Слайд 2
ВВЕДЕНИЕ
Теория нейронных сетей включают широкий круг вопросов из
разных областей науки: биофизики, математики, информатики, схемотехники и технологии.
Поэтому понятие "нейронные сети" детально определить сложно.
Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети и формируются выходные воздействия. Обычно НС оперирует цифровыми, а не символьными величинами. Большинство моделей НС требуют обучения.
С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п.
Слайд 3
ЗНАНИЕ
Нейросети - математические модели, а также их программные
или аппаратные реализации, построенные по принципу организации и функционирования
биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.
Слайд 4
ПОНИМАНИЕ
Существует множество трактовок понимания НС. Вот некоторые из
них:
С математической точки зрения, обучение нейронных сетей — это многопараметрическая
задача нелинейной оптимизации.
С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники.
С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма.
А с точки зрения искусственного интеллекта, НС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения естественного интеллекта с помощью компьютерных алгоритмов.
Слайд 5
ПРИМЕНЕНИЕ
В каждой предметной области при ближайшем рассмотрении можно
найти постановки нейросетевых задач.
Экономика и бизнес: предсказание рынков,
оценка риска невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости.
Медицина: обработка медицинских изображений, мониторинг состояния пациентов, диагностика, факторный анализ эффективности лечения, очистка показаний приборов от шумов.
Связь: сжатие видео-информации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.
Интернет: ассоциативный поиск информации, электронные секретари и агенты пользователя в сети.
Безопасность и охранные системы: системы идентификации личности, распознавание голоса, лиц в толпе.
Нейросети - это не что иное, как новый инструмент анализа данных. И лучше других им может воспользоваться именно специалист в своей предметной области.
Слайд 6
АНАЛИЗ
Тип используемой нейросети во много диктуется поставленной задачей.
Так, для задачи классификации удобными могут оказаться многослойный персептрон
и сеть Липпмана-Хемминга. Персептрон также применим и для задач идентификации систем и прогноза. При решении задач категоризации потребуются карта Кохонена, архитектура встречного распространения или сеть с адаптивным резонансом. Задачи нейроматематики обычно решаются с использованием различных модификаций модели Хопфилда.
Лучше использовать те архитектуры, свойства которых вам наиболее знакомы, так как это упростит интерпретацию результатов. На выбор может повлиять наличие или отсутствие в вашем распоряжении соответствующих программ.
Слайд 7
СИНТЕЗ
Современные НС обладают рядом ценных свойств:
Обучаемость –
можно обучить сеть решению задач, которые ей по силам;
Способность к обобщению – после обучения сеть становится нечувствительной к малым изменениям входных сигналов;
Способность к абстрагированию – сеть сама может создать на выходе идеальный образ, с которым никогда не встречалась.
Слайд 8
ОЦЕНКА
Нейронные сети не программируются в привычном смысле этого
слова, они обучаются. Возможность обучения — одно из главных преимуществ
нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.
Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс — восстановление исходного набора данных из части информации — называется (авто)ассоциативной памятью.
