Umělé neuronové sítě

Umělé neuronové sítě jsou ty, které se skládají ze speciálních prvků - neuronů. Jsou to matematický model biologických neuronů, tedy buněk tvořících lidský nervový systém.

Poprvé se o neuronových sítích hovořilo v roce 1943 a po vyhlášení vynálezce Rosenblatt perceptronu přišla zlatá věž a sítě se staly velmi populárními. Nicméně po zveřejnění díla Minsku v roce 1969, kdy vědce prokázal neefektivitu perceptronu za určitých podmínek, zájem o tento průmysl prudce klesl. Ale historie umělých sítí zde nekončí. V roce 1985 J. Hopfield představil svůj výzkum a ukázal, že neuronové sítě jsou vynikajícím nástrojem pro strojní učení.

Z biologie bylo zapůjčeno několik konceptů a principů. Neuron je druh přepínače, který přijímá a pak vysílá impulsy (signály). V případě, že neuron obdrží dostatečně silný impuls, má se za to, že se aktivuje a přenáší impulsy na zbývající neurony spojené s ním. Neuron, který zůstal neaktivovaný, zůstává v klidu, impuls neposílá. Neuron se skládá z několika hlavních komponent: synapse, které spojují neurony k sobě a dostávají impulsy, axon, jehož úkolem je přenášet impulsy, a dendrit, který přijímá signály z různých zdrojů. Když neuron obdrží puls nad určitou prahovou hodnotu, okamžitě přenáší signál na další neurony.

Matematický model je mírně odlišný. Přihlaste se matematický model Neuron je vektor, který se skládá z velkého počtu komponent. Každá z jejich součástí je jedním z impulzů, které neuron přijímá. Výstupem modelu je jedno číslo. To znamená, že uvnitř modelu je vstupní vektor transformován na skalární, který je později přenesen na jiné neurony.

Neuronové sítě mohou být vycvičeny dvěma způsoby: s učitelem a bez něj. Učební proces se skládá z několika kroků. Za prvé, vstup ze sítě je představen stimul zevnitř. Pak se v souladu s pravidly mění volné parametry neuronové sítě, po které síť reaguje na vstupní stimuly jiným způsobem. Proces musí být opakován, dokud síť nerozhodne. Učící algoritmus s učitelem je, že během školení má síť již správnou odpověď. Tato metoda se úspěšně používá k vyřešení mnoha aplikovaných problémů, ale je často kritizována za to, že je biologicky nepravděpodobná. Neuronové sítě se vyučují bez učitele, pokud jsou známy pouze vstupní signály. Na jejich základě se síť postupně naučí poskytovat lepší výstupní hodnoty.

Použití neuronových sítí je opravdu rozmanité. Často se používají k automatizaci rozpoznávání vzorků, prognózování, vytváření různých odborné systémy, aproximace funkcionálů. S takovou síť může provádět řádné uznání nebo optické signály předpovědět výměnné ukazatele vytvořit systémy schopné sebevzdělávání, které mohou například syntetizovat řeč od daného textu nebo parkovišti. Neuronové sítě na západě jsou aktivněji využívány, bohužel domácí firmy tuto techniku ​​ještě nepoužívají.

Přes výhody ANN nad konvenčními výpočty v některých oblastech, stávající neuronové sítě nejsou ideální řešení. Jelikož jsou schopni učit se, možná se mýlí. Navíc nemůžete přesně zaručit, že rozvinutá neuronová síť bude optimální. Vývojář musí rozumět povaze problému řeší, mají mnoho informací, které popisuje problém, získat data pro testování a školení sítě, vybrat ten správný způsob přípravy, přenosové funkce a výbavu funkcí.