Нейросетевий штучний інтелект. Простими словами про складне: що таке нейронні мережі? Повернення нейронних мереж

Вже багато років людство намагається навчити комп'ютер думати самостійно, але кількість помилок занадто велика. Чи можливо подолати цей бар'єр

Спроби скопіювати людський інтелект робляться вже кілька століть. Ще в 1770 році угорський винахідник Вольфган фон Кемпелен створив автомат, який обігравав у шахи всіх, хто змагався з ним, і навіть переміг Наполеона Бонапарта. Для більшого ефекту глядачам демонструвалися складні механізми машини. Пізніше винахідник був викритий - усередині автомата сидів досвідчений шахіст, керуючий усім процесом. Проте подія встигла наробити багато галасу.

Як все починалося

Пройшло багато років перш ніж у 50-ті роки XX століття Френк Розенблатт винайшов персептрон – математичну модель пов'язаних об'єктів, де вхідним сигналом для одного об'єкта служили вихідні сигнали від інших.

Найголовнішою властивістю персептрону було так зване зворотне поширення помилки. Це поле елементів (вузлів), пов'язаних другз другом у мережу (матриця). Спочатку вони однаково реагують на вхідний сигнал - наприклад, залишають його таким, як він був. Але припустимо, ми хочемо навчити персептрон відрізняти букви одна від одної. Ми подаємо на вхід А, Б, Г у випадковому порядку. Модель спочатку не знає нічого про один з об'єктів, але їй дається зворотний зв'язок, за яким створюється функція помилки, що визначає, чи сильно помилилася модель. У разі вгадування літери функція видає нуль (тобто помилки немає). У міру того, наскільки далеким є персептрон від правильної відповіді, значення функції збільшується. Сигнал про помилку подається назад на вхід, що призводить до корекції моделі: у вузлів у матриці мінялися ваги. У результаті персептрон запам'ятовував свій стан за певних наборів вхідних об'єктів, тобто навчався.

Термін «навчання моделі» до власне навчання не мав жодного відношення. Насправді стан моделі приходило до рівноваги після декількох циклів зворотного поширення помилки. Також маятник приходить до рівноваги після того, як його розгойдали. Але сам факт, що модель могла запам'ятовувати свій стан і залишатися в ньому, нагадує процес навчання людини. Модель здалася вченим цікавою і пізніше лягла в основу першої нейронної мережі.

Подальший розвиток теорії нейромереж переживало численні злети та падіння протягом десятиліть. Серед найбільш відомих відкриттів були перша модель штучного інтелекту - Logic Theorist (LT, "логічний теоретик"), винайдена в 1956 Алленом Ньюуелом і Гербертом Саймоном, і "Еліза" - програма, що підтримує розмову на англійськоюна будь-яку тему, створена 1965 року Джозефом Вайзенбаумом. Однак виявилося, що комп'ютерні можливості на той час не дозволяли застосовувати нейронні мережі для більш практичних цілей. Зокрема, для розпізнавання техніки ймовірного супротивника, що так сподівалися військові.

На 1990-і роки припав новий розквіт нейромереж. Досягнення дослідників у галузі Data Mining (вилучення даних), машинного розуміння та перекладу мови, комп'ютерного зору та інших галузях знову зробили актуальними вивчення можливостей штучного інтелекту. Розвиток швидкості процесорів і зниження вартості пам'яті дали вченим можливість навчати нейромережі швидше і більш-менш реальних завданнях. Але виявилося, що даних та ресурсів для навчання було мало, нейромережі були «недостатньо розумні» – видавали великий відсоток помилок. Тому вони знайшли застосування у спеціалізованих завданнях, наприклад, розпізнаванні символів, а загальний інтерес до штучного інтелекту знову впав.

Нейрони людини та нейромережі

Чи мають нейромережі якесь відношення до нейронів у голові людини і чи можна називати їх інтелектом?

Сучасне уявлення про процес мислення людини полягає в тому, що нейрони в корі мозку можуть зв'язуватися один з одним своїми відростками-аксонами, періодично отримуючи від «сусідів» сигнали і переходячи з базового в збуджений стан. У головному мозку людини налічується близько 85-86 млрд. нейронів, і один нейрон може мати зв'язки з багатьма (до 20 тисяч) іншими нейронами. Той факт, що ця структура здатна мислити, завжди привертав увагу вчених.

Термін «штучний інтелект» (artificial intelligence) був винайдений і вперше озвучений в 1956 році американським ученим Джоном Маккарті. В опис моделі персептрона, про яку було розказано вище, вже в 50-х – 60-х були введені статистичні поняття вузлів, мережі та терезів, і ці вузли під впливом робіт того часу з вивчення людського мозку назвали нейронами.

У результаті розвитку штучного інтелекту з'явилося безліч типів мереж. У нашому мозку відбуваються одночасно процеси розпізнавання образів, і тексту, і картинок, і це відкладається у пам'яті. Комп'ютерні ж нейромережі не такі універсальні: довелося вигадувати різні види, кожен з яких найкраще пристосований для свого завдання: згорткові - переважно використовуються для аналізу зображень, рекурентні - для аналізу динамічних змін, автокодувальники - для класифікацій (наприклад, для розпізнавання букв, символів), кодувальники-декодувальники - для виявлення ключових характеристик об'єкта , змагальні нейромережі - для створення нових об'єктів, і спеціальні осередки пам'яті (LTSM) - для запам'ятовування та зберігання інформації.

