Понятие о нейронных сетях: классификация, архитектура, возможности

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Мозг состоит из очень большого числа (более 10,000,000,000) нейронов, соединенных многочисленными связями (в среднем несколько тысяч связей на один нейрон, однако это число может сильно колебаться). Нейроны - это специальные клетки, способные распространять электрохимические сигналы.

В последние несколько лет наблюдается взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети, нелинейные по своей природе, постепенно входят в практику там, где нужно решать задачи прогнозирования, классификации или и управления, т.к. являются большим шагом относительно ранее широко применявшегося линейного моделирования, т.к. в природе и технике встречается множество задач, где линейная аппроксимация неудовлетворительна. Кроме того:

- требующийся от пользователя набор эвристических знаний для успешного применения нейронных сетей, может быть гораздо скромнее, чем, например, при применении традиционных методов статистики,

- умеет сама опытным путем отбирать полезные ("важные, значимые") переменные, что позволяет первоначально выбирать их произвольно или включить все переменные, которые априори могут влиять на результат, с сокращением на последующих этапах.

- работает с данными и нечислового характера, которые можно представить в числовом виде (если они не принимают много разных значений),

- Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. Используются несколько алгоритмов обучения,

Основные понятия: плохо!

Дендрит, Аксон (отросток дендрита), Синапс (точка соединения дендрита и аксона),

3 вида ф-ии возбуждения при передаче сигнала:

- пороговая (в зависимости от соотношения входного сигнала и порогового значения).

- линейная (выходная активность пропорциональна входу),

- сигмоидальная (сходна с реальным, выход формируется непрерывно, но не линейно).

Архитектура НС:

Различают «слоистые» сети и «полносвязные» (объёмные) сети

Многослойный персептрон (MLP)

Радиальная базисная функция (RBF)

Сеть Кохонена В то время как все остальные сети предназначены для задач с управляемым обучением, сети Кохонена главным образом рассчитана на неуправляемое обучение.