Аксентов В.А.
ЭВОЛЮЦИЯ РАЗВИТИЯ НЕЙРОННЫХ СЕТЕЙ: ПРОШЛОЕ, НАСТОЯЩЕЕ, БУДУЩЕЕ *
Аннотация:
статья предлагает обзор истории развития искусственных нейронных сетей с их начала в 1943 году до современных инноваций. Рассматриваются ключевые моменты, такие как введение метода обратного распространения ошибки, появление сверточных и рекуррентных сетей, а также роль генеративных моделей. Акцент делается на универсальности применения нейронных сетей в различных областях и их перспективах
Ключевые слова:
нейронные сети, развитие, история, исследование, обучение, изучение
УДК 004
Аксентов В.А.
студент 4 курса САФУ
Северный (Арктический) федеральный университет
(Россия, г. Архангельск)
ЭВОЛЮЦИЯ РАЗВИТИЯ НЕЙРОННЫХ СЕТЕЙ:
ПРОШЛОЕ, НАСТОЯЩЕЕ, БУДУЩЕЕ
Аннотация: статья предлагает обзор истории развития искусственных нейронных сетей с их начала в 1943 году до современных инноваций. Рассматриваются ключевые моменты, такие как введение метода обратного распространения ошибки, появление сверточных и рекуррентных сетей, а также роль генеративных моделей. Акцент делается на универсальности применения нейронных сетей в различных областях и их перспективах.
Ключевые слова: нейронные сети, развитие, история, исследование, обучение, изучение.
Искусственные нейронные сети являются одной из самых захватывающих областей исследований в мире искусственного интеллекта. С момента своего зарождения в 1943 году они прошли долгий путь эволюции и трансформации, приведший к созданию сложных архитектур и мощных методов обучения [1]. Давайте рассмотрим ключевые временные промежутки в истории развития нейронных сетей.
Перцептрон Фрэнка Розенблатта [2] стал первой попыткой создать нейронную сеть способную обучаться на данных. Эта однослойная модель имела ограничения в решении сложных задач, но она подразумевала возможность создания более глубоких архитектур в будущем.
Самым революционным моментом в развитии нейронных сетей было введение метода обратного распространения ошибки [3] Дэвидом Румельхартом, Робертом Хинтоном и Рональдом Уильямсом. Этот метод позволил эффективно обучать многослойные нейронные сети, делая возможным решение сложных задач.
Куно Фукушима представил Neocogitron - многоразрядную сверточную нейронную сеть, инспирированную зрительными механизмами мозга. Этот момент начал активное исследование сверточных нейронных сетей, что привело к их широкому использованию в компьютерном зрении и других областях.
Рекуррентные нейронные сети (RNNs) были представлены Джеффри Хинтоном. Эти сети смогли эффективно работать с последовательными данными, открывая двери для обработки текстов, временных рядов и других последовательностей.
Ив Лекун представил LeNet-5 - первую сверточную нейронную сеть, предназначенную для распознавания рукописных цифр. Этот шаг укрепил сверточные сети как мощный инструмент в анализе изображений.
Капсульные сети, представленные Джеффри Хинтоном в 2017 году, предложили альтернативу сверточным сетям, позволяя эффективно обрабатывать иерархические признаки в данных.
С 2017 года и до настоящего времени развитие нейронных сетей продолжается стремительными темпами. Архитектуры, такие как трансформеры, позволяют эффективно обрабатывать тексты и последовательности. Генеративные модели, включая GAN и VAE, способны создавать реалистичные изображения и звуки. Автоэнкодеры и сети с подкреплением активно применяются в решении разнообразных задач. Внедрение нейронных сетей в медицине, финансах, робототехнике и других областях лишь подтверждает их универсальность и перспективы.
Сегодня мы стоим на пике инноваций в области нейронных сетей, и их дальнейшее развитие остается захватывающим предметом исследований, обещающим улучшение и оптимизацию широкого спектра технологий и решений.
СПИСОК ЛИТЕРАТУРЫ:
Номер журнала Вестник науки №8 (65) том 3
Ссылка для цитирования:
Аксентов В.А. ЭВОЛЮЦИЯ РАЗВИТИЯ НЕЙРОННЫХ СЕТЕЙ: ПРОШЛОЕ, НАСТОЯЩЕЕ, БУДУЩЕЕ // Вестник науки №8 (65) том 3. С. 89 - 91. 2023 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/9778 (дата обращения: 09.09.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2023. 16+