Паралельно з типами нейромереж з'явилася ідея створення багатошарових нейромереж, коли один шар однакових нейронів є входом іншого шару. Пізніше стали об'єднувати різні типишарів в одній моделі, і все це з метою наближення нейромережі за рівнем розуміння до інтелекту людини.

Наші дні

Поточна увага до нейромереж та активне використання терміна «штучний інтелект» зобов'язане вражаючим результатам, яких вдалося досягти з перенесенням обчислень на відеокарти. Кожна з них містить набагато більше обчислювальних ядер, ніж центральний процесор, і навіть власну пам'ять - це призвело до прискорення навчання нейромереж у сотні разів проти звичайними процесорами. Другою причиною нового витка у галузі AI стало виникнення величезних обсягів даних для навчання.

Зараз найбільші компанії світу заробляють за рахунок нейромереж: соцмережі (і їх партнери, як сумнозвісна Cambridge Analitica) таргетують рекламу за допомогою аналітики, Nvidia та інші розробники створюють платформи для використання в автомобілях-автопілотах, здатних якісно розпізнавати знаки та пішоходів на дорогах на ситуацію. Однак ІІ застосовують і найближчим часом застосовуватимуть в основному для дій, що юридично не зобов'язують. Вони можуть попередити про появу незнайомої особи на об'єкті або шахрая-рецидивіста у банку, спростять керування, але не візьмуть на себе відповідальність за фінальне рішення.

Чи можна вважати нейромережі, які є основою для вирішення завдань класифікації інформації, штучним інтелектом? Зрозуміти це можна, відповівши на просте запитання – чи може штучний інтелект існувати та ефективно працювати без природного. Відповідь – ні, тому що для вирішення будь-якого завдання саме людина налаштовує параметри нейромережі для отримання адекватних результатів. Грубо кажучи, для вирішення кожного завдання вибирається своя архітектура нейромережі. Ситуація, коли ІІ самостійно вирішуватиме, яку нейромережу створити для вирішення конкретного завдання, поки що навіть не проглядається на горизонті.

Незважаючи на те, що ІІ все-таки змогло обіграти людину в шахи, зараз, як і кілька століть тому за кожною машиною, що обіграє людину, ховаються люди, які її створили.

Нейроінформатика та нейрокібернетика є одним із напрямків штучного інтелекту. Оскільки " штучний інтелект - це напрямок інформатики, метою якого є розробка програмно-апаратних засобів, що дозволяють вирішувати традиційно інтелектуальні завдання", і до цих завдань входить створення інтелектуальних роботів, оптимальне управління, навчання і самонавчання, розпізнавання образів, прогнозування і т.д. - це саме ті завдання, для вирішення яких нейронні мережі і застосовуються найбільш широко.

Якщо при створенні класичних експертних систем людина-експерт (можливо, за допомогою інженера за знаннями) повинна спочатку формалізувати свої знання (представити їх природною мовою у вигляді набору правил або шаблонів), і отримання несуперечливого та повного формулювання знань є довгим та трудомістким процесом − то нейромережевые експертні системи самонавчаються з урахуванням експериментальних даних (фактів). Це робить можливим створення нейроекспертних систем за відсутності людини-експерта, наприклад, для нової області діяльності, що зароджується, де потрібна діагностика.

Нейромережні алгоритми успішно застосовуються для вирішення складних практичних завдань, які традиційно вважаються інтелектуальними: розпізнавання осіб (та інші завдання розпізнавання зображень та об'єктів на зображенні), управління безпілотними літальними апаратами, медична діагностика захворювань.

Звичайно, технології та методи штучного інтелекту роблять основний наголос на ситуації, що володіють однією або декількома такими особливостями:

алгоритм вирішення невідомий чи може бути використаний через обмеженість ресурсів комп'ютера,
задача не може бути визначена в числовій формі,
Цілі завдання не можуть бути виражені в термінах точно визначеної цільової функції-критерію.

Однак, оскільки знання – це формалізована інформація, яку використовують у процесі логічного висновку", то можна сказати, що нейромережа бере факти(фактичні знання про світ, представлені у вигляді навчальної вибірки) та у процесі навчання формує правила− знання, що описують знайдений нейромережею спосіб вирішення. Ці правила прийняття рішення можна витягти з нейронної мережі і записати в одному з традиційних для класичних експертних систем формалізмів представлення знань (наприклад, у вигляді набору продукційних правил логічного висновку). Але можна просто користуватися побудованим нейромережевим уявленням алгоритму прийняття рішення, якщо змістовна інтерпретація його менш важлива порівняно з можливістю отримання способу вирішення задачі.

