Інтелектуальна система дослідження методів машинного навчання



Сторінка5/15
Дата конвертації27.01.2020
Розмір0,56 Mb.
ТипРеферат
1   2   3   4   5   6   7   8   9   ...   15

Нейроні мережі


Штучні нейронні мережі (ANN) є обчислювальними системами, натхненними біологічними нейронними мережами, що складають тваринний мозок. Сама нейронна мережа не є алгоритмом, а скоріше основою для багатьох різних алгоритмів машинного навчання для спільної роботи та обробки складних даних. Такі системи "вчаться" виконувати завдання, розглядаючи приклади, як правило, без програмування з будь-якими правилами конкретних завдань. Наприклад, при розпізнаванні зображень вони можуть навчитися виявляти зображення, що містять кішок, аналізуючи приклади зображень, які вручну позначені як "кішка" або "ні кішка", і використовувати результати для ідентифікації котів в інших зображеннях. Вони роблять це без будь-яких попередніх знань про котів, наприклад, в тому, що у них є хутро, хвости, вуса та котячі обличчя. Замість цього вони автоматично генерують ідентифікаційні характеристики із навчального матеріалу, який вони обробляють.[17]

Рисунок 1.5.1 – Приклад архітектури простішої мережи


ІНН базується на сукупності під'єднаних одиниць або вузлів, які називаються штучними нейронами, які вільно моделюють нейрони у біологічному мозку. Кожне з'єднання, як синапси в біологічному мозку, може передавати сигнал від одного штучного нейрона до іншого. Штучний нейрон, який отримує сигнал, може обробити його, а потім сигналізувати додаткові штучні нейрони, пов'язані з ним.

Біологічний нейрон імітується у ШНМ через активаційну функцію. У задачах класифікації (наприклад визначення спам-повідомлень) активаційна функція повинна мати характеристику "вмикача". Іншими словами, якщо вхід більше, ніж деяке значення, то вихід повинен змінювати стан, наприклад з 0 на 1 або -1 на 1. Це імітує "включення" біологічного нейрону. У якості активаційної функції зазвичай використовують сигмоїдну функцію





Рисунок 1.5.2 – Графік функції


З графіку можна побачити, що функція "активаційна" – вона росте з 0 до 1 з кожним збільшенням значення х. Сигмоїдна функція є гладкою і неперервною. Це означає, що функція має похідну, що у свою чергу є дуже важливим фактором для навчання алгоритму.

У загальних реалізаціях, сигнал на зв'язці між штучними нейронами є дійсним числом, а вихід кожного штучного нейрона обчислюється деякою нелінійною функцією суми його входів. З'єднання між штучними нейронами називають "краями". Штучні нейрони та ребра звичайно мають вагу, який налаштовується як навчальний процес. Вага збільшує або зменшує сили сигналу при з'єднанні. Штучні нейрони можуть мати такий поріг, що сигнал надсилається лише тоді, коли сумарний сигнал перетинає цей поріг. Як правило, штучні нейрони агрегуються в шари. Різні шари можуть виконувати різні види перетворень на своїх вкладах. Сигнали проходять від першого шару (вхідного шару) до останнього шару (вихідний шар), можливо, після переміщення шарів кілька разів.

Взагалі, існують 3 парадигми навчання штучних мереж:


  • Кероване навчання використовує набір пар і примусово навчається за допомогою наявної множини прикладів «стимул-реакція» з метою визначення «реакції» для «стимулів», які не належать наявній множини прикладів. Задачами, що вписуються до парадигми керованого навчання, є розпізнавання образів (відоме також як класифікація) та регресія (відома також як наближення функцій).

  • У спонтанному навчанні даются якісь дані {\displaystyle \textstyle x}та функція витрат для зведення до мінімуму, якою може бути будь-яка функція від наданих даних {\displaystyle \textstyle x}та виходу мережі. Задачі, що вписуються до парадигми спонтанного навчання, є загалом задачами оцінювання; до застосувань належать кластерування, оцінювання статистичних розподілів, стиснення та фільтрування.

  • У навчанні з підкріпленням дані {\displaystyle \textstyle x}зазвичай не надаються, а породжуються взаємодією агента з середовищем. В кожен момент часу {\displaystyle \textstyle t}агент виконує дію, а середовище породжує спостереження {\displaystyle \textstyle x_{t}}та миттєві витрати {\displaystyle \textstyle c_{t}}відповідно до якоїсь (зазвичай невідомої) динаміки. Метою є визначити таку стратегію вибору дій, яка зводить до мінімуму якусь міру довготривалих витрат, наприклад, очікувані сукупні витрати Задачами, які вписуються до парадигми навчання з підкріпленням, є задачі керування, ігри та інші задачі послідовного ухвалювання рішень.




    1. Каталог: bitstream -> 123456789
      123456789 -> Тема: Безпека вулиці: азбука дороги
      123456789 -> Методичні вказівки до вивчення дисципліни сво «доктор філософії»
      123456789 -> Регіональний підхід до дослідження формування ціннісних орієнтацій студентів мистецьких вишів україни н. Г. Тарарак
      123456789 -> Методологічне підґрунтя дослідження формування ціннісних орієнтацій студентів вищих навчальних закладів мистецького профілю україни
      123456789 -> Загальна характеристика роботи
      123456789 -> Інформаційне суспільство в контексті політичної культури суспільства
      123456789 -> Заліщицька районна державна адміністрація Відділ з питань освіти Районний методичний кабінет Використання активних та інноваційних технологій як засіб активізації
      123456789 -> Україна тернопільська область опис досвіду роботи учителя біології


      Поділіться з Вашими друзьями:
1   2   3   4   5   6   7   8   9   ...   15


База даних захищена авторським правом ©pedagogi.org 2019
звернутися до адміністрації

    Головна сторінка