Guest
Нейро́нная сеть[1] (также искусственная нейронная сеть, ИНС, или просто нейро́сеть) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса[2]. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. ИНС представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи. С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа; С точки зрения математики, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации; С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники; С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма[3]; С точки зрения искусственного интеллекта, ИНС является основой философского течения коннекционизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов. Нейронные сети не программируются в привычном смысле этого слова, они обучаются[a]. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искажённых данных. Содержание 1 Хронология 2 Известные применения 2.1 Распознавание образов и классификация Используемые архитектуры нейросетей 2.2 Принятие решений и управление 2.3 Кластеризация Используемые архитектуры нейросетей 2.4 Прогнозирование Используемые архитектуры нейросетей 2.5 Аппроксимация Используемые архитектуры нейросетей 2.6 Сжатие данных и ассоциативная память 2.7 Анализ данных Используемые архитектуры нейросетей 2.8 Оптимизация Используемые архитектуры нейросетей 3 Этапы решения задач 3.1 Сбор данных для обучения 3.2 Выбор топологии сети 3.3 Экспериментальный подбор характеристик сети 3.4 Экспериментальный подбор параметров обучения 3.5 Обучение сети 3.6 Проверка адекватности обучения 4 Классификация по типу входной информации 5 Классификация по характеру обучения 6 Классификация по характеру настройки синапсов 7 Классификация по времени передачи сигнала 8 Классификация по характеру связей 8.1 Нейронные сети прямого распространения 8.2 Рекуррентные нейронные сети 8.3 Радиально-базисные функции 8.4 Самоорганизующиеся карты 9 Известные типы сетей 10 Отличия от машин с архитектурой фон Неймана 11 Примеры использований 11.1 Предсказание финансовых временных рядов 11.2 Психодиагностика 11.3 Хемоинформатика 11.4 Нейроуправление 11.5 Экономика 12 См. также 13 Примечания 13.1 Комментарии 13.2 Сноски 14 Литература 15 Ссылки