Можливість швидкого навчання та донавчання нейромережевих експертних систем дозволяє їм відображати особливості мінливого зовнішнього світуі оперувати актуальним знанням, тоді як традиційний шлях формалізації знань людей-експертів триваліший і трудомісткий.

Вони були розроблені на кшталт природних нейронних мереж нервової системи людини.

Штучні нейронні мережі

Винахідник першого нейрокомп'ютера, доктор Роберт Хехт-Нільсен, дав таке поняття нейронної мережі: "Нейронна мережа - це обчислювальна система, що складається з ряду простих, сильно взаємопов'язаних елементів обробки, які обробляють інформацію шляхом їх динамічного реагування на зовнішні впливи".

Базова структура штучних нейронних мереж (ІНС)

Ідея ІНС базується на переконанні, що можна імітувати роботу мозку людини, створивши потрібні зв'язки за допомогою кремнію та проводів, таких як у живих нейронів та дендритів.

Людський мозок складається із 100 мільярдів нервових клітин, званих нейронами. Вони пов'язані з іншими тисячами клітин Аксон. Подразники із зовнішнього середовища або сигнали від органів чуття приймаються дендритами. Ці вхідні сигнали утворюють електричні імпульси, які швидко переміщуються через нейромережу. Потім нейрон може посилати повідомлення інші нейрони, які можуть надіслати це повідомлення далі або можуть взагалі її не відправляти.

Штучні нейронні мережі складаються з кількох вузлів, що імітують біологічні нейрони людського мозку. Нейрони з'єднані між собою та взаємодіють один з одним. Вузли можуть приймати вхідні дані та виконувати найпростіші операції над даними. Внаслідок цих операцій дані передаються іншим нейронам. Вихідні дані кожного вузла називаються його активацією.

Кожна ланка пов'язана із вагою. ІНС здатні до навчання, яке здійснюється шляхом зміни значення ваги. На наступному малюнку показана проста ІНС:

Типи штучних нейронних мереж

Є два типи штучних нейронних мережевих топологій - з прямим зв'язком і зворотним зв'язком.

Потік інформації є односпрямованим. Блок передає інформацію на інші одиниці, яких він не отримує жодної інформації. Немає петлі зворотного зв'язку. Вони мають фіксовані входи та виходи.

Тут допускаються петлі зворотного зв'язку.

Як працюють штучні нейронні мережі

У топології показані схеми, кожна стрілка є зв'язок між двома нейронами і вказує шлях для потоку інформації. Кожен зв'язок має вагу, ціле число, яке контролює сигнал між двома нейронами.

Якщо мережа створює «хороший» і «потрібний» вихід, немає необхідності коригувати вагу. Однак, якщо мережа створює «поганий» або «небажаний» висновок або помилку, то система коригує свої вагові коефіцієнти для поліпшення наступних результатів.

Машинне навчання у штучних нейронних мережах

ІНС здатні до навчання, і вони мають бути навчені. Існує кілька стратегій навчання

Навчання - включає в себе вчителя, який подає в мережу навчальну вибірку на які вчитель знає відповіді. Мережа порівнює свої результати з відповідями вчителя та коригує свої вагові коефіцієнти.

Навчання без вчителя – це необхідно, коли немає навчальної вибірки з відомими відповідями. Наприклад, у завданнях кластеризації, тобто. поділу множини елементів на групи за якимись критеріями.

Навчання з підкріпленням — це стратегія, побудована на спостереженні. Мережа приймає рішення, спостерігаючи за своїм оточенням. Якщо спостереження негативне, мережа коригує свої ваги, щоб мати можливість робити різні необхідні рішення.

Алгоритм зворотного розповсюдження

Байєсівські мережі (БС)

Ці графічні структури для представлення імовірнісних відносин між набором випадкових змінних.

У цих мережах кожен вузол є випадковою змінною з конкретними пропозиціями. Наприклад, у медичній діагностиці, вузол Рак є пропозицією, що пацієнт має рак.

Ребра, що з'єднують вузли є імовірнісні залежності між цими випадковими величинами. Якщо з двох вузлів один впливає на інший вузол, то вони повинні бути пов'язані безпосередньо. Сила зв'язку між змінними кількісно визначається ймовірністю, що пов'язана з кожним вузлом.

Є тільки обмеження на дугах в БН, ви не можете повернутися назад до вузла просто слідуючи за напрямком дуги. Звідси БНЗ називають ациклічним графом.

Структура БН ідеально підходить для поєднання знань та даних, що спостерігаються. БН можуть бути використані, щоб дізнатися причинно-наслідкові зв'язки та розуміти різні проблеми та передбачати майбутнє, навіть у разі відсутності даних.

Де використовуються нейронні мережі

Вони здатні виконувати завдання, які прості для людини, але скрутні для машин:

Аерокосмічні - автопілот літака;

Автомобільні автомобільні системинаведення;

Військові - супровід мети, автопілот, розпізнавання сигналу/зображення;

Електроніка – прогнозування, аналіз несправностей, машинний зір, синтез голосу;

Фінансові - оцінка нерухомості, кредитні консультанти, іпотека, портфель торгової компанії та ін.

