Искусственные нейронные сети — математическая модель, а также её программное и аппаратное воплощение, построенная по некоторым принципам функционирования биологических нейронов. Ключевой особенностью ИНС является способность к обучению. Применяются во множестве разных задач, чаще всего для распознания образов.
Искусственные нейронные сети (ИНС) — математическая модель, а также её программное и аппаратное воплощение, построенная по некоторым принципам функционирования биологических нейронов.
В основе ИНС лежит понятие нейрона. Это минимальный самостоятельный вычислительный элемент. На вход он принимает вектор некоторых значений (которые могут приходить из входных данных, других нейронов или даже своего выходного значения) и соответствующий ему вектор весов. При вычислении выходного значения сначала идёт попарное перемножение входного значения на его вес (for (int i = 0; i < n; i++) sum += x[i]*w[i];), затем прибавление нулевого коэффициента (sum += x0;) и применение к этой сумме нелинейной функции активации (return f(sum);).
Различные принципы соединения искусственных нейронов в сеть, их количество и различные функции активации проявляются в большом количестве разных архитектур ИНС, которые служат разным задачам. В начале вес каждой связи всех нейронов приравнивается небольшому случайному значению. Затем, процессе обучения все веса корректируются. Обучение ИНС может происходить по разным правилам, но две основные категории — обучение с учителем и без него.
Искусственные нейросети нашли множество областей и способов применения:
- Распознание образов и классификация — преобразование низкоуровневых данных (как изображения, звук) в более абстрактные (цифровой текст, фигуры, лица, голоса). Доступные примеры: распознание рукописного текста в Google Translate, распознание речи в Apple Siri, распознание лиц в Microsoft Computer Vision API; выявление заболеваний по множеству симптомов.
- Кластеризация данных — разбиение множества элементов на группы (кластеры) со схожими параметрами. Доступный пример: объединение фотографий в группы на карте Вконтакте.
- Прогнозирование — построение продолжения графика при наличии значений функции в предыдущих аргументах. Примеры: вычисления стоимости акций или курса рубля на последующие дни.
- Аппроксимация функций — упрощённое вычисление какой-либо сложной функции с заданной точностью.
- И прочее.
Связанные метки:
