3.4 Навчання штучної нейронної мережі

Здатність до навчання є фундаментальною властивістю мозку. Процес навчання може розглядатися як визначення архітектури мережі і налаштування ваг зв’язків для ефективного виконання спеціальної задачі. Нейромережа налаштовує ваги зв’язків по наявній навчальній множині. Властивість мереж навчатися на прикладах робить їх більш привабливими в порівнянні із системами, які функціонують згідно визначених систем правил, сформульованих експертами.

Для процесу навчання необхідно мати модель зовнішнього середовища, у якій функціонує нейронна мережа - потрібну для вирішення задачі інформацію. По-друге, необхідно визначити, як модифікувати вагові параметри мережі. Алгоритм навчання означає процедуру, в якій використовуються правила навчання для налаштування ваг.

Існують три загальні парадигми навчання: "з вчителем", "без вчителя" (самонавчання) і змішана. У першому випадку нейромережа має у своєму розпорядженні правильні відповіді (виходи мережі) на кожен вхідний приклад. Ваги налаштовуються так, щоб мережа виробляла відповіді як можна більш близькі до відомих правильних відповідей. Навчання без вчителя не вимагає знання правильних відповідей на кожен приклад навчальної вибірки. У цьому випадку розкривається внутрішня структура даних та кореляція між зразками в навчальній множині, що дозволяє розподілити зразки по категоріях. При змішаному навчанні частина ваг визначається за допомогою навчання зі вчителем, у той час як інша визначається за допомогою самонавчання.

Контрольні запитання

1 Скільки є класів нейронів?

2 Як функціонує біологічний нейрон?

3 Як функціонує штучний нейрон?

4 Яка типова структура штучних нейромереж?

5 Як здійснюється навчання штучної нейронної мережі?

Лекція №4

Обгрунтування застосування нейромереж

Нейромережі не можна вважати доцільним рішенням для всіх обчислювальних проблем. Традиційні комп’ютери та обчислювальні методи є ідеальними для багатьох завдань. В табл.4.1 наведено порівняння машини фон Неймана у порівнянні з біологічною нейроною системою.

Таблиця 4.1 - Машина фон Неймана у порівнянні з біологічної нейроною системою

	Машина фон Неймана	Біологічна нейрона система
Процесор	Складний Високошвидкісний Один чи декілька	Простий Низькошвидкісний Велика кількість
Пам’ять	Відділена від процесора Локалізована Адресація за адресою	Інтегрована в процесор Розподілена Адресація по змісту
Обчислення	Централізовані Послідовні Збережені програми	Розподілені Паралельні Самонавчання
Надійність	Висока вразливість	Живучість
Спеціалізація	Числові й символьні операції	Проблеми сприйняття
Середовище функціонування	Строго визначене Строго обмежене	Погано визначене Без обмежень
Функції	Логічно, через правила, концепції, обчислення	Через зображення, рисунки, керування
Метод навчання	За правилами (дидактично)	За прикладами (сократично)
Застосування	Числова та символьна обробка інформації	Розпізнавання мови, розпізнавання образів, розпізнавання текстів

Сучасні цифрові обчислювальні машини перевершують людину по здатності робити числові й символьні обчислення. Однак людина може без зусиль вирішувати складні задачі сприйняття зовнішніх даних (наприклад, впізнати людину в юрбі по її обличчю) з такою швидкістю і точністю, що наймогутніший у світі комп’ютер не зможе їй скласти конкуренцію.

Розглянемо деякі проблеми, які розв’язуються за допомогою нейромоделювання та які представляють інтерес для вчених і інженерів.

4.1 Класифікація образів

Завдання полягає у визначенні приналежності вхідного образа (наприклад, мовного сигналу чи рукописного символу), представленого вектором ознак, одному чи декільком попередньо визначеним класам. До відомих застосувань відносяться розпізнавання букв, розпізнавання мови, класифікація сигналу електрокардіограми, класифікація клітин крові.

4.2 Кластеризація/категоризація

При рішенні задачі кластеризації, що відома також як класифікація образів “без вчителя”, навчальна множина з визначеними класами відсутня. Алгоритм кластеризації розміщує близькі образи в один кластер. Відомі випадки застосування кластеризації для отримання знань, стиснення даних і дослідження властивостей даних.

4.3 Апроксимація функцій

Припустимо, що є навчальна вибірка ((x₁,y₁), (x₂,y₂)..., (x_n,y_n)) (пари даних вхід-вихід), яка генерується невідомою функцією F, спотвореної шумом. Завдання апроксимації полягає в знаходженні невідомої функції F. Апроксимація функцій необхідна при рішенні численних інженерних і наукових задач моделювання.

4.5 Передбачення/прогноз

Нехай задані n дискретних відліків {y(t₁), y(t₂), ..., y(t_n)} у послідовні моменти часу t₁, t₂,..., t_n . Завдання полягає в передбаченні значення y(t_n+1) у деякий майбутній момент часу t_n+1. Передбачення/прогноз мають значний вплив на прийняття рішень у бізнесі, науці й техніці (передбачення цін на фондовій біржі, прогноз погоди).

4.6 Оптимізація

Численні проблеми в математиці, статистиці, техніці, науці, медицині й економіці можуть розглядатися як проблеми оптимізації. Задачею алгоритму оптимізації є знаходження такого рішення, що задовольняє системі обмежень і максимізує чи мінімізує цільову функцію.

4.7 Пам’ять, що адресується за змістом

В традиційних комп’ютерах звертання до пам’яті доступно тільки за допомогою адреси, що не залежить від змісту пам’яті. Більш того, якщо допущена помилка в обчисленні адреси, то може бути знайдена зовсім інша інформація. Асоціативна пам’ять, чи пам’ять, що адресується за змістом, доступна за вказівкою заданого змісту. Вміст пам’яті може бути викликано навіть по частковому входу чи спотвореному змісту. Асоціативна пам’ять надзвичайно бажана при створенні мультимедійних інформаційних баз даних.