Искусственная нейронная сеть
Искусственные нейронные сети. Введение, функция активации.
Для далеких от программирования людей вопрос, как работает искусственная нейронная сеть — тайна за семью печатями. Процесс как будто из разряда фантастики — так кажется на первый взгляд. Но на самом деле ничего особо сложного тут нет, если, конечно, не вдаваться в детали, с которыми могут разобраться только специалисты. Алгоритм работы искусственной нейронной сети так или иначе списан с деятельности человеческого мозга. По крайней мере по аналогии с ним смоделированы аналитические механизмы.
Искусственная нейронная сеть ИНС англ. Artificial neural network ANN — упрощенная модель биологической нейронной сети, представляющая собой совокупность искусственных нейронов, взаимодействующих между собой. Основные принципы работы нейронных сетей были описаны еще в году Уорреном Мак-Каллоком и Уолтером Питтсом [1]. В году нейрофизиолог Фрэнк Розенблатт разработал первую нейронную сеть [2] , а в году большие объемы данных для обучения открыли возможность использовать нейронные сети для машинного обучения. На данный момент нейронные сети используются в многочисленных областях машинного обучения и решают проблемы различной сложности. Хорошим примером биологической нейронной сети является человеческий мозг.
.ac2f31378926b5f99a4ba9d741c4aebe3b7a29e2.png)
Нейронная сеть представляет собой структуру, состоящую из искусственных нейронов , определенным образом связанных друг с другом и внешней средой с помощью связей, каждая из которых имеет определённый коэффициент, на который умножается поступающее через него значение эти коэффициенты называют весами. В процессе функционирования нейронная сеть осуществляется преобразование данных, конкретный вид которого определяется весами межнейронных связей, видом активационной функции нейронов, архитектурой и конфигурацией сети. Нейронные сети представляют собой модели, основанные на машинном обучении , то есть приобретают необходимые свойства в процессе обучения , который заключается в итеративной подстройке весов сети по некоторому правилу, называемому алгоритмом обучения. При построении нейронных сетей может может применяться как обучение с учителем для многослойных персептронов , так и без учителя для сетей Кохонена.
