เครือข่ายประสาทคืออะไร?

เครือข่ายประสาทเป็นชุดของอัลกอริทึมที่พยายามรับรู้ถึงความสัมพันธ์พื้นฐานในชุดข้อมูลผ่านกระบวนการที่เลียนแบบวิธีที่สมองมนุษย์ทำงาน ในแง่นี้เครือข่ายประสาทหมายถึงระบบของเซลล์ประสาทไม่ว่าจะเป็นอินทรีย์หรือสิ่งประดิษฐ์ในธรรมชาติ

เครือข่ายประสาทสามารถปรับให้เข้ากับการเปลี่ยนแปลงอินพุต; ดังนั้นเครือข่ายจะสร้างผลลัพธ์ที่ดีที่สุดโดยไม่จำเป็นต้องออกแบบเกณฑ์เอาต์พุตใหม่ แนวคิดของเครือข่ายประสาทซึ่งมีรากฐานมาปัญญาประดิษฐ์ได้รับความนิยมอย่างรวดเร็วในการพัฒนาระบบการซื้อขาย-

ประเด็นสำคัญ

เครือข่ายประสาทเป็นชุดของอัลกอริทึมที่เลียนแบบการดำเนินงานของสมองสัตว์เพื่อรับรู้ความสัมพันธ์ระหว่างข้อมูลจำนวนมาก
ดังนั้นพวกเขาจึงมีแนวโน้มที่จะคล้ายกับการเชื่อมต่อของเซลล์ประสาทและ synapses ที่พบในสมอง
พวกเขาใช้ในแอพพลิเคชั่นที่หลากหลายในบริการทางการเงินตั้งแต่การพยากรณ์และการวิจัยการตลาดไปจนถึงการตรวจจับการฉ้อโกงและการประเมินความเสี่ยง
เครือข่ายประสาทที่มีเลเยอร์กระบวนการหลายแห่งเรียกว่าเครือข่าย "ลึก" และใช้สำหรับอัลกอริทึมการเรียนรู้เชิงลึก
ความสำเร็จของเครือข่ายประสาทสำหรับการทำนายราคาในตลาดหุ้นแตกต่างกันไป

ภาพโดย Sabrina Jiang © Investopedia 2020

ทำความเข้าใจกับเครือข่ายประสาท

เครือข่ายประสาทในโลกแห่งการเงินช่วยในการพัฒนากระบวนการดังกล่าวเช่นการพยากรณ์อนุกรมเวลาการซื้อขายอัลกอริทึมการจำแนกประเภทหลักทรัพย์การสร้างแบบจำลองความเสี่ยงด้านเครดิตและการสร้างตัวชี้วัดและราคาที่เป็นกรรมสิทธิ์อนุพันธ์-

เครือข่ายประสาททำงานคล้ายกับเครือข่ายประสาทของสมองมนุษย์ “ เซลล์ประสาท” ในเครือข่ายประสาทเป็นฟังก์ชันทางคณิตศาสตร์ที่รวบรวมและจำแนกข้อมูลตามสถาปัตยกรรมเฉพาะ เครือข่ายมีความคล้ายคลึงกันอย่างมากกับวิธีการทางสถิติเช่นการวิเคราะห์เส้นโค้งและการวิเคราะห์การถดถอย

เครือข่ายประสาทมีเลเยอร์ของโหนดที่เชื่อมต่อกัน แต่ละโหนดเป็นที่รู้จักกันในชื่อ perceptron และคล้ายกับกการถดถอยเชิงเส้นหลายเส้น- Perceptron ฟีดสัญญาณที่เกิดจากการถดถอยเชิงเส้นหลายครั้งในฟังก์ชั่นการเปิดใช้งานที่อาจไม่เชิงเส้น

