Resource Data

人工神经网络通常用于图像或语音识别、预测或欺诈检测。在某些领域，结果甚至比人类的预测还要好。然而，为了实现这些命中率，网络必须首先使用大量测试数据进行广泛的训练。如果没有足够的测试数据或只能在运行时生成，遗传算法提供了训练网络的替代方法。

人工智能 (AI) 和神经网络是每个人都在谈论的话题。人工智能在过去几十年里经历了起起落落，目前正处于最激动人心的阶段之一。借助图形卡等硬件（实际上用于复杂的 3D 计算机游戏或大型云数据中心），现在可以使用令人难以置信的计算能力在可管理的时间内计算算法背后的复杂数学。

但所有这些术语的背后是什么？它们应该如何分类？什么是遗传算法以及它们如何帮助神经网络学习？

下面的博文描述了

人工神经网络的构建和应用，
遗传算法的基础知识，
这些如何支持神经网络的训练以及
使用清晰的示例 GeneticSnake 来应用这两个主题。
人工神经网络
人工智能 (AI) 是计算机科学的一个分支，致力于将人类学习和行为 比利时消费者电子邮件列表 转移到计算机上。目标是让计算机能够做出独立的预测和决策。强人工智能旨在模仿甚至超越人类的智力能力。目前我们距离这个目标还有很长的路要走。弱人工智能旨在专注于具体问题，通过最大计算能力取得比可比人类表现更好的结果。这方面的例子包括图像和语音识别、广告和癌症检测。

人工智能的另一个组成部分是机器学习，它试图从数据中获取知识。这可以是信息或模式。为此，需要使用大量数据来训练数学模型，以预测所需质量的某些结果。基于训练数据，设计了一个模型，该模型通常可以预测输入数据和结果之间的关系。

必须对训练数据进行重要区分：

一些训练数据已经包含正确的结果，也称为标签（类别、目标）。例如，这些可以是数百万张图像的数据集，显示各个图像中可以看到的内容（生物、日常物体、数字、字母）。
其他训练数据不提供任何结果，例如不知道是否存在欺诈的信用卡交易。这里必须使用其他模型。
机器学习分为三类：

无监督训练——这是模型可以对数据进行分组或检测异常的地方，因为没有结果。
监督训练——模型可以根据未知输入预测结果，因为它们有结果可供训练。
在强化学习（也被戏称为痛苦训练）中，智能体的行动是根据奖励确定的。
近年来，得益于当前计算机系统的计算能力，各种架构的神经网络在监督学习领域经历了复兴。一旦网络具有更复杂的架构，我们就会谈论深度学习。


神经网络是根据人脑的结构建模的。每个神经网络都有许多神经元，也称为感知器，并被组织成层。每个神经元都与其每层中的前任和后继神经元相连。连接由不同的权重决定。每个神经元使用激活函数计算所有输入信号，然后决定是否将结果传递给其后继神经元。此外，还有一个阈值（偏差）可以进一步细化结果的计算。神经网络专门针对不同架构中的特定应用，从而定义输入数据和适当结果之间的关系。当一张未知的猫图像被传递到图像识别网络时，它应该预测它是一只猫。神经网络基本上由接受数据的输入层、发生“智能”的一个或多个隐藏层以及提供预测的输出层组成。例如，这种预测可能包括“狗还是猫”之间的选择、欺诈案件的问题或明天的股票价格。