Обробка сигналу — нейронні мережі можуть бути навчені обробки звукового сигналу.

Штучний інтелект, нейронні мережі, машинне навчання - що насправді означають усі ці нині популярні поняття? Для більшості непосвячених людей, яким і є сам, вони завжди здавались чимось фантастичним, але насправді суть їх лежить на поверхні. У мене давно дозрівала ідея написати простою мовою про штучні нейронні мережі. Дізнатися самому і розповісти іншим, що є ця технологія, як вона працюють, розглянути її історію та перспективи. У цій статті я постарався не залазити в нетрі, а просто й популярно розповісти про цей перспективний напрямок у світі високих технологій.

Штучний інтелект, нейронні мережі, машинне навчання – що насправді означають усі ці нині популярні поняття? Для більшості непосвячених людей, яким я є, вони завжди здавались чимось фантастичним, але насправді суть їх лежить на поверхні. У мене давно дозрівала ідея написати простою мовою про штучні нейронні мережі. Дізнатися самому і розповісти іншим, що є ця технологія, як вона працює, розглянути її історію та перспективи. У цій статті я постарався не залазити в нетрі, а просто й популярно розповісти про цей перспективний напрямок у світі високих технологій.

Трохи історії

Вперше поняття штучних нейронних мереж виникло при спробі змоделювати процеси головного мозку. Першим серйозним проривом у цій сфері можна вважати створення моделі нейронних мереж МакКаллока-Піттса у 1943 році. Вченими вперше було розроблено модель штучного нейрона. Ними також була запропонована конструкція мережі цих елементів для виконання логічних операцій. Але найголовніше, вченими було доведено, що така мережа здатна вчитися.

Наступним важливим кроком стала розробка Дональдом Хеббом першого алгоритму обчислення ІНС у 1949 році, який став основним на кілька наступних десятиліть. У 1958 році Френком Розенблаттом був розроблений парцептрон – система, що імітує процеси головного мозку. Свого часу технологія не мала аналогів і досі є основною в нейронних мережах. В 1986 практично одночасно, незалежно один від одного американськими і радянськими вченими був істотно доопрацьований основний метод навчання багатошарового перцептрону. У 2007 році нейронні мережі перенесли друге народження. Британський інформатик Джеффрі Хінтон вперше розробив алгоритм глибокого навчання багатошарових нейронних мереж, який зараз, наприклад, використовується для роботи безпілотних автомобілів.

Коротко про головне

У загальному сенсі слова, нейронні мережі - це математичні моделі, що працюють за принципом мереж нервових клітин тваринного організму. ІНС можуть бути реалізовані як у програмовані, так і в апаратні рішення. Для простоти сприйняття нейрон можна уявити, як якийсь осередок, яка має безліч вхідних отворів і одне вихідне. Яким чином численні вхідні сигнали формуються у вихідний, саме визначає алгоритм обчислення. На кожен вхід нейрона подаються дієві значення, які потім поширюються міжнейронним зв'язкам (синопсисам). У синапс є один параметр - вага, завдяки якому вхідна інформація змінюється при переході від одного нейрона до іншого. Найлегше принцип роботи нейромереж можна представити на прикладі змішування кольорів. Синій, зелений та червоний нейрон мають різні ваги. Інформація нейрона, вага якого більше буде домінуючою в наступному нейроні.

Сама нейромережа є системою з безлічі таких нейронів (процесорів). Окремо ці процесори досить прості (набагато простіше, ніж процесор персонального комп'ютера), але будучи з'єднаними в велику системунейрони здатні виконувати дуже складні завдання.

Залежно від області застосування нейромережа можна трактувати по-різному, наприклад, з точки зору машинного навчання ІНС є метод розпізнавання образів. З математичної точки зору – це багатопараметричне завдання. З погляду кібернетики – модель адаптивного управління робототехнікою. Для штучного інтелекту ІНС - це основна складова для моделювання природного інтелекту за допомогою обчислювальних алгоритмів.

Основною перевагою нейромереж над звичайними алгоритмами обчислення є можливість навчання. У загальному сенсі слова навчання полягає у знаходженні вірних коефіцієнтів зв'язку між нейронами, а також у узагальненні даних та виявленні складних залежностей між вхідними та вихідними сигналами. Фактично, вдале навчання нейромережі означає, що система буде здатна виявити правильний результат на підставі даних, які відсутні в навчальній вибірці.

Сьогоднішнє становище

І якою б багатообіцяючою не була б ця технологія, поки що ІНС ще дуже далекі від можливостей людського мозку та мислення. Проте, вже зараз нейромережі застосовують у багатьох сферах діяльності. Поки що вони не здатні приймати високоінтелектуальні рішення, але можуть замінити людину там, де раніше вона була необхідна. Серед численних областей застосування ІНС можна відзначити: створення систем виробничих процесів, що самонавчаються, безпілотні транспортні засоби, системи розпізнавання зображень, інтелектуальні охоронні системи, робототехніка, системи моніторингу якості, голосові інтерфейси взаємодії, системи аналітики та багато іншого. Таке широке поширення нейромереж також зумовлено появою різних способівприскорення навчання ІНС.