ประวัติความเป็นมาของเครือข่ายประสาท

แม้ว่าแนวคิดของเครื่องจักรแบบบูรณาการที่สามารถคิดได้ว่ามีมานานหลายศตวรรษ แต่ก็มีความก้าวหน้าที่ใหญ่ที่สุดในเครือข่ายประสาทในช่วง 100 ปีที่ผ่านมา ในปี 1943 วอร์เรนแมคคัลล็อกและวอลเตอร์พิตต์จากมหาวิทยาลัยอิลลินอยส์และมหาวิทยาลัยชิคาโกตีพิมพ์ "แคลคูลัสเชิงตรรกะของความคิดที่อยู่ในกิจกรรมประสาท" การวิจัยวิเคราะห์ว่าสมองสามารถสร้างรูปแบบที่ซับซ้อนได้อย่างไรและสามารถทำให้ง่ายขึ้นในโครงสร้างตรรกะไบนารีด้วยการเชื่อมต่อจริง/เท็จเท่านั้น

Frank Rosenblatt จาก Labratory การบินของ Cornell ได้รับการยกย่องจากการพัฒนาของ Perceptron ในปี 1958 งานวิจัยของเขาแนะนำน้ำหนักให้กับงานของ McColloch และ Pitt และ Rosenblatt ใช้ประโยชน์จากงานของเขาเพื่อแสดงให้เห็นว่าคอมพิวเตอร์สามารถใช้เครือข่ายประสาท

แม้ว่าจะมีการวิจัยที่แห้งแล้ง (ส่วนใหญ่เป็นเพราะคาถาแห้งในการระดมทุน) ในช่วงปี 1970 Paul Werbos มักจะให้เครดิตกับการมีส่วนร่วมหลักในช่วงเวลานี้ในวิทยานิพนธ์ปริญญาเอกของเขาจากนั้น Jon Hopfield นำเสนอ Hopfield Net ซึ่งเป็นกระดาษเกี่ยวกับเครือข่ายประสาทที่เกิดขึ้นอีกในปี 2525 นอกจากนี้แนวคิดของการย้อนกลับกลับมาใหม่และนักวิจัยหลายคนเริ่มเข้าใจศักยภาพของอวนประสาท

เมื่อเร็ว ๆ นี้โครงการเครือข่ายประสาทที่เฉพาะเจาะจงมากขึ้นจะถูกสร้างขึ้นเพื่อวัตถุประสงค์โดยตรง ตัวอย่างเช่น Deep Blue พัฒนาโดย IBM เอาชนะโลกหมากรุกโดยการผลักดันความสามารถของคอมพิวเตอร์ในการจัดการการคำนวณที่ซับซ้อนแม้ว่าจะเป็นที่รู้จักกันอย่างเปิดเผยในการเอาชนะแชมป์หมากรุกโลก แต่เครื่องจักรประเภทนี้ยังได้รับการยกระดับเพื่อค้นหายาใหม่ตลาดการเงินการวิเคราะห์แนวโน้มและดำเนินการคำนวณทางวิทยาศาสตร์ขนาดใหญ่

สำคัญ

การวิเคราะห์ล่าสุดจากห้องสมุดแห่งชาติ Los Alamos ช่วยให้นักวิเคราะห์สามารถเปรียบเทียบเครือข่ายประสาทที่แตกต่างกัน บทความนี้ถือเป็นส่วนสำคัญในการก้าวไปสู่ลักษณะพฤติกรรมของเครือข่ายประสาทที่แข็งแกร่ง

Perceptron หลายชั้น

ใน Perceptron (MLP) แบบหลายชั้น (MLP) จะถูกจัดเรียงในเลเยอร์ที่เชื่อมต่อกัน เลเยอร์อินพุตจะรวบรวมรูปแบบอินพุต เลเยอร์เอาต์พุตมีการจำแนกประเภทหรือสัญญาณเอาต์พุตซึ่งรูปแบบอินพุตอาจแมป ตัวอย่างเช่นรูปแบบอาจประกอบด้วยรายการปริมาณสำหรับตัวชี้วัดทางเทคนิคเกี่ยวกับความปลอดภัย ผลลัพธ์ที่อาจเกิดขึ้นอาจเป็น“ ซื้อ”“ ถือ” หรือ“ ขาย”

