Тема: Исследование подходов к обучению нейронных сетей

Искусственные нейронные сети, также как и биологические, представляют собой системы, состоящие из огромного количества функционирующих процессоров-нейронов, каждый из которых выполняет какой-либо небольшой объём работ, возложенный на него, при этом обладая большим числом связей с остальными, что и характеризует силу вычислений сети. Даже учитывая, что при построении искусственных сетей производится ряд упрощений и допущений, отличающий их от биологических, они всё же обладают теми же характерными чертами, что и мозг живого существа: обучение, основанное на опыте, поиск общих черт, нахождение важной информации в общем массиве поступающих данных [1].
Нейронные сети способны изменять ход своих действий под влиянием внешних факторов. В процессе обработки поступающих данных они могут подстраиваться и обучаться, дабы реакция на происходящие события была верной. Также сеть способна распознавать данные, имеющие некоторые отклонения, что даёт ей возможность выявить истинный образ, вне зависимости от сопровождающих его искажений или помех.
Нейронные сети могут выполнять задачи прогнозирования, оценки и классификации на основе имеющихся данных, что позволило применить их в совершенно разных областях человеческой жизни: физика, экономика, медицина, техника и даже творчество. Такой большой прорыв был возможен в связи со следующими особенностями:
• Невероятные возможности. Нейронные сети являются
функционально богатым методом моделирования, способным воссоздавать исключительно сложные примеры взаимодействия.
• Легкость в применении. Обрабатывая поступающую информацию, подобранную пользователем, сети обучаются, находят отличительные черты и сходства во фрагментах получаемой информации. При этом поступающие для обучения данные должны быть подготовлены пользователем, имеющим представление о принципах отбора подаваемой информации, способным выбрать подходящую архитектуру нейронной сети, а также умеющим интерпретировать получаемые от сети результаты. Тем не менее, для применения нейронных сетей не обязательно быть глубоко вовлеченным в эту область знаний, в отличие, например, от классических методов статистики.
• Надёжность. Сеть способна выдавать правильные результаты (правда, возможно, с меньшей точностью) даже в случае, если некоторые нейроны выйдут из строя или будут работать некорректно.
Нейронные сети привлекательны на интуитивном уровне тем, что они основаны на упрощенной модели биологических нервных систем. Развитие подобного рода сетей может в перспективе привести к созданию искусственного интеллекта, действительно способного мыслить.
Применение сетей возможно в совершенно различных областях: в прогнозировании курса валют, цифровой обработке изображений, распознавании и синтезе текста и речи, семантическом поиске и анализе текстов, системах поддержки принятия решений, системах безопасности и многих других.
В данной работе будут рассматриваться математические модели искусственных нейронных сетей, принципы классификации сетей, концептуальные подходы к их обучению, а также различные методы обучения каждого из подходов. Также будет исследован вопрос увеличения скорости обучения сети и рассмотрены более подробно области применения нейронных сетей.
Постановка задачи
В ВКР ставилась задача рассмотрения различных математических моделей нейронных сетей и парадигм их обучения, обзора методов, применяемых для обучения, исследование информации об областях их применения, а также изучения соответствующей научной литературы, описания алгоритмов обучения сети. Задача свелась к исследованиию теоретическов материалов об искусственных нейронных сетях, описанию некоторых математических моделей нейронных сетей, проведению соответствующего анализа полученных данных и подведению итогов относительно полученной информации.
Обзор используемой литературы
При написании данной научной работы использовались научные источники, учебная литература, интернет-публикации, а также статьи из научных изданий.
Основные сведения о нейронных сетях были получены из текстов [1],[2],[7],[9] в которых также давалась подробная информация и определения из теории нейронных сетей.
Сведения о подходах к обучению нейронных сетей взяты из ресурсов [6],[10],[14],[16]. Помимо этой информации из них также получены сведения о преимуществах и недостатках алгоритмов и принципов обучения сетей.
Данные о применении сетей в жизни основаны на информации из [3],[6],[8],[12],[15].
Стоит отметить, что существует множество электронных ресурсов, в которых описываются подробно алгоритмы обучения нейронных сетей. Особенно следует выделить [2],[8],[13].
Необычным с точки зрения стиля повествования, но при этом весьма полезным в вопросе предоставляемой информации оказался источник [16].
Также о нейронных сетях будущего выдвигаются прогнозы в статье [15].

Купить

Все поставленные в работе цели и задачи были выполнены. Были описаны различные математические модели искусственных нейронных сетей, рассмотрены принципы классификации сетей, изучены концептуальные подходы к их обучению, а также была дана краткая информация о некоторых методах обучения. Кроме того, в работе предоставлена информация о возможности увеличения скорости обучения сети, а также подробно рассказывается о сферах применения нейронных сетей.
Купить