анализ развития компьютерных технологий - нейронные сети.

Необходимо подобрать идеальные веса или оптимизировать модель. По отношению к нейронным сетям такой процесс называют обратным распространением, представленном на рисунке 2.Разработкадвигается от обратного, имя результат и информацию об отклонении, с учётом имеющихся данных рассчитывается, как нужно менять веса и смещения, чтобы снизить уровень ошибки.Рисунук 2 – РаспространениеПосле, с новыми весами, повторяется весь процесс от начала до конца и вновь рассчитываем отклонение. За темснова меняются веса.Данная процедуравыполняется столько раз сколько необходимо, чтобы ошибка стала минимальной и веса не были подобраны идеально.На данный момент наблюдается тенденция поиска наилучших методов синхронизации на параллельных устройствах работы нейронных сетей.Когда на рынке появится большое число нейрочипов и плат расширения, предназначенных для обработки образной информации, начнут развиваться параллельные нейровысления, но на данный момент они слишком дорогие и выпускаются только со специализированными устройствами, по этой причине потенциал нейронных сетей реализован не полностью. Разработка нейропроцессоров очень длительная и дорогостоящая, за это время самые последние компьютеры оказываются лишь немногим менее производительными, что делает их использование не целесообразным.Но существует мнение, что через какое-то время данная проблема решиться. Предполагается, что путь, через который прошли компьютеры пройдут и нейронные сети. Их возможности будут постепенно наращиваться, так же, как и области их применения. Перспективы развития интерфейса взаимодействия пользователя с нейронной сетью основаны на новом виде программного обеспечения – интеллектуальных агентах. Они будут взаимодействовать с пользователями и другими агентами, а также сервисами. Предполагается, что возникнет новый социум с самообучающимися агентами, способными принимать решение.ЗаключениеНе смотря на распространение нейронных сетей, это очень молодая технология и большинство исследований находятся в экспериментальной стадии. На данный момент их применение имеет смысл только в областях, имеющих значительное число одинаковых задач со скрытыми взаимосвязями. Но развитие нейронных сетей движется с огромной скоростью, и зоны применения только растут.Алгоритмы обучения нейронных сетей имеют различные параметры и настройки, для управления которыми необходимо понимание их влияния.Правильно обученная нейронная сеть, сможет с большой вероятностью верно обработать новые, не предъявленные ей данные. Веса обученной нейронной сети могут хранить очень много информации, поэтому можно рассчитывать на верную интерпретацию даже для новых данных. Так же, как и человеческий мозг, взятый за основу разработки нейронных сетей, однажды обучившись он сможет правильно среагировать даже в новых ситуациях. Список использованных источниковБарский, А.Б. Логические нейронные сети: Учебное пособие / А.Б. Барский. - М.: Бином, 2013. - 352 cРедько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: Ленанд, 2019. - 224 c.Ширяев, В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: Ленанд, 2019. - 232 cЯхъяева, Г.Э. Нечеткие множества и нейронные сети: Учебное пособие / Г.Э. Яхъяева. - М.: Бином. Лаборатория знаний, 2018. - 316 c.Interface.История нейронных сетей [электронный ресурс]: - Режим доступа - http://www.interface.ru/home.asp?artId=37476