На сьогоднішній день ринок нейронних мереж величезний - це мільярди та мільярди доларів. Як показує практика, більшість технологій нейромереж по всьому світу мало відрізняються одна від одної. Проте застосування нейромереж - це дуже затратне заняття, яке у більшості випадків можуть дозволити собі лише великі компанії. Для розробки, навчання та тестування нейронних мереж потрібні великі обчислювальні потужності, очевидно, що цього в достатку є великі гравці на ринку ІТ. Серед основних компаній, що ведуть розробки в цій галузі, можна відзначити підрозділ Google DeepMind, підрозділ Microsoft Research, компанії IBM, Facebook і Baidu.

Звичайно, все це добре: нейромережі розвиваються, ринок зростає, але поки що головне завдання так і не вирішено. Людству не вдалося створити технологію, хоча б наближену на можливості до людського мозку. Давайте розглянемо основні відмінності між людським мозком та штучними нейромережами.

Чому нейромережі ще далекі до людського мозку?

Найголовнішою відмінністю, яка докорінно змінює принцип та ефективність роботи системи – це різна передачасигналів у штучних нейронних мережах та у біологічній мережі нейронів. Справа в тому, що в ІНС нейрони передають значення, що є дійсними значеннями, тобто числами. У людському мозку здійснюється передача імпульсів із фіксованою амплітудою, причому ці імпульси практично миттєві. Звідси випливає низка переваг людської мережі нейронів.

По-перше, лінії зв'язку в мозку набагато ефективніші та економічніші, ніж в ІНС. По-друге, імпульсна схема забезпечує простоту реалізації технології: достатньо використання аналогових схем замість складних обчислювальних механізмів. Зрештою, імпульсні мережі захищені від звукових перешкод. Дійсні числа схильні до впливу шумів, внаслідок чого підвищується ймовірність виникнення помилки.

Підсумок

Безумовно, останнім десятиліттям стався справжній бум розвитку нейронних мереж. Насамперед це пов'язано з тим, що процес навчання ІНС став набагато швидшим і простішим. Також стали активно розроблятися так звані «добуті» нейромережі, які дозволяють суттєво прискорити процес впровадження технології. І якщо поки що рано говорити про те, чи зможуть колись нейромережі повністю відтворити можливості людського мозку, ймовірність того, що найближчим десятиліттям ІНС зможуть замінити людину на чверті існуючих професій дедалі більше стає схожою на правду.

Для тих, хто хоче знати більше

Велика нейронна війна: що насправді починає Google
Як когнітивні комп'ютери можуть змінити наше майбутнє

Науково – практичній конференції

«Крок у майбутнє»

Андрійчук Андрій учень 9 класу А

МБОУ «ЗОШ №47» м.Чити

Науковий керівник: Михайлов Є.І. вчитель інформатики та фізики МБОУ «ЗОШ №47» м.Чити (вища категорія)

м.Чита – 2018

Нейронні сіті. Штучний інтелект

Андрійчук Андрій

МБОУ «ЗОШ №47»

9 клас "А"

Коротка інструкція

Під час експлуатації потужних комп'ютерних систем, Кожен запитував: «А чи може машина мислити і поводитися також як людина? ».
Таким чином, розвиток ІІ почався з наміру створити подібний інтелект у машинах, схожий на людський.

Нейроінформатика та нейрокібернетика є одним із напрямків штучного інтелекту. Оскільки "штучний інтелект - це напрямок інформатики, метою якого є розробка програмно-апаратних засобів, що дозволяють вирішувати традиційно інтелектуальні завдання", і до цих завдань входить створення інтелектуальних роботів, оптимальне управління, навчання і самонавчання, прогнозування і т.д. − то це ті завдання, для вирішення яких нейронні мережі і застосовуються найбільш широко.

Нейронні сіті. Штучний інтелект

Андрійчук Андрій

Росія, Забайкальський край, місто Чита

МБОУ «ЗОШ №47»

9 клас "А"

Анотація

Нейросетевые алгоритми успішно , традиційно вважаються інтелектуальними: (та інші завдання та об'єктів на зображенні), управління безпілотними літальними апаратами, тощо.

алгоритм рішення невідомий чи може бути використаний через обмеженість ресурсів комп'ютера;

завдання не може бути визначено у числовій формі;

Цілі завдання не можуть бути виражені в термінах точно визначеної цільової функції-критерію.

Однак, оскільки "знання – це формалізована інформація, яку використовують у процесі логічного висновку", то можна сказати, що нейромережа бере факти (фактичні знання про світ, представлені у вигляді навчальної вибірки) і в процесі навчання формує правила – знання, що описують знайдений нейромережею спосіб розв'язання. Ці правила прийняття рішення можна витягти з нейронної мережі і записати в одному з традиційних для класичних експертних систем формалізмів представлення знань (наприклад, у вигляді набору продукційних правил логічного висновку). Але можна просто користуватися побудованим нейромережевим уявленням алгоритму прийняття рішення, якщо змістовна інтерпретація його менш важлива порівняно з можливістю отримання способу вирішення задачі.

