НЕЙРОННЫЕ СЕТИ И РАЗНОВИДНОСТИ ИХ ПРИМЕНЕНИЯ

NEURAL NETWORKS AND THEIR APPLICATION VARIETY

Anton Yakimchuk

student, Department of Informatics and Computer Engineering,  Siberian state university of science and technology named after academician M.F. Reshetnev,

Russia, Krasnoyarsk

АННОТАЦИЯ

Рассматриваются нейронные сети и их виды. Приводятся примеры использования нейросетей для решения различных задач.

ABSTRACT

This article reviews the neural networks and their types. It gives examples of neural networks use for solving different tasks.

Ключевые слова: нейронные сети; сверточные нейросети; рекуррентные нейросети.

Keywords: neural networks; convolutional neural networks; recurrent neural networks.

Нейронная сеть — это построенная по математическим правилам модель, которая должна самостоятельно принимать решения в определенных ситуациях.

Нейронные сети имеют множество типов, которые переплетаются между собой в различных задачах. Рассмотрим два типа сетей, которые для множества производных типов нейросетей являются практически первоисточниками. Первый тип – сверточные нейросети. Это один из популярнейших типов сети, который часто используется для распознавания той или иной информации в фотографиях, видео, системах для рекомендаций. Ее основные характеристики:

• Отличная масштабируемость – с ее помощью можно производить распознавание образов любого разрешения;
• Использование объемных трехмерных нейронов;
• Механизм пространственной локализации – с его помощью обеспечивается работа нелинейных фильтров и производится охват все большего числа пикселей графического изображения.

Второй тип – рекуррентные нейросети. В данном типе нейросети связи между элементами могут обрабатывать серии различных событий во времени или работать с последовательными цепочками в пространстве. Такой тип применяется для распознавания речи или рукописного текста.

Обучаемость – важнейшее свойство нейронных сетей. Нейросеть – это совокупность нейронов, через которые проходит сигнал. Для преобразования сигнала нужно использовать коэффициенты или коррелирующие функции и применять их на веса связей.

Существует два подхода обучения нейронных сетей – с учителем и без учителя. При обучении с учителем необходимо дать нейросети выборку входных сигналов, получить выходные сигналы и сравнить с готовым решением. Учителем не обязательно выступает человек. Нейронную сеть необходимо обучать тысячами часов, поэтому, в основном, обучением занимается компьютерная программа. При обучении без учителя делается выборка входных сигналов, но правильные ответы заранее неизвестны. В таком случае, обучение начинается с кластеризации, то есть с определения классов подаваемых входных сигналов. Затем происходит выдача сигналов различных типов, отвечающих за входные объекты [1].

Нейронные сети используются для решения сложных задач, которые требуют сложных аналитических вычислений. Самыми распространенными применениями нейронных сетей является [2]:

• Классификация – распределение данных по параметрам. Например – одобрение выдачи кредита. Для этого нейронной сети необходимо проанализировать возраст, платежеспособность и кредитную историю конкретного человека;
• Предсказание – возможность предсказывать следующий шаг. Например, рост или падение курса доллара;
• Распознавание – возможность распознавания объекта. Например, необходимо определить, что находится на фотографии.

Также, потенциальными областями применения нейронных сетей являются: автоматизация процесса принятия решений; управление, кодирование и декодирование информации; аппроксимация зависимостей.

С помощью нейронных сетей успешно решается задача в области телекоммуникаций – проектирование и оптимизация сетей связи.

Распознавание речи является одной из наиболее популярных областей применения нейросетей.

Еще одна область – управление ценами и производством. В результате использования нейросетей происходит выбор оптимальной стратегии производства с точки зрения максимизации объема продаж и прибыли.

При анализе потребительского рынка используется прогнозирующая нейросетевая система с адаптивной архитектурой нейросимулятора.

При исследовании спроса нейросетевая система позволяет выявлять сложные зависимости между факторами спроса, прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективных для данного товара.

В медицинской диагностике нейронные сети применяются для диагностики слуха у грудных детей. Это позволяет снизить количество проводимых тестов и сократить время тестирования.

Нейросети также применяются для прогнозирования краткосрочных и долгосрочных тенденций в финансовых и экономических областях [3].

Нейронные сети – это перспективная и востребованная ветвь развития науки и техники. С каждым годом увеличивается количество задач, которые могут решить нейронные сети.

Список литературы:

1. Нейронные сети — 2019 — [электронный ресурс] — Режим доступа. — URL: https://future2day.ru/nejronnye-seti/ (дата обращения 01.08.2020)
2. Нейронные сети для начинающих — [электронный ресурс] — Режим доступа. — URL: https://habr.com/ru/post/312450/ (дата обращения 02.08.2020)
3. Галушкин А.И. Нейронные сети — [электронный ресурс] — Режим доступа. — URL: https://bigenc.ru/technology_and_technique/text/4114009 (дата обращения 03.08.2020)