artificial intelligence is playing an ever increasing function in the lives of civilized nations, though most citizens most likely don’t recognize it. It’s now commonplace to speak with a computer when calling a business. Facebook is ending up being frightening precise at acknowledging faces in uploaded photos. Physical interaction with wise phones is ending up being a thing of the past… with Apple’s Siri as well as Google Speech, it’s slowly however surely ending up being easier to just talk to your phone as well as tell it what to do than typing or touching ايقونة. try this if you haven’t before — if you have an Android phone, state “OK Google”, complied with by “Lumos”. انه سحر!

Advertisements for products we’re thinking about appear on our social network accounts as if something is reading our minds. reality is, something is reading our minds… though it’s difficult to pin down precisely what that something is. An advertisement may appear for something that we want, even though we never realized we desired it up until we see it. This is not coincidental, however stems from an AI algorithm.

At the heart of many of these AI applications lies a process understood as Deep Learning. There has been a great deal of talk about Deep discovering lately, not only right here on Hackaday, however around the interwebs. as well as like most things associated to AI, it can be a bit challenging as well as difficult to comprehend without a strong background in computer science.

If you’re familiar with my quantum theory articles, you’ll understand that I like to take challenging subjects, strip away the complication the very best I can as well as explain it in a method that anyone can understand. It is the goal of this article to apply a similar approach to this concept of Deep Learning. If neural networks make you cross-eyed as well as machine discovering provides you nightmares, checked out on. You’ll see that “Deep Learning” seems like a daunting subject, however is truly just a $20 term utilized to explain something whose underpinnings are fairly simple.

التعلم الالي

When we program a machine to perform a task, we compose the directions as well as the machine performs them. For example, LED on… LED off… there is no requirement for the machine to understand the expected result after it has completed the instructions. There is no reason for the machine to understand if the LED is on or off. It just does what you told it to do. With machine learning, this process is flipped. We tell the machine the result we want, as well as the machine ‘learns’ the directions to get there. There are a number of methods to do this, however let us focus on an simple example:

Early neural network from MIT
If I were to ask you to make a bit robot that can guide itself to a target, a simple method to do this would be to put the robot as well as target on an XY Cartesian plane, as well as then program the robot to go so many units on the X axis, as well as then so many units on the Y axis. This simple technique has the robot just bring out instructions, without really understanding where the target is.  It works only when you understand the coordinates for the starting point as well as target. If either changes, this approach would not work.

Machine discovering enables us to offer with altering coordinates. We tell our robot to discover the target, as well as let it figure out, or learn, its own directions to get there. One method to do this is have the robot discover the distance to the target, as well as then move in a random direction. Recalculate the distance, move back to where it started as well as record the distance measurement. Repeating this process will provide us a number of distance measurements after moving from a fixed coordinate. After X amount of measurements are taken, the robot will move in the direction where the distance to the target is shortest, as well as repeat the sequence. This will ultimately enable it to reach the target. In short, the robot is just utilizing trial-and-error to ‘learn’ exactly how to get to the target. See, this stuff isn’t so difficult after all!

This “learning by trial-and-error” concept can be represented abstractly in something that we’ve all heard of — a neural network.

Neural Networks For Dummies

Neural networks get their name from the mass of neurons in your noggin. While the general network is absurdly complex, the operation of a single neuron is simple. It’s a cell with a number of inputs as well as a single output, with chemical-electrical signals providing the IO. The specify of the output is determined by the number of active inputs as well as the stamina of those inputs. If there are sufficient active inputs, a threshold will be crossed as well as the output will ended up being active. Each output of a neuron acts as the input to one more neuron, producing the network.

