Штучні нейронні мережі

Курс лекцій "Технології штучних нейронних мереж" призначений допомогти читачеві зрозуміти, що таке штучні нейронні мережі, як їх використовувати і де вони на цей час використовуються.

Штучні нейронні мережі рекламуються як провісник майбутнього у обчисленнях, що не вимагає традиційних навичок програміста. З'явилась лавина статей, що рекламують широкий асортимент нейромереж з унікальними вимогами та специфічними прикладами. Основною задачею розробників та користувачів нейромереж є ефективні алгоритми навчання та розширення кола вирішуваних задач.

Лекція 1. Штучні нейронні мережі

• Історія нейронних мереж

• Аналогія з мозком

• Біологічний нейрон

• Штучний нейрон

• Штучні нейронні мережі

• Навчання штучної нейронної мережі

• Обґрунтованість застосування нейромереж

Лекція 2. Детальний опис компонент нейронних мереж

• Розширена модель штучного нейрона

• Компоненти штучного нейрона

• Архітектура з'єднань штучних нейронів

• Навчання штучної нейронної мережі

• Контрольоване навчання

• Неконтрольоване навчання

• Оцінки навчання

• Правила навчання

Лекція 3. Вибір мережі

• Перцептрон Розенбалата

• Нейромережа зворотного поширення похибки

• Delta Bar Delta

• Extended Delta Bar Delta

• Скерований випадковий пошук

• Нейронна мережа вищого порядку або функціонально-пов'язана нейронна мережа

• Карта Кохонена

• Квантування навчального вектора

• Мережа зустрічного поширення CounterРropagation

• Імовірнісна нейронна мережа

• Мережа Хопфілда

• Машина Больцмана

• Мережа Хемінга

• Двоскерована асоціативна пам'ять

• Мережа адаптивної резонансної теорії

Лекція 4. Нейронна мережа на основі моделі "Функціонал на множині табличних функцій"

• Базові концепції моделі "Функціонал на множині табличних функцій"

• Навчання та функціонування нейромережі ФТФ

• Алгоритм для режиму навчання нейромереж

• Алгоритм для режиму функціонування нейромережі

• Особливості формування передатних функцій

Лекція 5. Нейромережі в задачах відображення

• Типи задач відображення і підходи до їх вирішення

• Задачі прогнозування

• Адаптація нейромереж в режимах прогнозування до даних навчальних множин

• Однопараметрична задача прогнозування

• Багатопараметрична задача прогнозування

• Однокрокове прогнозування (передбачення)

• Багатокрокове прогнозування

• Багатокрокове прогнозування з перенавчанням нейромережі на кожному кроці прогнозу

• Критерії оцінки якості функціонування мережі

• Оцінювання точності прогнозів

Лекція 6. Сучасні напрямки розвитку нейрокомп'ютерних технологій

• Традиційні задачі

• Прикладні задачі

• Нейрочіпи і нейрокомп'ютери

• Підсумок

1

Штучні нейронні мережі

• Історія нейронних мереж

• Аналогія з мозком.

• Біологічний нейрон

• Штучний нейрон

• Штучні нейронні мережі

• Навчання штучної нейронної мережі.

• Обґрунтованість застосування нейромереж

Інтелектуальні системи на основі штучних нейронних мереж дозволяють з успіхом вирішувати проблеми розпізнавання образів, виконання прогнозів, оптимізації, асоціативній пам'яті і керування. Традиційні підходи до рішення цих проблем не завжди надають необхідну гнучкість. Багато застосувань виграють від використання нейромереж.

Штучні нейромережі є електронними моделями нейронної структури мозку, який головним чином навчається з досвіду. Природній аналог доводить, що множина проблем, які поки що не підвладні розв'язуванню наявними комп'ютерами, можуть бути ефективно вирішені блоками нейромереж.

Тривалий період еволюції додав мозку людини багато якостей, що відсутні в сучасних комп'ютерах з архітектурою фон Неймана. До них відносяться:

• розподілене представлення інформації і паралельні обчислення;

• здатність до навчання і здатність до узагальнення;

• адаптивність;

• толерантність до помилок

• низьке енергоспоживання.

Прилади, побудовані на принципах біологічних нейронів мають перелічені характеристики, що можна вважати суттєвим здобутком у індустрії обробки даних.

Досягнення в галузі нейрофізіології надають початкове розуміння механізму природного мислення, де збереження інформації відбувається у вигляді образів, деякі з яких є складними. Процес зберігання інформації як образів, використання образів і вирішення поставленої проблеми визначають нову галузь в обробці даних, яка не використовуючи традиційного програмування, забезпечує створення паралельних мереж та їх навчання. В лексиконі розробників та користувачів нейромереж присутні слова, дуже відмінні від традиційної обробки даних, зокрема, "вести себе", "реагувати", "самоорганізовувати", "навчати", "узагальнювати" та "забувати".