Reţea neuronală
De la Wikipedia, enciclopedia liberă
| Inteligenţă artificială |
| GOFAI |
|---|
| Cercetare state space |
| Planificare automatizată |
| Căutare combinatorială |
| Sistem expert |
| Reprezentarea cunoaşterii |
| Sistem bazat pe cunoaştere |
| Conecţionism |
| Reţele neuronale |
| Viaţă artificială |
| IA distribuită |
| Programare genetică |
| Algoritm genetic |
| Inteligenţă "roi" |
| Fiinţă artificială |
| Metoda empirică Bayes |
| Reţea bayesiană |
| Învăţare la maşini |
| Recunoaşterea tiparelor |
| Sisteme Fuzzy |
| Logică fuzzy |
| Electronică fuzzy |
| Filozofie |
| IA Puternică |
| Conştiinţă artificială |
| Test Turing |
Mai corect spus reţele neurale, caracterizează ansambluri de elemente de procesare simple, puternic inteconectate şi operând în paralel, care urmăresc să interacţioneze cu mediul înconjurător într-un mod asemănător creierelor biologice şi care prezintă capacitatea de a învăţa. Nu există o definiţie general acceptată a acestor tipuri de sisteme, dar majoritatea cercetătorilor sunt de acord cu definirea reţelelor artificiale ca reţele de elemente simple puternic interconectate prin intermediul unor legături numite interconexiuni prin care se propagă informaţie numerică.
Originea acestor reţele trebuie căutată în studierea reţelelor bioelectrice din creier formate de neuroni şi sinapsele acestora. Principala trăsătură a acestor reţele este capacitatea de a învăţa pe bază de exemple, folosindu-se de experienţa anterioară pentru a-şi îmbunătăţi performanţele.
Cuprins |
[modifică] Structură
Deşi se aseamănă în funcţionare cu creierul uman, reţelele neurale au o structură diferită de cea a creierului. O reţea neurală este mult mai simplă decât corespondentul uman, dar la fel ca şi creierul uman, este compusă din unităţi puternice de calcul, mult inferioare însă corespondentului uman, neuronul.
[modifică] Caracteristici
Reţelele neurale artificiale se pot caracteriza pe baza a 3 elemente:
- modelul adoptat pentru elementul de procesare individual,
- structura particulară de interconexiuni(arhitectura)
- mecanismele de ajustare a legăturilor(algoritmii de învăţare).
[modifică] Modele ale neuronului artificial
Sunt mai multe criterii de clasificare a modelelor neuronului elementar, ce implică : domeniul de definiţie a semnalelor folosite, natura datelor folosite, tipul funcţiei de activare, prezenţa memoriei. Dar cel mai utilizat model este modelul aditiv.
[modifică] Arhitecturi
Există numeroase modalităţi de interconectare a neuronilor elementari, dar pot fi identificate două clase de arhitecturi:
- cu propagare a informaţiei numai dinspre intrare spre ieşire, reţele de tip feedforward
- reţele recurente(cu reacţie).
Un dezavantaj al reţelelor neurale îl constituie lipsa teoriei care să precizeze tipul reţelei şi numărul de neuroni elementari, precum şi modalitatea de interconectare. Există câteva tehnici de tip pruning sau de tip learn and grow, dar acestea sunt în intense cercetări.
[modifică] Algoritimi de învăţare
Principala deosebire a reţelelor neurale faţă de alte sisteme de prelucrare a informaţiilor îl constituie capacitatea de învăţare în urma interacţiunii cu mediul înconjurător, şi îmbunătăţirii performanţelor. O reprezentare corectă a informaţiilor, care să permită interpretarea, predicţia, şi răspunsul la un stimul extern, poate permite reţelei să construiască un model al procesului analizat. Acest model va putea răspunde astfel unor stimuli neutilizaţi în procesul prelabil de învăţare. Informaţiile utilizate în procesul de învăţare pot fi : informaţii disponibile a priori sau perechi intrare-ieşire(care stabilesc relaţii de tipul cauză-efect), iar modul de reprentare internă urmăreşte un set de regului bine documentate. Aceşti algoritmi pot fi clasificaţi după mai multe criterii cum ar fi : disponibilitatea răspunsului dorit la ieşirea reţelei, existenţa unui model analitic, tipul aplicaţiei în care sunt utilizaţi, dar cele mai multe documentaţii se rezumă la două clase mari: învăţarea supravegheată (care presupune existeţa în oric moment a unei valori dorite a fiecărui neuron din stratul de ieşire) şi învăţarea nesupravegheată (în care reţeaua extrage singură anumite caracteristici importante a datelor de ieşire, în urma unui gen de competiţie între neuronii elementari). În ultima perioadă se remarcă încă o clasă de algoritmi, algoritmii de învăţare folosind un critic, rezultaţi în urma observaţiilor experimentale făcute pe animale, acestia fiind de tipul recompensă/pedeapsă.
[modifică] Aplicaţii în viaţa de zi cu zi
Domeniile în care reţelele neurale se descurcă destul de bine sunt :
- Aproximări de funcţii
- Predicţii a unor serii temporale
- Clasificări
- Recunoaştere de tipare
- Recunoaştere vocală
- Scanarea retinei
- Învăţarea robotului care se verifică în mod constant cu un om
Astfel implementări ale reţelelor neurale, legate de sectorul bussines se întâlnesc în :
- previziuni financiare
- controlul proceselor industriale
- cercetări de piaţă
- validări de date pe bază de clasificări şi de tipare
- managementul riscului
- previziuni de marketing
Reţele neurale folosind algoritmi genetici pot fi folosite în controlul roboţilor industriali. Un alt domeniu de interes pentru reţelele neurale este medicina şi sistemele biomedicale. În acest moment se utilizează reţele neurale pentru descoperirea de boli, prin recunoaşterea unor tipare de pe cardiograme, ş.a.
[modifică] Bibliografie
- Ciocoiu Iulian, Reţele neurale artificiale, ISBN 973-8173-16-7
 |
Acest articol din domeniul informaticii este deocamdată un ciot. Puteţi ajuta Wikipedia prin dezvoltarea lui. |