Perceptron diagram via exactly how to Train a Neuarl NeTwork في بيثون برايتيك جوشي
إعادة إنشاء الخلايا العصبية (وبالتالي الشبكة العصبية) في السيليكون يجب أن تكون بسيطة. لديك عدد من المدخلات في تمايز شيء. أضف المدخلات لأعلى، وكذلك إذا تجاوزوا عتبة محددة، إخراج واحد. إخراج آخر صفر. بينغو! في حين أن هذا يتيح لنا نورا تقليد الخلايا العصبية، فليس للأسف مفيدا للغاية. من أجل جعل NEURON SILICON NEURON يستحق التخزين في ذاكرة الفلاش، فإننا شرطنا لإجراء المدخلات وكذلك المخرجات أقل ثنائية … نحن شرطنا لتزويد القوة، أو العقيدة الأكثر شيوعا: الأوزان.

في أواخر عام 1940، اخترع رجل باسم فرانك روزنبلات هذا الشيء يسمى بيراسترون. يعد Perceptron تماما مثل الخلايا العصبي السيليكون بتشرح في الفقرة السابقة، مع استثناءات قليلة. أهمها هي أن المدخلات لها أوزان. مع إدخال الأوزان وكذلك ردود الفعل قليلا، فإننا نكتسب قدرات أكثر روعة … القدرة على التعلم.

مصدر عبر kdnuggets.
الترجيع مرة أخرى إلى روبوتنا بت يتعلم بالضبط كيفية الوصول إلى الهدف. لقد قدمنا ​​الروبوت النتيجة، بالإضافة إلى إنشاء اتجاهاتها الخاصة لاكتشاف بالضبط كيفية تحقيق هذه النتيجة من خلال عملية تجريبية وخطأ من الاقتراحات العشوائية وكذلك قياسات المسافة في نظام تنسيق XY. مفهوم بيرسيبترون هو تجريد هذه العملية. إخراج الخلايا العصبية الاصطناعية هو نتائجنا. نريد أن يوفر لنا الخلايا العصبية نتيجة متوقعة لمجموعة محددة من المدخلات. نحن ننجز ذلك من خلال وجود الخلايا العصبية تغيير أوزان المدخلات حتى يحقق النتيجة التي نريدها.

يتم ضبط الأوزان بواسطة عملية تسمى الانتشار الخلفي، وهو نوع من الملاحظات. لذلك لديك مجموعة من المدخلات، مجموعة من الأوزان وكذلك نتيجة. نحدد بالضبط مدى النتيجة التي نريدها من حيث نريدها، وكذلك الاستفادة من الفرق (المعروف باسم الخطأ) لتغيير الأوزان التي تستخدم فكرة رياضية مفهومة كما كرم التدرج. كثيرا ما تسمى عملية “ضبط الوزن” في كثير من الأحيان التدريب، ومع ذلك فهي ليست أكثر من عملية تجريبية وخطأ، تماما مثل روبوت البت.

تعلم عميق

يبدو أن اكتشاف عميق لديه تعريفات أكثر من IOT هذه الأيام. ومع ذلك، فإن أبسط، أكثر مباشرة إلى الأمام التي يمكنني اكتشافها هي شبكة عصبية مع طبقة واحدة أو أكثر بين المدخلات وكذلك الإخراج وكذلك استخدامها لحل المشاكل المعقدة. في الأساس، اكتشف عميق هو مجرد شبكة عصبية معقدة تستخدم للقيام بالأشياء الصعبة حقا على أجهزة الكمبيوتر التقليدية.

اكتشاف مخطط عميق عبر دليل دمية لاكتشاف عميق بواسطة كون تشن
تسمى الطبقات بين المدخلات وكذلك الإخراج الطبقات المخفية وكذلك زيادة كبيرة في تعقيد الشبكة العصبية. كل طبقة لديها غرض معين، وكذلك مرتبة في التسلسل الهرمي. على سبيل المثال، إذا كان لدينا اكتشاف عميق على شبكة الإنترنت العصبية المدربة لتحديد القطط في صورة، فإن الطبقة الأولى قد تبحث عن شرائح خط معين وكذلك الأقواس. ستنظر الطبقات الأخرى المرتفعة في التسلسل الهرمي إلى إخراج الطبقة الأولى للغاية وكذلك محاولة تحديد أشكال أكثر تعقيدا، مثل الدوائر أو مثلثات. حتى الطبقات العليا ستبحث عن الأشياء، مثل العينين أو الشعيرات. للحصول على شرح أكثر تفصيلا لتقنيات التصنيف الهرمية، تأكد من تفتيش مقالاتي حول تمثيلات ثابتة.

