Нейронная сеть
Нейронная сеть - алгоритм из класса алгоритмов искусственного интеллекта, представляющий собой предопределенную последовательность действий с множеством регулируемых параметров, в котором значения выходных данных сложным образом зависят от значений входных данных [1]. Нейронная сеть схожа с человеческим мозгом в двух аспектах:
Нейронная сеть получает знания извне, и на основе данной информации обучается.
Нейронная сеть обладает синоптическими весами, накопленные знания хранятся на соединениях нейронов.
Из-за параллелизма работы нейронной сети, способности обучаться и создавать обобщения для решения определенных задач: классификации, кластеризации, регрессии, прогнозирования.
Нейронные сети обладают рядом существенных преимуществ:
Адаптивность – способность нейронной сети изменять свои синоптические веса, в соответствии с изменениями внешней среды.
Масштабируемость – возможность объединять разные виды нейронных сетей в одну для получения лучших результатов.
Отказоустойчивость – нейронная сеть является распределённой системой, и повреждения участка цепи нейронов не приводят к отказу работы системы [2, 3].
Классификация методов обучения
Что же такое, собственно, машинное обучение (machine learning)? Интуитивно понятно, что «обучение» — это когда некая модель каким-то образом «обучается», а потом начинает выдавать результаты, то есть, скорее всего, что-то предсказывать [4]. Компьютерная программа обучается по мере накопления опыта относительно некоторого класса задач T и целевой функции P, если качество решения этих задач (относительно P) улучшается с получением нового опыта [5].
На рисунке 1 представлены четыре основных классификации методов обучения нейронных сетей и задачи, которые они решают [4].
Рисунок 1 - Общая классификация постановок задач машинного обучения [4]
Обучение с учителем:
На вход подаются тренированные примеры для обучения модели. Этот набор данных называется обучающим или тренированным набором. Задача заключается в том, чтобы модель могла выдавать правильные ответы на новых данных, после обучения сети. Учитель предоставляет нейронной сети правильные ответы для каждого входного примера, и нейронная сеть корректирует свои веса и параметры, что минимизировать ошибку между предсказанием и правильным ответом.
Обучение без учителя:
Процесс обучения нейронной сети на основе набора данных, в котором отсутствуют правильные ответы или метки классов. Также данное обучение без учителя используется, когда входные данные имеют большую размерность, или когда данные необходимо разбить на заранее неизвестные классы по некоторой схожести. В этом случае нейронная сеть сама ищет скрытые закономерности и структуры в данных без явного указания на правильные ответы.
Обучение с частичным привлечением учителя (подкреплением):
Данный метод обучения нейронной сети заключается в взаимодействии с окружающей средой и получении обратной связи в виде вознаграждения или наказания за свои предсказания. Цель при таком обучении - получение большего количества вознаграждений, которые получает сеть за последовательность действий в среде. Данный процесс включает большое количество итераций, так как, получение более обученной модели зависит от количества итераций.
Три основные классификации обучения нейронных сетей, а именно, «с учителем», «без учителя», «обучение с частичным привлечением учителя (подкреплением)», предоставляют различные подходы к решению задач машинного обучения в зависимости от наличия или отсутствия размеченных данных. Выбор конкретной стратегии зависит от характера задачи и доступности данных, что подчеркивает гибкость и адаптивность нейронных сетей в решении разнообразных задач.