Можливість швидкого навчання і донавчання нейромережевих експертних систем дозволяє їм відображати особливості зовнішнього світу, що швидко змінюється, і оперувати актуальним знанням, тоді як традиційний шлях формалізації знань людей-експертів більш тривалий і трудомісткий.

Актуальність досліджень пов'язаних з нейронними мережами обумовлюється тим, що обробка інформації, що надходить у людський мозок, відрізняється від методів цифрової обробки. Людський мозок працює як дуже складний, нелінійний, паралельний обчислювальний пристрій.

Науково доведено – мозок складається з величезної кількості нервових клітин (нейронів). Кількість структурних зв'язків у людському мозку, створюваних лише одним нейроном, варіюється від десятка до ста тисяч. Таким чином, створюється нейронна мережа, якою проходять нервові сигнали. Ці сигнали є причиною змін стану нейронів та їх сполук. Від кількості нервових сигналів залежить активність мозку.

Ціль даної роботи - це створення та подальше вдосконалення прототипу нейронних мереж(Допиши з урахуванням твоєї програми)

Поставлена мета включає кільказавдань :

Аналіз наявної інформації з даного напрямку;

Розробка та налагодження програми;

Застосування та демонстрація законом та принципів нейронних мереж та штучного інтелекту;

Проведення досліджень та експериментів.

Об'єкт дослідження: штучний інтелект;

Предмет дослідження: нейронна мережа – один із способів реалізації штучного інтелекту;

Методи дослідження:

- дослідження напрямків пов'язаних із штучним інтелектом, машинним навчанням та нейромережами;

узагальнення отриманих даних;

Експериментальні дослідження моделі нейронних мереж;

Апробація програмного забезпеченнядля моделі нейронних мереждописати назву, вказати мову програмування(Навчання, розпізнання).

Гіпотеза: в основі робочої гіпотези лежить припущення про те, що існує, нейронні мережі та штучний інтелект можуть значно спростити життя людини, яка живе в інформаційному суспільстві, стати на службу сучасним інформаційним технологіям.

Наукова новизна: розроблено нову модель штучних нейронних мереж, що дозволяє описувати алгоритми обробки сигналів у термінах елементів та зв'язків між ними. Створення моделі дописати назву програми

Практична значимість

Створений у процесі роботи комплекс програм може використовуватись для опису, компіляції, візуалізації, налагодження та запуску нейронних мереж у рамках нової моделі. При цьому розроблені алгоритми та архітектура дозволяють реалізувати та застосовувати й інші моделі нейронних мереж.

Робота складається із трьох розділів. У першому розділі розглянуто поняття нейронних мереж, штучного інтелекту. Представлено історію нейронних мереж та штучного інтелекту, наведено класифікації.

У другому розділі представлена технологія розробки програмного комплексу, розглянуто основні прийоми роботи.

У третьому розділі представлено опис результатів моделювання, наведено аналіз експериментів.

Нейронні сіті. Штучний інтелект

Андрійчук Андрій

Росія, Забайкальський край, місто Чита

МБОУ «ЗОШ №47»

9 клас "А"

План дослідження

Визначення проблеми та питання підлягає дослідженню;

Методи дослідження: визначення джерел інформації та аналіз отриманих даних з обраного питання дослідження, виявлення основних особливостей досліджуваного питання, визначення ключових понять дослідження.

Хід дослідження:

Постановка теми дослідження; виявлення актуальності дослідження;
Визначення кола питань, пов'язаних із темою дослідження;
Виявлення джерел інформації, необхідні проведення дослідження;
Вивчення джерел інформації; виявлення базових понять, термінів;
Розбір та аналіз отриманої інформації, вибір основних категорій дослідження;
Розробка та складання плану дослідницької роботи;
Обробка та аналіз інформації;
Написання дослідницької роботи;
Оформлення плану та порядку виступу.
Захист у рамках шкільної конференції.

Нейронні сіті. Штучний інтелект

Андрійчук Андрій

Росія, Забайкальський край, місто Чита

МБОУ «ЗОШ №47»

9 клас "А"

Зміст

Вступ;

Основна частина;

Дослідницька частина;

Висновок;

Список джерел інформації.

Нейронні сіті. Штучний інтелект

Андрійчук Андрій

Росія, Забайкальський край, місто Чита

МБОУ «ЗОШ №47»

9 клас "А"

Вступ

Інтелект - це дуже загальна розумова здатність, яка включає можливість робити висновки, планувати, вирішувати проблеми, абстрактно мислити, розуміти складні ідеї, швидко вчитися та навчатися на основі досвіду.

Інтелект людини є органічною структурою, за всіх її плюсів є й мінуси.

Нейронна мережа – один із способів реалізації штучного інтелекту (ІІ).
У розробці ІІ існує велика область - машинне навчання. Вона вивчає методи побудови алгоритмів, здатних самостійно вчитися. Це необхідно, якщо не існує чіткого вирішення будь-якої задачі. У цьому випадку простіше не шукати правильного рішення, а створити механізм, який сам вигадає метод для його пошуку.

