НЕЙРОННЫЕ СЕТИ

АННОТАЦИЯ

В статье рассматриваются области, в которых в настоящее время разрабатываются нейронные сети, и области, в которых они уже активно используются. В ней также обсуждаются возможности, которые нейронные сети будут предлагать в будущем, которые эти сети будут предлагать в будущем.

Ключевые слова: Искусственная нейронная сеть, нейрон, биологические нейронные сети, обучение.

Изучение и использование искусственных нейронных сетей началось в основном уже давно - в начале 20-го века, но по-настоящему широкое распространение они приобрели лишь несколько позже. В первую очередь это связано с тем, что передовые (для того времени) компьютерные технологии были достаточно мощными для работы с искусственными нейронными сетями.

Нейронная сеть (также искусственная нейронная сеть) - это математическая модель и ее программный или аппаратный вариант, основанные на принципе организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Этот термин возник при анализе процессов в мозге и попытках моделирования этих процессов. Первой попыткой такого рода были нейронные сети У. Маккаллоха и У. Питтса. После разработки алгоритмов обучения, полученные модели стали использоваться в практических целях: для задач прогнозирования, распознания образов, задач управления и т.д.

Нейронная сеть - это совокупность нейронов, которые связаны друг с другом специфическим образом. Нейрон - это элемент, который вычисляет выходной сигнал (в соответствии с определенным правилом) из серии входных сигналов. То есть основная последовательность действий одного нейрона выглядит следующим образом:

• прием сигналов от более ранних элементов сети;
• объединение входных сигналов;
• вычисление выходного сигнала;
• передача выходного сигнала на следующие элементы нейронной сети.

Нейронные сети пишут уникальные тексты для веб-сайтов, еще не профессионально, но уже очень хорошо, для некоторых информационных агентств. Они также создают научные статьи. В одном эксперименте целая база данных научных статей была загружена в нейронную сеть, которая сама проанализировала их, написала несколько десятков статей и отправила их в ряд научных журналов, некоторые из которых даже были опубликованы. Этот факт может свидетельствовать как о небрежности редакторов этих журналов, так и о высоком качестве статей, написанных в сети.

Нейронные сети могут обрабатывать фотографии по следующим критериям фото, например, преобразуя обычное изображение в картину, изображение, похожее по стилю на репродукцию, выбранную автором, или превращая эскиз в отшлифованный рисунок, все Сеть также может создавать по своему усмотрению, выбирая стиль конечного изображения. Нейронные сети пишут музыку, некоторые сервисы придумывают и воспроизводят простые мелодии, а есть и такие, которые пишут целые альбомы и слова к музыке, сама музыка создается людьми, а затем на нее пишутся слова, и конечный результат неотличим от того же самого, но исполняется исключительно людьми.

Чтобы решить прикладную задачу с помощью нейронной сети, необходимо:

1. Определить характер проблемы, которую необходимо решить.
2. Идентифицировать входные и выходные данные в задаче.
3. Выбрать топологию нейронной сети.
4. Нормализовать данные для выбранной нейронной сети.
5. Экспериментально подобрать параметры.
6. Обучить нейронную сеть.

Последним шагом является проверка качества нейронной сети путем анализа количества ошибок по отношению к общему количеству испытаний. Обычно после одной итерации такого алгоритма, получившаяся сеть не удовлетворяет требованиям задачи.

Наиболее важной частью нейронной сети является обучение. Это нелинейная многопараметрическая задача параметризации. Технически, обучение - это поиск коэффициентов связей между нейронами. Обучение может происходить с учителем, когда мы как разработчики четко указываем, что определенная информация соответствует определенному выходу, или самообучение, когда нейронная сеть сама делает выводы на основе информации, которую мы подаем.

Если рассматривать возможность использования нейронных сетей для создания искусственного интеллекта по образцу человеческого мозга, то нужно понимать, что хотя это теоретически возможно, это потребует огромных вычислительных ресурсов, а алгоритмы для решения таких параллельных задач еще не созданы.

Подводя итог, можно сказать, что на сегодняшний день искусственный интеллект прочно вошел в нашу жизнь и помогает нам решать многочисленные задачи. Одной из самых перспективных областей искусственного интеллекта, приближающейся к будущему из научно-фантастических фильмов, являются нейронные сети. Они уже активно используются в бизнесе, особенно в маркетинге, безопасности, развлечениях и других областях. Самые передовые компании, такие как Microsoft и Google*, занимаются исследованиями в этой области, что приводит к новым открытиям в этой сфере практически каждый день. Искусственные нейронные сети основаны на принципе биологических сетей, конечно, с некоторыми допущениями, большое количество простейших процессов с множеством связей.

*(По требованию Роскомнадзора информируем, что иностранное лицо, владеющее информационными ресурсами Google является нарушителем законодательства Российской Федерации – прим. ред)

Список литературы:

1. Гайдук, С. Г. Капустян. — М.: ФИЗМАТЛИТ, 2009. — 280 с. «Об интеллекте». Джефф Хокинс, Сандра Блейксли, 2004 год. Игнатьев Н. А. Выбор минимальной конфигурации нейронных сетей // Вычисл. технологии. 2001. Т. 6, № 1. С. 23–28.
2. Игнатьев Н. А. Извлечение явных знаний из разнотипных данных с помощью нейронных сетей // Вычисл. технологии. 2003. Т. 8, № 2. С. 69–73.
3. Игнатьев Н. А., Мадрахимов Ш. Ф. О некоторых способах повышения прозрачности нейронных сетей // Вычисл. технологии. 2003. Т. 8, № 6. С. 31–37.
4. «Модели и методы распознавания иероглифических текстов на примере древнеегипетского языка», диссертация к. т.н. Кугаевских Александра Владимировича.
5. Рассел С. Искусственный интеллект. Современный подход / С. Рассел, П. Норвиг. — 2-е изд. — М.: Вильямс, 2007. — 1408 с. Каляев И. А.