Congratulation from Internet Conference!
Hello
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.
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter
Another articles in this section
-
ЗАСТОСУВАННЯ СУЧАСНИХ АЛГОРИТМІВ ДИНАМІЧНОГО ПОШУКУ В СКЛАДНИХ ІНФОРМАЦІЙНИХ СИСТЕМАХ
29.11.2022 03:05 -
СИСТЕМА ДОМАШНЬОГО АВТОМАТИЗУВАННЯ
29.11.2022 02:54 -
ТЕХНОЛОГІЇ «E-LEARNING» В СУЧАСНІЙ ОСВІТІ
29.11.2022 02:47 -
ВИМОГИ СТВОРЕННЯ SMART КУРСУ ЗМІШАНОГО НАВЧАННЯ
11.12.2022 00:24 -
МЕТОД ВИКОРИСТАННЯ ШАБЛОНУ КУРСУ ЗМІШАНОГО НАВЧАННЯ
11.12.2022 00:16
Сonferences
Conference 2024
Conference 2023
Conference 2022
Conference 2021