เลเยอร์ที่ซ่อนอยู่ปรับน้ำหนักการป้อนข้อมูลจนกระทั่งขอบของความผิดพลาดของเครือข่ายประสาทนั้นน้อยที่สุด มีการตั้งสมมติฐานว่าเลเยอร์ที่ซ่อนอยู่การคาดการณ์คุณสมบัติเด่นในข้อมูลอินพุตที่มีพลังงานทำนายเกี่ยวกับเอาต์พุต สิ่งนี้อธิบายถึงการสกัดคุณลักษณะซึ่งบรรลุผลประโยชน์คล้ายกับเทคนิคทางสถิติเช่นการวิเคราะห์องค์ประกอบหลัก

ประเภทของเครือข่ายประสาท

เครือข่ายประสาทไปข้างหน้า

เครือข่ายประสาทไปข้างหน้าเป็นหนึ่งในเครือข่ายประสาทที่เรียบง่ายกว่า มันสื่อถึงข้อมูลในทิศทางเดียวผ่านโหนดอินพุต ข้อมูลนี้ยังคงดำเนินการในทิศทางเดียวนี้จนกว่าจะถึงโหมดเอาต์พุต เครือข่ายประสาทไปข้างหน้าอาจมีเลเยอร์ที่ซ่อนอยู่สำหรับการทำงานและประเภทนี้มักใช้สำหรับเทคโนโลยีการจดจำใบหน้า

เครือข่ายประสาทกำเริบ

เครือข่ายประสาทที่ซับซ้อนมากขึ้นเครือข่ายประสาทที่เกิดขึ้นอีกใช้ผลลัพธ์ของโหนดการประมวลผลและส่งข้อมูลกลับเข้าไปในเครือข่าย สิ่งนี้ส่งผลให้ "การเรียนรู้" ทางทฤษฎีและการปรับปรุงเครือข่าย แต่ละโหนดเก็บกระบวนการทางประวัติศาสตร์และกระบวนการทางประวัติศาสตร์เหล่านี้จะถูกนำมาใช้ซ้ำในอนาคตระหว่างการประมวลผล

สิ่งนี้มีความสำคัญอย่างยิ่งสำหรับเครือข่ายที่การทำนายไม่ถูกต้อง ระบบจะพยายามเรียนรู้เหตุใดผลลัพธ์ที่ถูกต้องจึงเกิดขึ้นและปรับตาม เครือข่ายประสาทประเภทนี้มักจะใช้ในแอปพลิเคชันข้อความเป็นคำพูด

เครือข่ายประสาท

เครือข่ายประสาทของ Convolutional หรือที่เรียกว่า Convnets หรือ CNNs มีหลายเลเยอร์ที่ข้อมูลถูกจัดเรียงเป็นหมวดหมู่ เครือข่ายเหล่านี้มีเลเยอร์อินพุตเลเยอร์เอาต์พุตและเลเยอร์ convolutional จำนวนมากที่ซ่อนอยู่ในระหว่าง เลเยอร์สร้างแผนที่คุณลักษณะที่บันทึกพื้นที่ของภาพที่พังทลายลงไปอีกจนกว่าจะสร้างเอาต์พุตที่มีค่า เลเยอร์เหล่านี้สามารถรวมหรือเชื่อมต่อทั้งหมดและเครือข่ายเหล่านี้มีประโยชน์อย่างยิ่งสำหรับแอปพลิเคชันการจดจำภาพ

