ОСОБЛИВОСТІ НЕЙРОННИХ МЕРЕЖ - Scientific conference

Congratulation from Internet Conference!

Hello

Рік заснування видання - 2011

ОСОБЛИВОСТІ НЕЙРОННИХ МЕРЕЖ

09.12.2022 19:36

[1. Information systems and technologies]

Author: Соколова Вікторія Костянтинівна, студентка, Харківський національний університет радіоелектроніки, м Харків


Сьогодні існує два види штучного інтелекту – сильний та слабкий. Теорія сильного штучного інтелекту передбачає, що комп'ютери можуть здатність мислити і усвідомлювати себе, як окрему особистість. Теорія слабкого штучного інтелекту передбачає, що такий інтелект не можна або дуже складно сконструювати, і поки що наука здатна створювати нейромережі, які лише частково повторюють роботу нейромереж живих істот. 

Нейронні мережі є математичними моделями роботи реальних нейронних мереж живих істот. Математичну модель досить просто перевести в програму. Через це в програмуванні нейронних мереж так широко використовується Python, оскільки Python зручний для програмування рішень математичних завдань. 

Нині відомі три парадигми навчання нейронних мереж, в основу яких покладено особливості машинного навчання: 

• навчання з вчителем (supervised learning); 

• навчання без вчителя (unsupervised);

• навчання з підкріпленням (reinforcement leaning).

Навчання з вчителем (supervised learning) – один зі способів машинного навчання, в ході якого випробувана система примусово навчається за допомогою наявної множини прикладів «стимул-реакція» з метою визначення «реакції» для «стимулів», які не належать до наявної множини прикладів.

Навчання без вчителя (unsupervised) – один зі способів машинного навчання, при вирішенні яких випробовувана система спонтанно навчається виконувати поставлене завдання, без втручання з боку експериментатора. З  точки зору кібернетики, є одним з видів кібернетичного експерименту. Як правило, це підходить тільки для задач, в яких відомий опис множини об'єктів і  необхідно виявити внутрішні взаємозв'язки, залежності, закономірності, що існують між об'єктами.

Навчання з підкріпленням (reinforcement learning) є проміжним варіантом двох попередніх парадигм . Замість «вчителя» в схему навчання вводиться блок «критика», який відслідковує реакцію середовища на вхідний сигнал і  опираючись на неї визначає евристичну похибку, яку покладено в процес навчання мережі. 

Якщо трохи спростити концепцію нейронних мереж, то нейромережа, яка навчається за принципом навчання з учителем, після навчання за принципом «стимул – реакція», із зазначенням правильних відповідей, може працювати з незнайомими даними. Для успішного створення нейромережі знадобляться два набори даних: тестовий набір, за допомогою якого можна буде оцінити ефективність роботи створеної нейромережі та навчальний набір, в якому дані для неї розмічені на позитивні/негативні. Після навчання нейромережі, вона зможе намагатися передбачати з деякою точністю позитивний чи негативний відгук до неї прийшов на вхід.

Звісно нейромережі, мають певний відсоток помилки. Завдання оптимізації – зробити його мінімальним, але питання оцінки якості нейромереж швидше за все ніколи нікуди не подінеться.

Література

1. V Tkachov Cellular Technology Based Overlay Networks for the Secure Control of Intelligent Mobile Objects: Models and Numerical Study/ V Tkachov, A Kovalenko, V Kharchenko, M Hunko // ICTERI 2021: Information and Communication Technologies in Education, Research, and Industrial Applications. – Kherson, Ukraine, October 2, 2021. – Pp. 42-63.

2. V Tkachov Cellular Technology Based Overlay Networks for the Secure Control of Intelligent Mobile Objects/ V Tkachov, A Kovalenko, V Kharchenko, M Hunko // ICTERI 2021: Information and Communication Technologies in Education, Research, and Industrial Applications. – Kherson, Ukraine, October 2, 2021. – Pp. 480-490.

3. M Hunko. Application Architecture For Obtaining Data From Scientometric Databases / M Hunko, V Tkachov, O Liashenko, J Rabčan // 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek). – Kharkiv, 2022.



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter
Сonferences

Conference 2024

Conference 2023

Conference 2022

Conference 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення