Об одном подходе к сравнению нейронных сетей

Существует огромное количество областей применения искусственного интеллекта: доказательства теорем, принятие решений,  игры, распознавание образов, обработка данных на естественном языке, игры, обучающиеся сети  и т.п.

Обратим особое внимание, к рассмотрению нейронных сетей для принятия решений. В сегодняшнем мире,  становится затруднительно принять правильное решение в рассмотрении различных вопросов. Нейронные сети,  как правило, применяются в таких случаях, когда  при решении задач, не существует чёткого алгоритма, не существует точных правил, позволяющих получить желаемый результат.

Нейронная сеть состоит из групп или группы функционально связанных нейронов. Один нейрон способен связаться со многочисленными другими нейронами, а общее количество нейронов и связей в сети достигает огромных размеров.

Основной особенностью нейронных сетей, состоит в том, что они обучаются. Программе нейронных сетей, первоначально  задается определенный набор данных, состоящих из большого количества переменных, связанных с множеством случаев, или исходов, результаты которых заранее известны. Программа исследует данные и обрабатывает все корреляции, далее подбирает набор переменных, которые строго соотнесены с частными известными результатами, формируя начальную модель. Данная  начальная модель применяется, чтобы попытаться предсказать результаты разных случаев, а предсказанные результаты сравниваются с известными результатами. Исходя из этого сравнения, программа меняет модель, изменяя параметры переменных или заменяя их. Данный процесс, программа нейронных сетей множество раз повторяет, с целью улучшить прогнозирующую способность при наладке модели. Когда в этом итерационном подходе дальнейшее усовершенствование исчерпывается, программа готова исполнить предсказания для следующих случаев.

При большом количестве новых случаев, эти данные сохраняются в нейронную сеть, и модель еще раз корректируется. Нейронная сеть обычно обучается с помощью причинно-следственных моделей из этих дополнительных данных, и прогнозирующая способность увеличивается.

Проведя анализ нейронных сетей, по принципу обучения,  их можно разделить на две категории:

  • Обучение с учителем.
  • Самоорганизующиеся сети.

При обучении с учителем, нейронная сеть сначала обучается, а затем начинает эксплуатироваться. Обучение нейронной сети происходит следующим образом:

а) на вход сети подаётся сигнал;

б) учитель сообщает сети что она должна выдать по этому сигналу;

в) согласно правилу обучения  сеть подстраивает свои веса так, чтобы при поступлении сигнала получался требуемый результат.

Сделаем вывод, что нейронная сеть обучается выполнять то же, что и учитель. Плюсом обучения с учителем получаем от сети в точности то, что хотим получить. Минусом является, большая зависимость от качества обучающих примеров.

Самоорганизующаяся Сеть учится непрерывно. Процесс обучения непосредственно зависит от конкретной сети. Важной особенностью такой сети является то, что обычно применяют  для решения задач распознавания образов.

Плюсом самоорганизующейся сети является высокая гибкость, потенциально высокий потенциал возможностей, в отличии от сетей обучения с учителем. Минусом можно считать, что от сети сложно добиться тех результатов, которых хотелось.

Нейронные сети, применяются в различных областях жизни человека.  Например, BankofAmerica эксплуатирует нейронную сеть, чтобы оценить коммерческие заявки на получение ссуды. «AmericanExpress» применяет нейронную систему, чтобы распознавать подпись на кредитной карте. Компания OilgiantArco использует нейронные сети, для обнаружения мест газовых и нефтяных месторождений под поверхностью земли. Журнал Spiegel, применяет нейронную сеть, для сокращения списка рассылок, чтобы сократить список тех, кто, маловероятно, не закажет журнал.

Нейронные сети широко используются для решения разнообразных задач. И находят применение в автоматизации процессов распознавания образов, прогнозировании в адаптивном управление, создание экспертных систем, организации ассоциативной памяти, обработки аналоговых и цифровых сигналов, и т.д.

 С Уважением,Э. Тихонов!

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *