Человеческий мозг является сложным и интеллектуальным “компьютером”. Взяв за основу принцип образования нейронных связей в мозге человека, учеными была создана новая модель программирования – искусственная нейронная сеть, имеющая способность к самообучению.

Структура

Типичная нейронная сеть может содержать десятки, сотни, тысячи или миллионы искусственных нейронов (узлов), которые расположены в связанных между собой слоях.

Некоторые из нейронов являются узлами ввода, предназначенными для получения информации, которую сеть должна распознать и изучить. Другие нейроны являются узлами вывода. Они должны сигнализировать о результатах обработки введенной информации. Между слоями входных и выходных узлов расположены слои скрытых узлов, которые являются основной частью искусственного мозга.

Связи между нейронами характеризуются числом, называемым синоптическим весом. Значение синоптического веса может быть или положительным, или отрицательным. Чем выше его численное выражение, тем больше узлы воздействуют друг на друга.

Процесс обучения нейронной сети можно назвать процессом оптимизации весов, при котором ошибка предсказаний минимизируется, после чего система достигает заданного уровня точности.

Типы нейронных сетей

Существует несколько типов ANN, которые имеют разные уровни сложности и разные области применения. Они реализуются на основе математических операций и набора параметров, необходимых для определения выходных данных.

• Нейронная сеть прямого распространения характеризуется тем, что связи между узлами не формируют цикл, так как передача информации в сети происходит только в одну сторону: от входа к выходу. Однослойный перцептрон и многослойный перцептрон – две разновидности ANN прямого распространения.
• Рекуррентная нейронная сеть является системой, в которой данные могут передаваться в нескольких направлениях. Такая сеть имеет большие способности к обучению. Широко применяется для решения более сложных задач, таких как изучение рукописного текста или распознавание языка.
• Сверточная нейронная сеть (CNN) имеет алгоритм глубокого обучения. Использует сверточные слои для фильтрации входных сведений на основе изображений, видео, текста или звука. Фильтры автоматически настраиваются с учетом изученных параметров для извлечения полезной информации. Приложения CNN включают в себя различные модели распознавания и обработки изображений, текстов, речи, а также современные системы виртуальных помощников и самоходных автомобилей.
• Рекурсивная нейронная сеть (RNN) характеризуется древовидной структурой, в которой связи между нейронами формируют направленный цикл. Создается методом рекурсивного использования одинакового набора весов к структурированному входу данных переменной длины. Такие системы могут быть полезны для машинного понимания естественного языка.
• Стохастическая нейронная сеть использует стохастические (случайные) передаточные функции. Для каждого нейрона такой системы характерно двоичное значение, а возможность его срабатывания зависит от других нейронов. Примером стохастической сети является машина Больцмана.

Заключение

Нейронные сети – это системы искусственного интеллекта, без которых уже невозможно представить будущее человечества. Они умеют распознавать, анализировать, прогнозировать, находить аналогии, обнаруживать проблемы. Тем не менее – это просто программы, которые могут совершать ошибки. В перспективе потребуются годы, чтобы сети ANN смогли достичь уровня восприятия, близкого к человеческому.