АНАЛИЗ ПОДХОДОВ К ИЗУЧЕНИЮ НЕЙРОННЫХ СЕТЕЙ

ANALYSIS OF APPROACHES TO THE STUDY OF NEURAL NETWORKS

Ilya Varlakov

student of the Department of Information Systems, Siberian State University of Water Transport,

Russia, Novosibirsk

Yuri Morozov

Candidate of Technical Sciences, Associate Professor, Associate Professor of the Department of Information Systems, Siberian State University of Water Transport,

Russia, Novosibirsk

АННОТАЦИЯ

В статье рассматривается сравнение и представление подходов к изучению нейронных сетей. Искусственные нейронные сети, представляют собой системы, состоящие из большого количества нейронов, каждый из которых выполняет определенную математическую функцию. Каждый нейрон может описывать компактную математическую функцию, например сравнение величины с пороговым значением, которая, в то же время, обладает огромным количеством связей и взаимодействий с остальными процессами внутри системы. В статье проведен анализ методов к изучению искусственного интеллекта.

ABSTRACT

The article discusses the comparison and presentation of approaches to the study of neural networks. Artificial neural networks are systems consisting of a large number of neurons, each of which performs a specific mathematical function. Each neuron can describe a compact mathematical function, for example, comparing a value with a threshold value, which, at the same time, has a huge number of connections and interactions with other processes within the system.  The article analyzes the methods for studying artificial intelligence.

Ключевые слова: нейронные сети, исследование, искусственный интеллект, метод изучения, алгоритм, признак, электронный учебник.

Keywords: neural networks, research, artificial intelligence, method of study, algorithm, feature, electronic textbook.

С учетом того, что искусственные нейронные сети математически описываются с учетом некоторых упрощений и допущений, они все же обладают теми же характерными признаками, что и биологическая нервная система любого живого существа. Они способны обучаться с учителем, самостоятельно обучаться на основе обнаруженных общих закономерностей, которым обладают входные данные. Как правило, обучение сводится к минимизации среднеквадратической ошибки выходных сигналов.[5]

Попутно определяя вес каждого события, они способны изменять ход своего обучения. Так, в процессе обработки данных они могут подстраиваться под конкретного пользователя и предавать ранее менее значимым значениям в системе более значимый вес, дабы реакция на происходящие события со стороны пользователя была верной. В нейронной сети каждый элемент состоит из регистра, сумматора и пороговой функции, например, сигмоидальной функции, которая обеспечивает плавный рост амплитудной характеристики элемента возле точки насыщения. Также сеть способна распознавать данные имеющие некоторые отклонения, что дает ей возможность не только иметь представление о текущей ситуации, но и выявить собирательный образ, вне зависимости от сопровождающего его искажений или шума.

Нейронные сети могут выполнять задачи прогнозирования, оценки и классификации на основе уже имеющихся данных, что позволило их применять в совершенно разных областях: от физики, экономики, техники и творчества. Больше всего подходят нейронные сети для решения задач классификации, например сейсмических сигналов от разных объектов, или акустических сигналов по музыкальным жанрам.

Наиболее востребованная технология пришлась на компьютерное зрение(CV) [1]. Она первую очередь используется для распознавания объектов, например номера автомобилей. Когда камера[4] фотографирует машину и определяет ее номер вне зависимости что это за машина и как она используется в данный момент.

Менее известная, но более актуальная модель имеет название обработка естественного языка(NLP) [2, ст.388]. Данная модель используется для предсказания нашего ответа на вопрос и представляет ответ, из готовой базы для решения вопросов пользователя. На похожей основе так же работают современные поисковые системы[3, ст.25], где алгоритмы пытаются на каком-то отрывке или конечной фразы дополнить наш запрос, уточняя или заполняя этот контекст.

Рисунок 1. Пример работы алгоритма NLP

В настоящей работе предложено использовать для изучения нейронных сетей электронный учебник. Как правило, электронный учебник имеет четкую структуру – есть возможность быстрого доступа к любому интересующему разделу. В электронном учебнике есть возможность быстрого переходу к ранее пройденным связанным разделам, а также к источникам в списке литературы. Как правило, каждая тема подкрепляется контрольными вопросами в тестовой форме. Кроме того, в электронном учебнике нейронную сеть можно наглядно визуализировать, в интерактивном режиме перестраивать связи между элементов. Затем остается только запустить исполняемый файл.

Таким образом, разработка электронного учебника по нейронным сетям является актуальной задачей, при решении которой будут использованы современные программные средства.

Cписок литературы:

1. Хабр [Электронный ресурс]. – Режим доступа https://habr.com/ru/company/Voximplant/blog/446738/ (дата обращения: 03.04.2023)
2. Гудфеллоу Я., Бенджио И., Курвилль А.Г93 Глубокое обучение / пер. с анг. А. А. Слинкина. – 2-е изд., испр. – М.: ДМК Пресс, 2018. – 652 с.: цв. ил. С. 388-340.
3. Силен Дэви, Мейсман Арно, Али Мохамед. Основы Data Science и Big Data. Python и наука о данных – СПб.: Питер, 2017. – 336 с.: ил. С. 25-29
4. РБК Тренды [Электронный ресурс]. – Режим доступа https://trends.rbc.ru/trends/industry/5f1f007e9a794756fafbfa83 (дата обращения: 03.04.2023)
5. Харрисон, Мэтт. Х21 Машинное обучение: карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python. : Пер. с англ. - СПб. : ООО "Диалектика", 2020 - 320 с. : ил. - Парал. тит. англ. С. 25-28