Нейросітка моделює роботу людської нервової системи, особливістю якої є здатність до самонавчання з урахуванням попереднього досвіду. Таким чином, з кожним разом система робить все менше помилок.

Основна частина

Історія нейронних мереж

Термін "нейронна мережа" з'явився в середині XX століття. Перші роботи, у яких було отримано основні результати у цьому напрямі, було зроблено Мак-Каллоком і Піттсом. У 1943 році ними була розроблена комп'ютерна модель нейронної мережі на основі математичних алгоритмів та теорії діяльності головного мозку. Вони висунули припущення, що нейрони можна спрощено розглядати як пристрої, що оперують двійковими числами, і назвали цю модель пороговою логікою. Подібно до свого біологічного прототипу нейрони Мак-Каллока-Піттса були здатні навчатися шляхом підстроювання параметрів, що описують синаптичну провідність. Дослідники запропонували конструкцію мережі з електронних нейронів і показали, що подібна мережа може виконувати практично будь-які числові чи логічні операції. Мак-Каллок і Піттс припустили, що така мережа може також навчатися, розпізнавати образи, узагальнювати, тобто має всі риси інтелекту.

Ця модель заклала основи двох різних підходів досліджень нейронних мереж. Один підхід був орієнтований власне вивчення біологічних процесів у головному мозку, інший – застосування нейронних мереж як методу штучного інтелекту на вирішення різних прикладних завдань.

в 1949 році канадський фізіолог і психолог Хебб висловив ідеї про характер з'єднання нейронів мозку та їх взаємодію;

1954 року в Массачусетському технологічному інституті з використанням комп'ютерів Фарлі та Кларк розробили імітацію мережі Хебба. Також дослідження нейронних мереж за допомогою комп'ютерного моделювання були проведені Рочестером, Холландом, Хебітом та Дудою у 1956 році;

У 1957 році Розенблаттом були розроблені математична та комп'ютерна моделі сприйняття інформації мозком на основі двошарової нейронної мережі, що навчається. Під час навчання дана мережавикористовувала арифметичні дії додавання та віднімання;

Інтерес до дослідження нейронних мереж згас після публікації роботи з машинного навчання Мінського та Пейперта у 1969 році. Ними було виявлено основні обчислювальні проблеми, що виникають при комп'ютерній реалізації штучних нейронних мереж;

одним з важливих кроків, що стимулювали подальші дослідження, стала розробка в 1975 Вербосом методу зворотного поширення помилки, який дозволив ефективно вирішувати завдання навчання багатошарових мереж і вирішити проблему зі «складанням по модулю 2»;

1975 року Фукусімою був розроблений когнітрон, який став однією з перших багатошарових нейронних мереж. Фактична структура мережі та методи, що використовуються в когнітроні для настроювання відносних ваг зв'язків, варіювалися від однієї стратегії до іншої. Кожна зі стратегій мала свої переваги та недоліки;

алгоритм паралельної розподіленої обробки даних у середині 1980 років став популярним під назвою коннективізму. У 1986 року у роботі Руммельхарта і Мак-Клелланда коннективізм використали для комп'ютерного моделювання нейронних процесів.

Штучні нейронні мережі

Винахідник першого нейрокомп'ютера доктор Роберт Хехт-Нільсен дав таке поняття нейронної мережі: «Нейронна мережа - це обчислювальна система, що складається з ряду простих, сильно взаємопов'язаних елементів обробки, які обробляють інформацію шляхом їх динамічного реагування на зовнішні впливи».

Базова структура штучних нейронних мереж (ІНС)

Типи штучних нейронних мереж

Є два типи штучних нейронних мережевих топологій - з прямим зв'язком і зворотним зв'язком.

Як влаштована нейронна мережа

Нейросеть моделює роботу людської нервової системи, особливістю якої є здатність до самонавчання з урахуванням попереднього досвіду. Таким чином, з кожним разом система робить все менше помилок.

Як і наша нервова система, нейромережа складається з окремих обчислювальних елементів – нейронів, які розташовані на кількох шарах. Дані, що надходять на вхід нейромережі, проходять послідовну обробку кожному шарі мережі. У цьому кожен нейрон має певні параметри, які можуть змінюватися залежно від отриманих результатів – у цьому полягає навчання мережі.

Припустимо, що завдання нейромережі – відрізняти котів від собак. Для налаштування нейронної мережі подається великий масив підписаних зображень котів та собак. Нейросеть аналізує ознаки (зокрема лінії, форми, їх розмір і колір) цих картинках і будує таку розпізнавальну модель, яка мінімізує відсоток помилок щодо еталонних результатів.

На малюнку нижче представлений процес роботи нейромережі, завдання якої розпізнати цифру поштового індексу, написану від руки.

Рисунок 1 Пристрій нейронної мережі

Нейронні мережі з прямим зв'язком

Малюнок 2 Нейронні мережі із прямим зв'язком

Рисунок 3 Нейронні мережі із зворотним зв'язком

Машинне навчання у штучних нейронних мережах

ІНС здатні до навчання, і вони мають бути навчені. Існує кілька стратегій навчання

Навчання - включає в себе вчителя, який подає в мережу навчальну вибірку, на які вчитель знає відповіді. Мережа порівнює свої результати з відповідями вчителя та коригує свої вагові коефіцієнти.