เครือข่ายประสาท Deconvolutional

Deconvolutional Neural Networks ทำงานในการย้อนกลับของเครือข่ายประสาท Convolutional แอปพลิเคชันของเครือข่ายคือการตรวจจับรายการที่อาจได้รับการยอมรับว่ามีความสำคัญภายใต้เครือข่ายประสาท รายการเหล่านี้น่าจะถูกยกเลิกในระหว่างกระบวนการดำเนินการเครือข่ายประสาท เครือข่ายประสาทประเภทนี้ยังใช้กันอย่างแพร่หลายสำหรับการวิเคราะห์ภาพหรือการประมวลผล

เครือข่ายประสาทแบบแยกส่วน

เครือข่ายประสาทแบบแยกส่วนมีหลายเครือข่ายที่ทำงานอย่างอิสระจากกัน เครือข่ายเหล่านี้ไม่ได้มีปฏิสัมพันธ์ซึ่งกันและกันในระหว่างกระบวนการวิเคราะห์ แต่กระบวนการเหล่านี้จะทำเพื่อให้กระบวนการคำนวณที่ซับซ้อนและซับซ้อนสามารถทำได้อย่างมีประสิทธิภาพมากขึ้น คล้ายกับอุตสาหกรรมโมดูลาร์อื่น ๆ เช่นอสังหาริมทรัพย์แบบแยกส่วนเป้าหมายของความเป็นอิสระของเครือข่ายคือการมีแต่ละโมดูลที่รับผิดชอบส่วนหนึ่งของภาพรวมโดยรวม

การประยุกต์ใช้เครือข่ายประสาท

เครือข่ายประสาทมีการใช้อย่างกว้างขวางพร้อมแอปพลิเคชันสำหรับการดำเนินงานทางการเงินการวางแผนองค์กรการซื้อขายการวิเคราะห์ธุรกิจและการบำรุงรักษาผลิตภัณฑ์ เครือข่ายประสาทยังได้รับการยอมรับอย่างกว้างขวางในการใช้งานทางธุรกิจเช่นการพยากรณ์และโซลูชั่นการวิจัยการตลาดการตรวจจับการฉ้อโกงและการประเมินความเสี่ยง-

เครือข่ายประสาทประเมินข้อมูลราคาและโอกาสในการค้นพบการตัดสินใจทางการค้าตามการวิเคราะห์ข้อมูล เครือข่ายสามารถแยกแยะการพึ่งพาซึ่งกันและกันแบบไม่เชิงเส้นและรูปแบบวิธีการอื่น ๆการวิเคราะห์ทางเทคนิคไม่สามารถ. จากการวิจัยความถูกต้องของเครือข่ายประสาทในการทำนายราคาสำหรับหุ้นแตกต่างกัน บางรุ่นทำนายราคาหุ้นที่ถูกต้อง 50 ถึง 60% ของเวลา ถึงกระนั้นคนอื่น ๆ ได้กล่าวว่าการปรับปรุงประสิทธิภาพ 10% เป็นนักลงทุนทุกคนที่สามารถขอได้จากเครือข่ายประสาท

เฉพาะสำหรับการเงินเครือข่ายประสาทสามารถประมวลผลข้อมูลธุรกรรมหลายแสนบิต สิ่งนี้สามารถแปลความเข้าใจที่ดีขึ้นเกี่ยวกับปริมาณการซื้อขายช่วงการซื้อขายความสัมพันธ์ระหว่างสินทรัพย์หรือการตั้งค่าความคาดหวังความผันผวนสำหรับการลงทุนบางอย่าง ในฐานะที่เป็นมนุษย์อาจไม่สามารถไหลผ่านข้อมูลได้อย่างมีประสิทธิภาพหลายปี

ข้อเท็จจริง

จะมีชุดข้อมูลและคลาสงานที่วิเคราะห์ได้ดีขึ้นโดยใช้อัลกอริทึมที่พัฒนาก่อนหน้านี้ มันไม่มากนักอัลกอริทึมที่สำคัญ; มันเป็นข้อมูลอินพุตที่เตรียมไว้อย่างดีในตัวบ่งชี้เป้าหมายซึ่งในที่สุดจะกำหนดระดับความสำเร็จของเครือข่ายประสาท