لا يتم فهم الإخراج الفعلي لطبقة بدقة لأنه تم تدريبه عبر عملية تجريبية وخطأ. سيقوم اثنان من اكتشاف شبكات عصبية مماثلة تدريبا على نفس الصورة بالضبط مخرجات مختلفة من طبقاتها المخفية. هذا يطرح بعض المشكلات غير المريحة، كما اكتشف المخي الرسمي.

الآن عندما تسمع شخص ما يتحدث عن التعلم الآلي، والشبكات العصبية، وكذلك التعلم العميق، يجب أن يكون لديك مفهوم غامض على الأقل لما هو عليه، والأهم من ذلك، كيف يعمل بالضبط. يبدو أن الشبكات العصبية هي الشيء الضخم القادم، على الرغم من أنها كانت موجودة لفترة طويلة الآن. فحص مقال [ستيفن دوفرينز] حول ما الذي تغير على مر السنين، وكذلك القفز في البرنامج التعليمي الخاص به على استخدام Tensorflow لتجربة يدك في تعلم الجهاز.

إليك اختراق البرامج الثابتة التي تجلب لعبة فيديو إلى Sony SmartWatch. إنه تفكير ممتاز للغاية حول الحوزة الحقيقية المقيدة وكذلك الحقيقة التي يجب أن تظهر على مدخلات اللمس. ومع ذلك، نكتشفها بشكل مشابه أن لعبة هذه الجودة العالية تمتثل بسرعة كبيرة على أعقاب سوني تعلن القدرة على جعل البرامج الثابتة الخاصة بك للمشاهدة. إن التقدم السريع هو بفضل جزئيا إلى الجهود التي يحركها الحي للاختراق arduino IDE للرسومات في الساعة.

يشير تطوير هذه الاختراق IDE إلى أن إمكانيات تصوير أردوينو في تصوير Arduino على هذه الأجهزة لديها الآن منحنى اكتشاف منخفض نسبيا. وكذلك القراءة من خلال رمز اللعبة [Asier Arranz’s] سيجعل الأمر أسهل. يستدعي هاتفه لعبة حرب النجوم بهذه اللعبة التي تذكرنا الكثير من الأستروسمش. هناك نصف دائرة صديقة للبيئة والتي هي مركبة الدفاع الأرضي الخاصة بك. لمتطلبات إنهاء الليزر لتصوير المنتجات المتساقطة من السماء الليلية النجمية مع تحصيل السلطة بالمثل أن الخريف على الأرض. لعبة تشغيل الفيديو أدناه.

فقط تذكر، إذا توصلت إلى تطبيق ثابت رائع ل SmartWatch، نريد أن نسمع عن ذلك.

[Gushh] كتب دليلا لصنع تدفق لحام روسوين وفقا ل [ستيفن] – الذي أرسل في الفكرة وحاولت هذه الطريقة بنفس الطريقة – يعمل بشكل جيد، إنه رخيص، ولكن ستحتاج إلى تنظيف قليلا بعد استخدامه على ثنائي الفينيل متعدد الكلور.

هناك حاجة إلى مكونين فقط لجعل سائل الخاص بك أو لصق التدفق: الصنوبري والمذيبات. يمكن العثور على الصناعة التي يتم وزنها في الصورة أعلاه، من عدة مصادر. لقد بحثنا في نفس الطريقة مؤخرا حيث تم الحصول على تدفق من متجر الموسيقى. ولكن [Gushh] يشير إلى أنه إذا تمكنت من العثور على بعض من متجر الأجهزة، فمن الأفضل أن تميل مجموعة متنوعة من المتاجر الموسيقية إلى أن تكون “المنصهرة” ولا تعمل أيضا أيضا.

