge tidligere dages aktiekurser til at forudsige den fremtidige kurs. Algoritmen kan trænes på tidligere data og bruge det til at forudsige, hvordan priserne vil udvikle sig i fremtiden. RNN kan også bruges til at analysere markedsadfærd og forudsige, hvordan priserne vil reagere på forskellige faktorer, såsom nyheder og politiske begivenheder. Ved at bruge RNN kan man foretage mere præcise forudsigelser af aktiekursudviklingen og træffe bedre beslutninger om køb og salg af aktier.
Stock Price Prediction Project using TensorFlow - GeeksforGeeks