ข้อดีและข้อเสียของเครือข่ายประสาท

ข้อดีของเครือข่ายประสาท

เครือข่ายที่เป็นกลางที่สามารถทำงานได้อย่างต่อเนื่องและมีประสิทธิภาพมากกว่ามนุษย์หรือแบบจำลองการวิเคราะห์ที่ง่ายกว่า เครือข่ายประสาทยังสามารถตั้งโปรแกรมให้เรียนรู้จากผลลัพธ์ก่อนหน้าเพื่อกำหนดผลลัพธ์ในอนาคตตามความคล้ายคลึงกับอินพุตก่อนหน้า

เครือข่ายประสาทที่ใช้ประโยชน์จากคลาวด์ของบริการออนไลน์ยังได้รับประโยชน์จากการลดความเสี่ยงเมื่อเทียบกับระบบที่พึ่งพาในท้องถิ่นฮาร์ดแวร์เทคโนโลยี- นอกจากนี้เครือข่ายประสาทมักจะสามารถทำงานได้หลายงานพร้อมกัน (หรืออย่างน้อยก็แจกจ่ายงานที่จะดำเนินการโดยเครือข่ายแบบแยกส่วนในเวลาเดียวกัน)

สุดท้ายเครือข่ายประสาทจะถูกขยายไปยังแอปพลิเคชันใหม่อย่างต่อเนื่อง ในช่วงต้นเครือข่ายประสาทเชิงทฤษฎีนั้น จำกัด อยู่ที่การบังคับใช้ในสาขาต่าง ๆ เครือข่ายประสาทในปัจจุบันได้รับการยกระดับในด้านการแพทย์วิทยาศาสตร์การเงินการเกษตรหรือความมั่นคง

ข้อเสียของเครือข่ายประสาท

แม้ว่าเครือข่ายที่เป็นกลางอาจพึ่งพาแพลตฟอร์มออนไลน์ แต่ก็ยังมีส่วนประกอบฮาร์ดแวร์ที่จำเป็นในการสร้างเครือข่ายประสาท สิ่งนี้สร้างความเสี่ยงทางกายภาพของเครือข่ายที่ต้องอาศัยระบบที่ซับซ้อนข้อกำหนดการตั้งค่าและการบำรุงรักษาทางกายภาพที่อาจเกิดขึ้น

แม้ว่าความซับซ้อนของเครือข่ายประสาทจะมีความแข็งแกร่ง แต่อาจหมายความว่าต้องใช้เวลาหลายเดือน (ถ้าไม่นาน) ในการพัฒนาอัลกอริทึมเฉพาะสำหรับงานเฉพาะ นอกจากนี้อาจเป็นเรื่องยากที่จะพบข้อผิดพลาดหรือข้อบกพร่องใด ๆ ในกระบวนการโดยเฉพาะอย่างยิ่งหากผลลัพธ์คือการประมาณการหรือช่วงทฤษฎี

เครือข่ายประสาทอาจเป็นเรื่องยากที่จะตรวจสอบ กระบวนการเครือข่ายประสาทบางอย่างอาจรู้สึกว่า "เหมือนกล่องดำ" ที่ป้อนอินพุตเครือข่ายดำเนินการกระบวนการที่ซับซ้อนและมีการรายงานเอาต์พุต นอกจากนี้ยังอาจเป็นเรื่องยากสำหรับบุคคลที่จะวิเคราะห์จุดอ่อนภายในกระบวนการคำนวณหรือการเรียนรู้ของเครือข่ายหากเครือข่ายขาดทั่วไปความโปร่งใสเกี่ยวกับวิธีการเรียนรู้โมเดลเกี่ยวกับกิจกรรมก่อนหน้านี้

