Jak omówiliśmy we wstępie, jednym ze sposobów osiągnięcia inteligencji jest trenowanie modelu komputerowego lub sztucznego mózgu. Od połowy XX wieku badacze próbowali różnych modeli matematycznych, aż w ostatnich latach ten kierunek okazał się niezwykle skuteczny. Takie matematyczne modele mózgu nazywane są sieciami neuronowymi.
Czasami sieci neuronowe nazywane są Sztucznymi Sieciami Neuronowymi, ANNs, aby podkreślić, że mówimy o modelach, a nie o rzeczywistych sieciach neuronów.
Sieci neuronowe są częścią większej dziedziny zwanej Uczeniem Maszynowym, której celem jest wykorzystanie danych do trenowania modeli komputerowych zdolnych do rozwiązywania problemów. Uczenie maszynowe stanowi dużą część sztucznej inteligencji, jednak w tym programie nauczania nie omawiamy klasycznego uczenia maszynowego.
Odwiedź nasz osobny program nauczania Uczenie Maszynowe dla Początkujących, aby dowiedzieć się więcej o klasycznym uczeniu maszynowym.
W uczeniu maszynowym zakładamy, że mamy jakiś zbiór danych przykładów X oraz odpowiadające im wartości wyjściowe Y. Przykłady często są N-wymiarowymi wektorami składającymi się z cech, a wartości wyjściowe nazywane są etykietami.
Rozważymy dwa najczęstsze problemy uczenia maszynowego:
- Klasyfikacja, gdzie musimy sklasyfikować obiekt wejściowy do jednej z dwóch lub więcej klas.
- Regresja, gdzie musimy przewidzieć wartość liczbową dla każdego z przykładów wejściowych.
Reprezentując dane wejściowe i wyjściowe jako tensory, zbiór danych wejściowych jest macierzą o rozmiarze M×N, gdzie M to liczba przykładów, a N to liczba cech. Etykiety wyjściowe Y są wektorem o rozmiarze M.
W tym programie nauczania skupimy się wyłącznie na modelach sieci neuronowych.
Z biologii wiemy, że nasz mózg składa się z komórek nerwowych (neuronów), z których każda ma wiele "wejść" (dendrytów) i jedno "wyjście" (akson). Zarówno dendryty, jak i aksony mogą przewodzić sygnały elektryczne, a połączenia między nimi — znane jako synapsy — mogą wykazywać różne stopnie przewodnictwa, które są regulowane przez neuroprzekaźniki.
 |
 |
|---|---|
| Prawdziwy neuron (Obraz z Wikipedii) | Sztuczny neuron (Obraz autora) |
Najprostszy matematyczny model neuronu zawiera kilka wejść X1, ..., XN oraz jedno wyjście Y, a także serię wag W1, ..., WN. Wyjście obliczane jest jako:
gdzie f jest pewną nieliniową funkcją aktywacji.
Wczesne modele neuronu zostały opisane w klasycznym artykule A logical calculus of the ideas immanent in nervous activity autorstwa Warrena McCullocka i Waltera Pittsa w 1943 roku. Donald Hebb w swojej książce "The Organization of Behavior: A Neuropsychological Theory" zaproponował sposób, w jaki te sieci mogą być trenowane.
W tej sekcji dowiemy się o:
- Perceptronie, jednym z najwcześniejszych modeli sieci neuronowych do klasyfikacji dwuklasowej
- Sieciach wielowarstwowych wraz z powiązanym notatnikiem jak zbudować własny framework
- Frameworkach sieci neuronowych, z tymi notatnikami: PyTorch i Keras/Tensorflow
- Przeuczeniu
Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.