Заметка номер пять. Учиться, учиться и еще раз учиться | Автограф
722-004

Заметка номер пять. Учиться, учиться и еще раз учиться

После выхода прошлой заметки мне пришло сообщение с просьбой подробнее рассказать о том, как происходит процесс обучения искусственных нейронных сетей.

Выполняю вашу просьбу. Итак, для начала рассмотрим простой пример, как научить собаку приносить палку? Мы берем собаку, берем палку. Затем командуем собаке принести палку, при этом показывая ей вкусняшку, и даем понять, что если она принесет палку, то получит вкусняшку. Практически также происходит и обучение ИИ, с маленькой поправкой на математику. Но прежде чем более подробно рассказать процесс, давайте определимся, чем является Искусственная Нейронная Сеть (ИНС) — математическая модель (а также её программное или аппаратное воплощение) построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Из этого определения следует, что ИНС это математическая модель, основанная на устройстве биологических нейронных связей. По факту это программа, которая эмулирует мозг живого существа. Возникает вопрос: какими бывают ИНС и чем они отличаются друг от друга? Давайте попытаемся ответить на него.

Самой простой ИНС принято считать Перцептрон, эта модель была предложена Розенблаттом в 1957 году и по сей день многие разработчики ИНС начинают свое обучение с проектирования и реализации этой модели. Если мы нарисуем его схему, она будет выглядеть приблизительно вот так (рис1)

На картинке представлен простейший однослойный перцептрон, реализацию которого вы можете найти на просторах интернета. Их очень много, и учат их для разных целей, от распознавания образа, вроде, что за цифру я нарисовал, до распознавания цветов. Один из примеров можете посмотреть тут. Входы нейрона представляют из себя вектор данных, синапсы это весовые коэффициенты, которые изменяются при обучении, а ячейка нейрона представят из себя обычный сумматор, т.е.  является суммой произведений данных и весовых коэффициентов. Выходом данного нейрона является функция, обычно берут сегмоиду, так как она изменяется от -1 до 1 в координатной плоскости и позволяет сглаживать погрешности некоторых величин. При обучении ИНС существует такой параметр как ошибка обучения. Он вычисляется в процентном соотношении от общей входной и тестовой выборки данных (входные вектора данных) и говорит нам о том, насколько правильно ИНС научилась различать входные данные. Тут нужно отметить, что могут возникать ситуации, когда на этапе обучения сеть вроде бы научилась отличать одни данные от других, а на этапе тестирования она ведет себя как притянутый за уши отличник, который зазубрил ответы и больше ничего сказать не может. Но такое случается не часто.

У моего дорого читателя может вновь возникнуть вопрос, для чего нужны ИНС? ИНС применяются при решении задач классификации, прогнозирования, кластеризации, в системах принятия решений. Список можно продолжить, но лучше я расскажу об этом подробно в следующих заметках. Подытожим. Сегодня мы узнали, что такое ИНС, для чего они нужны, и как их обучать. В следующих выпусках я расскажу про другие виды ИНС. А на сегодня все. Да пребудет с вами root!

Комментариев нет.

Оставить комментарий