يتم توفير النسب على دليله للضوء والمتوسطة والثقيلة. ويوصي كحول الأيزوبروبيل كمذيب، وقد قام بتخزين العضلات في زجاجة قطارة واضحة. نحن مراوح من زجاجات الإبرة وسألوا عن مصادرهم في منشور سابق (مرتبط في الفقرة أعلاه)، لذا تحقق من قسم التعليقات هذا إذا كنت لا تعرف مكان الحصول على مكان.

هو ذلك الوقت من السنة مرة أخرى عندما تأتي وظائف النمط العظيم المتداول. [بن]، إلى جانب شركائه [كاميرون]، [كارلتون] وكذلك [كريس] تعمل في شيء طموح للغاية بالنظر إلى أن سبتمبر: ذراع آلي وكذلك يده يديره Kinect ينسخ حركات المستخدم.

الذراع هو lynxmotion al5d، ولكن بدلا من تطبيق تطبيق البرمجيات المضمنة، يدلف الأشخاص الأمريكيون أنهم يشيرون إلى التحكم في هذه الذراع بمساعدة Arduino. يلتقط Kinect إعداد ذراع المستخدم بالإضافة إلى أن يتحول إلى بيانات ل Servos ARM.

قرار Kinect محدود، بالطبع، لأي شيء خارج المعصم، اعتمد الفريق على ابتكار آخر – مقاومات فليكس. قفاز مدمج مع هذه المقاومات المرنة وكذلك التسارع يوفر كل بيانات إعداد اليد وكذلك الأصابع في الفضاء.

يتم إرسال هذه البيانات إلى واحد arduino واحد على تطوير لتوجيه المعصم وكذلك أصابع الذراع الروبوتية. كما هو موضح في مقاطع الفيديو أدناه، فإن الذراع ينفذ بشكل جيد بشكل لا يصدق، تماما مثل أفضل Waldos التي رأيتها على الإطلاق.

لكيفية العثور على الكثير من أنواع العمل في عمل العمل وفي صناديق الأدوات المتسللين والمتسللين في جميع أنحاء العالم، والعثور على مسدس الغراء الذي يفعل أكثر من مجرد تسخين الغراء بالتنقيط في أي مكان يمكن أن يكون تحديا. [بن هيك] أخيرا تم إصلاح هذه المشكلة مع بندقية الغراء الساخنة مزيد بكثير مثل الطارد من طابعة ثلاثية الأبعاد من قطعة من غير المرغوب فيه، يمكنك التقاطها في Walmart لبضع دولارات.

إلى حد بعيد، كان الجزء الأكثر صربا من هذا المشروع الطارد العصي العصي. لهذا، استخدم [BEN] محرك DC مع نظام التروس الكوكبي من مرحلتين. هذا يدفع الترباس المحلي الصيني، تماما مثل الطارد في 99٪ من الطابعات ثلاثية الأبعاد. يتم احتساب عصا الغراء مقابل الترباس Hobbed مع عدد قليل من الأجزاء المطبوعة ثلاثية الأبعاد وصنع الربيع الطارد عصا عصا مدمجة للغاية.

الإلكترونيات هي لوحة AVR صغيرة [بن] مصنوعة من أجل حلقة سابقة، وهو حراري مرتبط بالنهاية الحارة بمسدس الغراء، وهي تتابع حالة صلبة للتدفئة، والضوابط التناظرية لإعدادات السرعة ودرجة الحرارة. بعد الانتهاء من الميكانيكا والإلكترونيات، استغرق [Ben] كل شيء منفصل ووضعه معا في كائن على شكل بندقية الغراء.

المنتج النهائي هو في الواقع لطيفة جدا. إنه يضع حبات مدعومة من الغراء الساخن وبفضل القليل من التراجع المحرك لن بالتنقيط.

يمكنك التحقق من كل جزء من [بن] بناء أدناه.