Как работают нейросети

Итерация: количество циклов, через которые прошла нейронная сеть в процессе обучения. Каждая итерация представляет собой проход через весь тренировочный набор данных.Ошибка: это мера расхождения между предсказанным и ожидаемым результатом. Целью обучения является минимизация этой ошибки [5].Как работает нейросеть на примереПриведем простой пример работы нейросетей с использованием весов (коэффициентов). Предположим, мы хотим узнать у нейросети, стоит ли в выходные ехать за грибами в лес. Ответов может быть только два – да или нет. Результат зависит от нескольких факторов, которые будут заданы в виде вопросов:Начался ли грибной сезон?Популярно ли место?Будет ли в выходные дождь?Входные данные следующие:x1 = 1 – сезон начался.x2 = 0 – лес известен немногим.x3 = 1 – по прогнозу, будет сухая погода.Далее всем полученным значениям будут присвоены веса, которые помогут определить их значимость:W1 = 5 – сезон очень короткий.W2 = 2 – другие грибники не станут помехой.W3 = 4 – поскольку грибы нужно собирать в сухую погоду.Пороговое значение (и значение смещения) обозначим как 3. Формула будет выглядеть так:Y-hat = (1*5) + (0*2) + (1*4) – 3 = 6.Таким образом, в сумме получился результат 6, который в два раза больше исходного. Обработав весь массив входящих данных, нейронная сеть с точностью сделала вывод, что в выходные можно ехать за грибами [7].Возьмём пример распознавание цифр.Представим, что мы программируем такую модель для распознавания. У нас может быть модель с некоторыми a и b в качестве координат и переменной x для уровня серого в каждом пикселе. Эта модель примерно за полмиллиона операция рассчитывает значения пикселей на картинке и получает число, определяющее цифру на картинке. Функцию для такой модели действительно можно построить, но она будет очень сложной. Поэтому нейросети обучают иначе — на примерах[8].Чтобы научить нейронку распознавать цифры, в неё сначала загружают обучающие данные — какие-то однозначно различимые начертания:Рисунок Пример цифрЭти данные содержат метки, которые указывают, какие изображения представляют собой определенные цифры. Например, одна метка может обозначать цифру 0, другая - цифру 1, и так далее. Нейронная сеть обучается распознавать и запоминать эту информацию без явного программирования, что является одним из феноменов и преимуществ использования нейронных сетей.После обучения в нейронку можно загрузить другие образцы изображений печатных символов для каждой цифры:Рисунок Образцы цифры 4Изучив новые данные, нейронная сеть анализирует их, чтобы определить, какие цифры из обучающего набора данных они наиболее схожи. Для этого она корректирует веса связей между своими слоями: некоторые веса становятся чуть больше, другие - чуть меньше, а некоторые - значительно больше. С каждым новым примером нейросеть уточняет свои знания о том, как выглядят различные печатные символы цифр при разных стилях написания.Когда нейронная сеть достаточно обучится на простых данных, ей можно представить более сложные изображения, например, рукописные цифры.Рисунок Рукописные цифрыПроанализировав эти изображения, нейронная сеть сопоставит их с уже имеющейся информацией о печатных символах. После множества вычислений она будет в состоянии улучшить свои навыки и научиться распознавать рукописные цифры[8].ЗаключениеВ заключении исследования можно подвести итоги выполненных задач.В процессе исследования было установлено, что нейронные сети представляют собой математические модели. Они используются для обработки и анализа данных, принятия решений и решения различных задач в различных областях, от распознавания образов до анализа финансовых рынков.Были изучены основные принципы функционирования нейронных сетей. Рассмотрены различные типы нейронных сетей и их архитектураВ целом, изучение нейронных сетей и их принципов работы является важным шагом в развитии и применении искусственного интеллекта в различных областях, и результаты данного исследования могут быть полезными для дальнейших исследований и практических применений.Список использованной литературыРедько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - Москва: ИЛ, 2017. - 224 c.Васильев, А.Н. Тархов Д.А. Принципы и техника нейросетевого моделирования / А.Н. Васильев. - Москва: Наука, 2017. - 999 c.Латыпова, Рамиля Нейронные сети / РамиляЛатыпова. - М.: LAP LambertAcademicPublishing, 2018. - 422 c.Тархов, Д.А. Нейросетевые модели и алгоритмы. Справочник / Д.А. Тархов. - М.: Радиотехника, 2018. - 359 c.Круглов, В. В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком, 2019. - 382 c.Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия - Телеком, 2018. - 384 c.https://neiros.ru/blog/automation/neyronnye-seti-printsip-raboty-perspektivy-i-159-sovremennykh-neyronok/https://thecode.media/neuro-vision/