เครือข่ายประสาท

ผู้เชี่ยวชาญ

มักจะทำงานได้อย่างมีประสิทธิภาพมากขึ้นและนานกว่ามนุษย์
สามารถตั้งโปรแกรมให้เรียนรู้จากผลลัพธ์ก่อนหน้าเพื่อพยายามคำนวณการคำนวณในอนาคตที่ชาญฉลาดขึ้นอย่างชาญฉลาด
มักใช้ประโยชน์จากบริการออนไลน์ที่ลด (แต่ไม่กำจัด) ความเสี่ยงอย่างเป็นระบบ
มีการขยายอย่างต่อเนื่องในสาขาใหม่ที่มีปัญหายากขึ้น

ข้อเสีย

ยังคงพึ่งพาฮาร์ดแวร์ที่อาจต้องใช้แรงงานและความเชี่ยวชาญในการบำรุงรักษา
อาจใช้เวลานานในการพัฒนารหัสและอัลกอริทึม
อาจเป็นเรื่องยากที่จะประเมินข้อผิดพลาดหรือการปรับตัวให้เข้ากับสมมติฐานว่าระบบเป็นการเรียนรู้ด้วยตนเอง แต่ขาดความโปร่งใส
มักจะรายงานช่วงโดยประมาณหรือจำนวนเงินโดยประมาณที่อาจไม่เป็นจริง

ส่วนประกอบของเครือข่ายประสาทคืออะไร?

มีสามองค์ประกอบหลัก: อินพุตในภายหลังเลเยอร์การประมวลผลและเลเยอร์เอาต์พุต อินพุตอาจมีน้ำหนักตามเกณฑ์ต่างๆ ภายในเลเยอร์การประมวลผลซึ่งซ่อนอยู่จากมุมมองมีโหนดและการเชื่อมต่อระหว่างโหนดเหล่านี้ซึ่งหมายถึงการคล้ายคลึงกับเซลล์ประสาทและ synapses ในสมองสัตว์

เครือข่ายประสาทลึกคืออะไร?

ยังเป็นที่รู้จักกันในนามเครือข่ายการเรียนรู้ลึกซึ่งเป็นเครือข่ายประสาทลึกที่พื้นฐานที่สุดคือหนึ่งที่เกี่ยวข้องกับเลเยอร์การประมวลผลสองชั้นขึ้นไป เครือข่ายประสาทลึกพึ่งพาเครือข่ายการเรียนรู้ของเครื่องที่พัฒนาอย่างต่อเนื่องโดยเปรียบเทียบผลลัพธ์โดยประมาณกับผลลัพธ์จริงจากนั้นปรับเปลี่ยนการคาดการณ์ในอนาคต

3 องค์ประกอบของเครือข่ายประสาทคืออะไร?

เครือข่ายประสาททั้งหมดมีสามองค์ประกอบหลัก ขั้นแรกอินพุตคือข้อมูลที่ป้อนลงในเครือข่ายที่จะวิเคราะห์ ประการที่สองเลเยอร์การประมวลผลใช้ข้อมูล (และความรู้ก่อนหน้าของชุดข้อมูลที่คล้ายกัน) เพื่อกำหนดผลลัพธ์ที่คาดหวัง ผลลัพธ์นั้นเป็นองค์ประกอบที่สามและองค์ประกอบที่สามนี้เป็นผลิตภัณฑ์สุดท้ายที่ต้องการจากการวิเคราะห์

บรรทัดล่าง

เครือข่ายประสาทมีความซับซ้อนระบบรวมที่สามารถทำการวิเคราะห์ลึกและเร็วกว่าความสามารถของมนุษย์ มีเครือข่ายประสาทหลายประเภทซึ่งมักจะเหมาะที่สุดสำหรับวัตถุประสงค์และผลลัพธ์ที่แตกต่างกัน ในด้านการเงินเครือข่ายประสาทถูกใช้เพื่อวิเคราะห์ประวัติการทำธุรกรรมเข้าใจการเคลื่อนไหวของสินทรัพย์และทำนายผลลัพธ์ของตลาดการเงิน