Навчання без вчителя - це необхідно, коли немає навчальної вибірки з відомими відповідями. Наприклад, у завданнях кластеризації, тобто. поділу множини елементів на групи за якимись критеріями.

Навчання з підкріпленням – ця стратегія, побудована на спостереженні. Мережа приймає рішення, спостерігаючи за своїм оточенням. Якщо спостереження негативне, мережа коригує свої ваги, щоб мати можливість робити різні необхідні рішення.

Байєсівські мережі (БС)

Ці графічні структури для представлення імовірнісних відносин між набором випадкових змінних.

Популярність нейронних мереж

До 2010 року просто не існувало бази даних, достатньо великої для того, щоб якісно навчити нейромережі вирішувати певні завдання, в основному пов'язані з розпізнаванням та класифікацією зображень. Тому нейромережі часто помилялися: плутали кішку з собакою, або, що ще гірше, знімок здорового органу зі знімком органу, ураженого пухлиною.

Але у 2010 році з'явилася база ImageNet, що містить 15 мільйонів зображень у 22 тисячах категорій. ImageNet багаторазово перевищувала обсяг існуючих баз даних зображень і була доступна будь-якого дослідника. З такими обсягами даних нейромережі можна було вчити приймати практично безпомилкові рішення.

До цього шляху розвитку нейромереж стояла інша, щонайменше істотна, проблема: традиційний метод навчання був неефективний. Незважаючи на те, що важливу роль відіграє кількість шарів у нейронній мережі, важливий також і метод навчання мережі. Використовуваний раніше метод зворотного шифрування міг ефективно навчати лише останні верстви мережі. Процес навчання був занадто тривалим для практичного застосування, а приховані шари глибинних нейромереж не функціонували належним чином.

Результатів у вирішенні цієї проблеми у 2006 році досягли три незалежні групи вчених. По-перше, Джеффрі Хінтон реалізував навчання мережі за допомогою , навчаючи кожен шар окремо. По-друге, Ян ЛеКан запропонував використання для вирішення проблем розпізнавання зображень. Нарешті, Іошуа Бенджіо розробив каскадний автокодировщик, що дозволив задіяти усі шари у глибокій нейронній мережі.

Успішне застосування нейронних мереж

Таблиця 1 Застосування нейронних мереж

Навчений штучний інтелект визначав ризик кардіологічних захворювань ефективніший за реальних лікарів.

Фінанси

Японська страхова компанія Fukoku Mutual Life Insurance уклала контракт із IBM. Софгласно йому,34 співробітники японської компанії замінить система IBM Watson Explorer AI.

Бізнес

штучний інтелектсуттєво покращив механізми рекомендацій в онлайн-магазинах та сервісах.Алгоритм Yandex Data Factoryздатний передбачати вплив акцій.Нейросети, що аналізують природну мову,можуть використовуватись для створення чат-ботів.

Транспорт

безпілотні автомобілі – концепт, над яким працює більшість великих концернів, очікують, щорозумні автомобілі з'являться на дорогах до 2025 року.

Промисловість

технологія синтетичних молекул, виплавка сталі, переробка скла.

Сільське господарство

визначення оптимального часу догляду та обробки сільськогосподарських культур.

Мистецтво

обробки фото та відео, нейронні мережі компанії вже записали два альбоми, Японський алгоритм написав книгу"День, коли Комп'ютер написав роман",програма обіграла найсильнішого гравця у світі

Безпека

пошук акул у прибережних водах та попередження людей на пляжах

Практична частина

Вставити скріншоти та докладний описпроцесу роботи програми!

Висновок

Нейронні мережі, технологія середини минулого століття зараз змінює роботу цілих галузей. Реакція суспільства неоднозначна: одних можливості нейромереж викликають у захват, а інших – змушують засумніватися в їх користі як фахівців.

Проте не скрізь, куди приходить машинне навчання, воно витісняє людей. Якщо нейромережа ставить діагнози краще за живого лікаря, це не означає, що в майбутньому нас лікуватимуть виключно роботи. Найімовірніше, лікар працюватиме разом із нейромережею. Аналогічно, суперкомп'ютер IBM Deep Blue виграв у шахи у Гаррі Каспарова ще в 1997 році, проте люди з шахів нікуди не поділися, а імениті гросмейстери досі потрапляють на обкладинки глянсових журналів.

Штучний інтелект-це майбутнє всього людства, розвиток нейронних мереж, є величезним кроком у майбутнє, де не буде потрібна фізична праця людини.

Вже зараз ми бачимо, наскільки швидко і безпомилково комп'ютер виконує дії, які не під силу десяткам учених. Інвестуючи та розвиваючи технології ІІ, людство розвивається одночасно у тисячі сфер, оскільки штучний інтелект можна застосовувати практично у всіх сферах життєдіяльності.

Список використаної літератури

Категорії

Популярне