Тяхната работа, подобно на много други учени, не е била предназначена да описва точно работата на биологичния мозък. Изградена е изкуствена невронна мрежа като изчислителен модел, който работи на принципа на мозъчната функция за решаване на широк спектър от задачи. Очевидно е, че има упражнения, които са лесни за решаване за компютър, но са трудни за човека, например извличане на квадратен корен от десетцифрено число. Този пример ще изчисли невронната мрежа за по-малко от една милисекунда, а човекът има нужда от минути. От друга страна, има такива, които са невероятно лесни за решаване на човек, но не под силата на компютър, например, за да изберете фоновото изображение. Учените са прекарали много време в проучване и прилагане на комплексни решения. Най-често срещаният пример за невронна мрежа в компютрите е разпознаването на образи. Обхватът варира от оптично разпознаване на символи и отпечатване на снимки, или ръкописните сканирания към цифров текст, за да разпознаят лицето.

Биологични калкулатори

Човешкият мозък е изключително сложен и най-мощният от известните компютри. Неговата вътрешна работа е моделирана около концепцията за невроните и техните мрежи, известни като биологични невронни мрежи. Мозъкът съдържа около 100 милиарда неврони, които са свързани с тези мрежи. На високо ниво те взаимодействат помежду си чрез интерфейс, който се състои от аксонови терминали, свързани с дендрити през космически синапс. Говорейки на обикновен език, човек предава съобщение на друг през този интерфейс, ако сумата на претеглените входове от един или повече неврони надвишава прага за задействане на предаването. Това се нарича активиране, когато прагът е превишен, и съобщението се предава на следващия неврон. Процесът на сумиране може да бъде математически сложен. Входният сигнал е претеглена комбинация от тези сигнали, а претеглянето на всеки от тях означава, че този вход може да има различен ефект върху последващите изчисления и крайния изход на мрежата.

Елементи на невронния модел

Дълбокото обучение е терминът, използван за сложни невронни мрежи, състоящи се от няколко слоя. Слоевете се състоят от възли. Node е просто място, къдетоима изчисление, което действа, когато се сблъскат с достатъчно стимули. Възелът интегрира входни данни от набор от коефициенти или тегла, които или усилват, или отслабват този сигнал, като по този начин определят значението на задачата.
Мрежите с дълбоко обучение се различават от общия неврон с един скрит слой. Пример за обучение на невронни мрежи - мрежата на Кохонен. В мрежи с дълбоко обучение всеки слой разпознава определен набор от функции въз основа на оригиналната информация от предишното ниво. По-нататъшното преминаване в невронната мрежа, толкова по-трудни обекти, които могат да бъдат разпознати от възлите, тъй като те комбинират и рекомбинират обекти от предишното ниво. Мрежите за дълбоко обучение извършват автоматично извличане на функции без човешка намеса, за разлика от повечето традиционни алгоритми и завършват с първоначално ниво: логически или softmax-класификатор, който определя вероятността от конкретен резултат и се нарича прогноза.

Black Box ANN

Изкуствените невронни мрежи (SNN) са статистически модели, които са частично моделирани в биологични невронни мрежи. Те могат да се справят паралелно с нелинейната връзка между входовете и изходите. Такива модели се характеризират с наличието на адаптивни тежести по протежение на пътеките между невроните, които могат да бъдат конфигурирани от алгоритъма за обучение за подобряване на целия модел. Един прост пример за невронна мрежа е архитектурно изкуствена неврална мрежа на АНМ, където:

Входният слой е входен слой.

Скритият слой е скрит слой.

Изходящ слой - Изходен слой.

Той е моделиран с помощта на слоеве от изкуствени неврони или изчислителни единици, способни да приемат входящи данни и да използват активираща функция заедно с прагови стойности, за да определят дали съобщенията се предават или изпращат.
В един прост модел първият слой е входният сигнал, който трябва да бъде скрит и накрая изхода. Всеки един може да съдържа един или повече неврони. Моделите могат да станат все по-сложни с увеличаване на абстракцията и решаването на проблеми, броя на скритите слоеве, броя на невроните във всеки слой и броя на песните между тях. Архитектурата и моделирането на модела са основните компоненти на методите на МНС в допълнение към самите алгоритми на обучение. Те са изключително мощни и се считат за алгоритми за черна кутия, което означава, че тяхната вътрешна работа е много трудна за разбиране и обяснение.

Дълбоки алгоритми на обучение

Дълбоко обучение - тази концепция звучи доста шумно, всъщност, тя е просто термин, който описва някои видове невронни мрежи и свързани алгоритми, които консумират сурови входни данни чрез набора от слоеве от нелинейни преобразувания за изчисляване целеви изход Непривлекателна черта на характеристиките е и област, в която дълбокото обучение надхвърля всички очаквания. Пример за преподаване на невронни мрежи - SKIL мрежи. Традиционно, един учен или програмист на данни попада под отговорността да изпълнява процеса на извличане на атрибути в повечето други подходи за машинно обучение заедно с избора на функции и дизайн.

Оптимални параметри на алгоритъма

АлгоритмиУчебните функции позволяват на машината да научи конкретна задача, използвайки ограничен набор от възможности за учене. С други думи, те се учат да учат. Този принцип се използва успешно в много приложения и се счита за един от напредналите методи за изкуствен интелект. Подходящи алгоритми често се използват за контролирани, неконтролируеми и частично контролирани задачи. В моделите, базирани на невронната мрежа, броят на слоевете е по-голям, отколкото в алгоритмите за повърхностно обучение. Малките алгоритми са по-малко сложни и изискват по-задълбочено познаване на оптималните функции, които включват избор и развитие. Напротив, дълбоките алгоритми за обучение разчитат повече на оптималния избор на модел и неговата оптимизация чрез персонализиране. Те са по-подходящи за решаване на проблеми, когато предварителното познаване на функциите е по-малко желано или необходимо и фиксираните данни са недостъпни или не са необходими за използване. Входните данни се превръщат във всички слоеве, като се използват изкуствени неврони или процесорни блокове. Пример за код на невронна мрежа се нарича CAP.

Стойността на ОСП

ОСП се използва за измерване на архитектурата на модела за дълбоко обучение. Повечето изследователи в тази област са съгласни, че той има повече от два нелинейни слоя за ОСП, докато някои смятат, че ОСП, която има повече от десет слоя, изисква твърде много обучение.