Министерство образования и науки Российской Федерации
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «САРАТОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ИМЕНИ Н.Г. ЧЕРНЫШЕВСКОГО»
Кафедра математической кибернетики и компьютерных наук
Искусственные нейронные сети
РЕФЕРАТ
студентки 2 курса 211 группы
направления 02.03.02 Фундаментальная информатика и информационные технологии
факультета компьютерных наук и информационных технологий
Филатовой Ольги Владимировны
Научный руководитель,
доцент, к. ф.-м. н. ____________ А. Г. Федерова
Саратов 2019
Оглавление
Введение 3
История 5
Известные применения 8
Практическое применение нейронных сетей 12
Заключение 14
Список использованной литературы 15
Введение
Искусственные нейронные сети (ИНС) - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.
Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.
ИНС представляет собой совокупность соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие элементы обычно довольно просты относительно привычных нам процессоров, использующихся в ПК. Каждый нейрон подобной сети имеет дело только с сигналами. Одни из них он принимает, другие – посылает другим искусственным нейронам с некоторой периодичностью. Такие простые процессоры, соединённые в большую сеть с управляемым взаимодействием, способны решать задачи повышенной сложности.
В машинном обучении нейронная сеть описывается как частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации.
В математике обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации.
С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники.
С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма
С позиции искусственного интеллекта, ИНС является основой коннекционизма (Коннекционизм - разработанный в когнитивной науке компьютерный подход к моделированию мозга, использующий искусственные нейронные сети для имитации процессов познания живых существ (включая человека) и их интеллектуальных способностей.) и главным составляющим в структурном подходе по изучению возможности моделирования человеческого интеллекта с помощью вычислительной техники
Модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг друга цели нейронного моделирования: первая – понять функционирование нервной системы человека на уровне физиологии и психологии и вторая – создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга.
Нейронные сети невозможно запрограммировать. Они, подобно маленьким детям, всему обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная анализирует входные и выходные данных, выявляя закономерности между ними. После анализа сеть обобщает информацию. Это значит, что сеть сможет выдавать верные решения или ответы, даже если нечто подобное отсутствовало в «обучающей подборке» или было искажено, она принимает решения на основе уже имеющихся знаний подобно живому существу.
Алгоритмы смогут принести пользу, только если разработчики избавят их от несовершенств. В McKinsey отмечают, что ИИ склонен делать предвзятые выводы и выносить несправедливые решения. Другая проблема систем на базе машинного обучения — это непрозрачность. Даже сами разработчики не всегда могут понять, почему машина делает тот или иной вывод на основе определенного набора данных.
Впрочем, развитию ИИ препятствуют и технические проблемы. Часто при создании алгоритмов специалистам не хватает нужной информации и у них нет доступа к необходимым базам данных.
Но тем не менее искусственный интеллект имеет огромный потенциал. Специалисты с каждым годом расширяют список сфер, в которых ИИ смог бы сыграть значимую роль, преодолев некоторый ограничения, конечно же.